Lightspeed webhotell

Det som skiller mennesket fra dyr og maskiner har vært frem til idag vært menneskets intelligens (IQ). Idag har er ikke dette lenger tilfelle, da vi idag har fått en rekke datamaskiner som har maskinell intelligens, også kalt kunstig intelligens, som kan forstå, resonnere, lære og forutsi fremtidige handlinger, slik som menneskets hjerne kan.

Kunstig intelligens er imidlertid ikke et nytt fenomen, slik vi får inntrykk av når vi hører om det i media. Allerede i 1951 kom det første suksessfulle kunstig intelligens programmet. Et program som kunne spille “Checkers”; – et av verdens eldste brettspill.

I denne artikkelen skal vi se litt nærmere på:

Hva er kunstig intelligens?

Kunstig intelligens, eller Artificial Intelligence (AI) på engelsk, kan defineres som:

“datamaskiner som har evnen å utføre kognitive oppgaver og lære av sine handlinger”.

Russel og Norvig (1995, 5) sier at kunstig intelligens kan beskrives som systemer som:

  1. opptrer som mennesker
  2. tenker som mennesker
  3. er rasjonelle

Vi kan dermed si at kunstig intelligens er teorier om og utvikling av datasystemer som er i stand til å:

  • gjennomføre oppgaver som vanligvis krever menneskelig intelligens (Laurent, Chollet & Herzberg, 2015, s.2),
  • løse problemer og lære av egne erfaringer (Tidemann, 2018).

Svak og sterk kunstig intelligens

Kunstig intelligens kan klassifiseres som enten svak eller sterk kunstig intelligens.

Svak kunstig intelligens er maskiner som kan gjøre en spesifikk oppgave på et avansert nivå, men kan ikke gå utenfor dette eller lære videre. Et eksempel på dette er Siri´s funksjon på iPhone, da denne funksjonen kun besvarer spørsmål relatert til din telefon eller funksjoner i telefonen.

Sterk kunstig intelligens fungerer mer som en menneskelig hjerne. Maskinen har kognitive evner til å tenke rasjonelt og finne den beste løsningen til et ukjent problem den står overfor.

De fleste intelligente systemene er idag ennå basert på svak kunstig intelligens, men i fremtiden vil vi se stadig mer intelligente systemer som er basert på sterk kunstig intelligens. 

Intelligente systemer

Når vi snakker om intelligente systemer mener vi datamaskiner som har en kunstig intelligens og kompetanse til å utføre oppgaver på lik linje med mennesker (Russel og Norvig 1995, 31). Intelligente systemer kjennetegnes av at de har evnen til å (Iversen, 2017):

  • forstå
  • resonnere
  • lære
  • forutsi

Evnen til å forstå

Et intelligent system må ha evnen til å kunne forstå. Det vil si ha evnen til å motta og behandle ustrukturert informasjon på samme måte som mennesker.

Intelligente systemer må forstå språkmønstre og sensoriske data som tekst, bilder og lyd. F.eks. undersøke tusenvis av timer med lydinnspilling på noen få minutter, for å identifisere nøkkelord og mønstre basert på frekvens, tonefall og uttrykk (Iversen 2017). For å oppnå dette må systemet benytte seg av natural language processing (NLP) som en del av systemets evne til å forstå og ta i bruk menneskelig språk (Whitby, 2008).

Natural language processing omfatter kommunikasjon med et intelligent system ved hjelp av språk i tekst eller tale, og er avgjørende for at et intelligent system skal lese, forstå, tolke og oversette menneskelig tale til data. Sentimentanalyse er også en del av intelligente systemers evne til å forstå, og handler om å identifisere og ekstrahere følelsesmomenter i en tekst eller en talesnutt (Pang og Lee 2008, 15). 

Evnen til å resonnere

Intelligente systemer har evnen til å resonnere, dvs. at de har evnen til å danne hypoteser, tolke data og skape nye ideer ut fra et datamateriale. De leser data raskt og kan sammenstille informasjon fra forskjellig hold for å produsere meningsfulle og relevante svar, basert på historiske fakta (data).

Evnen til å lære

Intelligente systemer har også evnen til å lære og forbedre sine prestasjoner ved å kontinuerlig analysere nye data. Ved hjelp av maskinlæring, kan intelligente systemer bygge opp en dyp og bred kunnskapsbase som til enhver tid er oppdatert. Kunstig intelligens er et kognitivt system som kan lese og organisere innhold fra ulike datakilder, og gi oss tilgang til relevant og oppdatert informasjon til enhver tid (Iversen 2017).

Det er per dags dato tre ulike måter maskinene oppnår læring; veiledende, ikke-veiledende og læring med forsterkning.

Veiledende læring – vil si at datamaskinen får tilført en rekke data som datamaskinen analyserer. F.eks. kan maskinen få tilført flere hundre bilder av ulike føflekker med diagnose og deretter tolke hvorvidt en føflekk er ufarlig (ikke malign) eller farlig (malign). Denne metoden kan også brukes som et digitalt stetoskop til å tolke hjerterytme, samt analysere andre bilder av for eksempel vev i bryst for å diagnostisere brystkreft.

Ikke-veiledende læring  – vil si at datamaskinen analyserer dataene på egenhånd ved å finne nye mønstre og grupper i datamaterialet. F.eks. kan datamaskinen få tilført informasjon om mange ulike pasienter og sortere pasientene i ulike grupper basert på symptomer og unormale verdier. På denne måten kan maskinen forutse sykdommer, stille forslag til en diagnose og foreslå en behandlingsplan.

Læring ved forsterkning – er en læringsmetode hvor datamaskinene prøver å finne beste strategi for å nå et mål. Forsterkende læring er forskjellig fra veiledet læring da ingen korrekte par av inndata og utdata blir presentert. Hvis den nærmer seg målet blir maskinen belønnet. Et godt eksempel på slik læring er den kunstig intelligente maskinen “AlphaGO”. Maskinen ble programmert til å lære spillet “Go” ved å konkurrere mot seg selv flere millioner ganger. For å teste kunnskapen til maskinen ble det arrangert en turné på fem runder hvor maskinen skulle møte den ledende verdensmesteren i spillet Go, Lee Sedol. Sluttresultatet ble til kritikernes og motstanderens store overraskelse 4-1 til maskinen “AlphaGo”.

Evnen til å forutsi

Evnen til å predikere vil si at det intelligente systemet må ha muligheten til å skape antakelser om fremtiden. I følge Stephan, Brown og Erickson (2017, 41) bidrar prediktive analyser til å bedre forstå hva som sannsynligvis vil skje i fremtiden, basert på hva som har skjedd i fortiden. Jo mer data systemet behandler, jo bedre blir evnen til å predikere fremtiden og identifisere nye muligheter.


Turing-testen

Du må logge inn for å se resten av innholdet. Vennligst . Ikke medlem? Registrer deg