Tågede forkortelser og definitioner er der nok af på internettet og i vores vilde hverdag, men vi skærer hypede begreber ind til benet. Kom med og bliv klogere!
Lad os få en ting på plads med det samme - hvis du tror at du skal til at læse om deciliter- og millilitermål, så er du havnet det forkerte sted! Hvis du derimod vil prøve at forstå begreberne Machine Learning, Artificial Intelligence og Deep Learning, så skal du blot læse videre.
Vi hører ordene nok i hverdagen blandt forskellige medier, men vi glemmer hvad det er vi egentlig snakker om. I stedet bliver det sådan nogle store "fluffy" begreber, som alle bruger men ingen forklarer. Og når nu alle ser ud til at være helt indforstået med ordenes betydning, så vil man langtfra være drengen der råber, at kejseren slet ikke har tøj på.
I virkeligheden er der nok også en del som tror at de har styr på betydningen, men hvor det viser sig, at de i virkeligheden ikke har sat sig helt ind i sagerne. Hvordan hænger de 3 begreber egentlig sammen? Hvori er forskellene?
Se bare her!
Artificial intelligence har længe været et af de hotteste ord i filmindustrien. Det er mennesket mod maskinen i film som Camerons Terminator, Proyas I, robot og Spielbergs A.I. - Artificial Intelligence fra start 00'erne. Her har robotterne ikke blot menneskelige evner, de ligner os endda og er en trussel for at erstatte os.
Artificial intelligence hedder på dansk kunstig intelligens, hvilket også er hvad teknologien er. AI bygger nemlig på menneskelige egenskaber som evnen til at forstå sprog, genkende lyde og objekter samt at lære. Men HVOR meneskelige er de så egentlig?
I dag bruges kunstig intelligens i vores hverdag. Hvad fremtiden for AI bliver er der mange gæt på, men vi ved ikke hvordan udviklingen helt bliver, eller hvornår. Men i dag er de vores små hjælpere. Kunstig intelligens ses i form af digitale assistenter, skakcomputere og robotstøvsugere, endda spamfiltre er baseret på kunstig intelligens. Det er altså forholdsvis små former for intelligens, når vi sammenligner dem med den fiktive kunstige teknologi vi ser i Hollywood-filmene. Men AI kan ikke tænke abstrakt, da den netop bygger på tidligere erfaringer og korrektioner.
Kunstig intelligens er os overlegne når det kommer til komplekse og store mængder af data. Men når det kommer til sproglige og sociale evner, er teknologien stadig langt bagefter.
Machine learning (ML) er kort sagt et middel til at opnå AI. Man kan sagtens skabe kunstig intelligens uden machine learning, men det ville kræve millioner af kodning og regler for at få det hele til at spille sammen. I stedet for at bygge det hele op fra bunden, fodrer man maskinen med en stor mændge af data til algoritmen, og lader maskinen selv justere og forbedre sig over tid. Teknolgien er bygget på algoritmer og statistikker, og på baggrund af disse er maskinen i stand til at finde mønstre, lave forudsigelser og foreslå resultater.
Et eksempel på dette er computeres genkendelse af billeder. Her tagger mennesker forskellige billeder med og uden øl på, og på den måde "lærer" maskinen hvordan et billede med øl ser ud. Det er også teknologien bag dine Google billeder, der gør det muligt at du kan søge i mapperne efter bestemte billeder. Med løbende feedback fra os mennesker, bliver maskinen bedre ud fra tidligere erfaringer og resultater.
Man kan sige at i stedet for at fortælle præcis hvordan computeren løser problemet, giver man den de nødvendige redskaber til at løse det selv.
Det korte svar er ja. Uden machine learning ville teknologien bag AI være langt mere tilbagestillet og tung at bygge.
Deep learning (DL) er en metode til at opnå machine learning. Deep learning kan ikke bare sammenlignes med menneskets hjerne, men er faktisk bygget på hjernens strukturer. DL er netværk af data der arbejder sammen og er bygget fra lag til lag. Disse netværk består af flere dybe lag der gør læringen muligt og det er altså grunden til at metoden bliver kaldt dyb læring.
MEN husk på at input og output er det helt essentielle for at få det rigtige ønsket resultat. Det er mennesker der styrer processen, vi analyserer og giver de nødvendige input til at starte med, og det er sammenhængen mellem metode, input og formål der bestemmer om resultatet er rigtigt. Det er også mennesker der opdager fejlene til at begynde med. Tænk bare på Google Translate. Det er en maskine der er blevet langt mere effektiv og korrekt gennem de seneste år, men alligevel misforstår den stadig til tider ord eller sammenhængen, og det giver os et forkert resultat.
Deep learning gør kompliceret machine learning og AI muligt. Selvom AI bygger på menneskelig intelligens og DL bygger på processen bag menneskets hjerne, er teknologien ikke en komplet erstatning af mennesker, men ændrer og forsimpler i stedet for vores arbejdsproces og udvidder det mulige.
