Telenor Inpli Logo

Lurer du på hva AI egentlig er?

Telenor Inpli den 28. august 2018

kunstig intelligens og maskinlæring, AI og ML

Her er en enkel forklaring og eksempler

Alle snakker om kunstig intelligens og maskinlæring, AI og ML. Etter PC-en, Internett, mobiltelefonen og skyen, er det denne teknologien som skal realisere potensialet i den 4dje industrielle revolusjonen, også kalt industri 4.0. Hvorfor er det da så vanskelig å få tak på hva det egentlig handler om?

Forskningen på, og arbeidet med, kunstig intelligens har pågått i over 60 år. Det startet med en workshop i 1956 på Dartmouth College, der de fleste deltagerne kom til å bli ledende innen AI-forskningen i de neste tiårene. Men forventningene fra den gangen, at de skulle klare å utvikle en maskin som var like intelligent som et menneske innen én generasjon, har ikke vært i nærheten av å bli til virkelighet – før i dag.

Fortsatt er det langt, langt igjen til en maskin kan konkurrere med oss. Kanskje ikke på strengt logiske områder (som sjakk) eller når suksess avhenger av å utføre enkle oppgaver lenge og raskt, men helt sikkert når vi snakker om resonnering og følelser.

Hva skal til?

Det er særlig tre faktorer som har endret mulighetene dramatisk; rimelig lagring og prosessorkapasitet og tilgangen på enorme mengder data. Hvis du tenker Internet of Things er du på sporet. For når du skal lære en maskin å tenke, er det ikke så veldig annerledes enn når du skal lære ungen å sykle eller hva klokken er. Innsatsen er eksempler og repetisjon. Med et barn er det overkommelig; du sier "se på meg" et par ganger, og så øver dere sammen. Med en maskin er det en anelse mer krevende. Derfor er behovet for prosessorkraft for å gjøre jobben og data til analyse. 

En annen utfordring helt opp til for bare noen år siden, har vært graden av manuelt arbeid som kreves i opplæringsprosessen. Enorme mengder data må kategoriseres og merkes for at de skal ha verdi for maskinen som skal lære. Og fordi prosessorkraft har vært dyrt, endte mange prosjekter med at menneskene involvert gjorde mye av jobben selv og deretter programmerte koden som i realiteten bare automatiserte eksisterende prosesser.

Det som skjer nå er at vi ikke bare lærer maskinene å gjøre oppgaver, vi lærer dem å lære. De programmerer seg selv, finner smartere måter å fungere på basert på erfaring og tilgjengelig informasjon. Enkelt sagt ligner de mer og mer på en organisme, for eksempel en celle, og mindre på en mekanisk input/output-maskin.

Her kunne vi ha skrevet litt om frykten for at de intelligente maskinene skal bli smartere enn oss og for eksempel tenke at "herregud, disse menneskene ødelegger jo kloden" – og så begynner å kvitte seg med problemet. Vi dropper det av to grunner; maskinene er fortsatt så langt unna denne typen intelligens at vi kan vente en stund til med å bekymre oss. Dessuten er det mye mer spennende å se på hva kunstig intelligens og evnen til læring allerede har levert av verdi.

Hva er de vi snakker om?

Et flere år gammelt eksempel er Google som bruker søkedata i USA til å forutse influensaepidemier lenge før fastleger og Centers for Disease Control and Prevention klarer å registrere et utbrudd. Datamaskinene plukker opp mønstre i søkeord som korresponderer med historiske rapporter om faktiske influensautbrudd. Det er lett å forestille seg at maskinene begynner å eksperimentere med søkeresultatene for å lære om en redigert liste med en type informasjon senker eller øker farten på epidemien. Kanskje det ikke skal mer til enn en liten annonse for Antibac?

Prediktivt vedlikehold er et annet område der AI og ML allerede gir enorme bidrag. Det handler om tusenvis av sensorer som overvåker alt fra skinnegangen på T-banen til rotorbladene i en flymotor. Data som blir matet inn i analyseprosessen favner alt fra lyd, lys og lyd til temperatur, bruksmønster, vibrasjoner og fuktighet. Eksemplet du viser maskinen når du lærer den opp, er en velfungerende prosess eller fysisk komponent. Så blir jobben delvis å jakte på anomalier som erfaringsmessig munner ut i en ødelagt del eller en korrumpert prosess, og gradvis evne å oppdage og forstå disse anomaliene tidligere og tidligere.

Et amerikansk vannverk manglet historikk som fortalte dem hvilke hus som var knyttet til rør med bly og hvilke som ikke var det. Med hjelp av forskere ved Georgia Tech laget de en algoritme – de lærte opp en datamaskin – som brukte 71 datapunkter til å forutsi hvilke hjem vannverket skulle fokusere på og hvilke rør som måtte byttes ut. Før denne programvaren ble implementert måtte bare 20 prosent av rørene som ble gravd opp, byttes ut. Etter implementeringen var det samme tallet 97 prosent.

McKinsey mener reiseliv, transport og logistikk og varehandel er de områdene der AI-potensialet er størst. For å realisere dette må aktørene ta i bruk kunstig intelligens og maskinlæring til å forutsi etterspørsel i forskjellige markeder og på den måten både selge mer og redusere varelagerkostnaden. Analyser av trafikkdata hjelper transportselskaper å redusere drivstoff-forbruket med så mye som 15 prosent. Kunder som handler i web shop-en din får enda mer treffsikre anbefalinger når de sjekker ut.

Cisco gjør nettverkene intelligente

En av aktørene som allerede har en sterk posisjon innen AI og ML er Cisco. Kanskje ikke overraskende; forutsetningen for å høste fruktene av denne teknologien er en allerede eksisterende og solid digital grunnmur kombinert med enorme mengder data til analyse. Sånn ser fremtiden de bygger med kunstig intelligens ut:

Cisco kunstig intelligens

Her snakker de om nettverk som rekonfigurerer seg før noe går galt og som fikser problemene selv. Komplekse prosesser for å oppdage hackerangrep eller skadelig programvare blir automatisert – og stadig bedre i stand til å hindre et problem i å oppstå. På kundesenteret møter du bots som ikke bare skjønner hva du skriver, men om du er forbannet, tålmodig eller lei. Og de bruker AI når de rekrutterer; når de søker gjennom store databaser etter mennesker som matcher skillsets knyttet til forskjellige roller eller lager spørreundersøkelser som skal plukke ut en bestemt type medarbeidere.

Cisco sitt AI og ML-arbeid

Eksemplene er mange og du kan lese mer om Cisco sitt AI og ML-arbeid her og i dette White Paper'et. McKinsey har funnet frem og analysert flere hundre i dette arbeidsnotatet. Og hvis du lurer på hvilke bøker Bill Gates anbefaler om temaet, kan du lese denne artikkelen fra Quartz.

Er din digitale grunnmur klar for digitalisering, kunstig intelligens og maskinlæring?

Tags: Digitalisering

Kontakt oss: Ønsker du å ta en prat med oss?