Artificiell Intelligens, eller förkortat AI, är ett begrepp som används allt oftare. Från att ha varit en ingrediens i domedagsorienterade filmer och kreativa framtidsvisioner om kylskåpen som beställer mat, har vi nu intelligenta system omkring oss i allt fler och allt vardagligare sammanhang, dolt i våra telefoner, bilar och andra ting. Definitionen är oklar och det saknas en tydlig samlad bild av vad AI är. Definitionen förändras dessutom över tid. För några årtionden sedan ansågs en del avancerade algoritmer och statistik med avancerade regressionsanalyser som artificiell intelligens, men är helt enkelt datavetenskap och avancerad statistisk analys idag. Ett sätt att se på AI är utifrån två nyckelbegrepp – Autonomi och Adaptivitet. Autonomi = Förmåga att uträtta uppgifter i komplexa miljöer utan ständig styrning av användaren och Adaptivitet = Kapaciteten att förbättra sin prestationsförmåga genom att lära sig av erfarenheter. System med hög nivå av autonomi och adaptivitet har en hög grad av artificiell intelligens.
Den 18 mars höll Masarins seniorutvecklare Håkan Wiklund en online-föreläsning om maskininlärning och neurala nätverk. Han berättade om och praktiskt demonstrerade egen mjukvara med neurala nät som lärde sig utifrån olika strategier. Det neurala nätverket är bäraren av den komplexa logik som är nödvändig när vi vill bygga modeller med hög grad av autonomi och adaptivitet och där komplexiteten i problemet är för stor för en programmerare att definiera styrlogiken till. Maskininlärningen hjälper till med adaptivitet, att kunna anpassa sin logik efter varierande förutsättningar, och att initialt träna ett otränat nätverk att lösa en tydlig uppgift. För att träna algoritmerna kan man låta datorn prova sig fram på egen hand utifrån regler om önskade utfall. Ofta används dock data relaterat till uppgiften som samlats in i förväg. Man kan med andra ord få datorn att utföra uppgifter som den inte direkt har programmerats för att utföra och som vare sig programmerare eller verksamhetsexperter kan definiera logik och regler för.
Att följa en guide som beskriver hur man modellerar, tränar och använder ett neuralt nätverk är inte så svårt. Men om man utgår ifrån en uppgift och behöver skapa och träna ett neuralt nätverk att utföra uppgiften så blir det genast svårare. Då behöver man förstå det neurala nätverkets uppbyggnad och dess karaktäristiska egenskaper. Det var kärnan i föreläsningen.
Är du också intresserad av artificiell intelligens och vad som går att göra med neurala nätverk och maskininlärning? Kontakta Håkan eller Niklas så berättar dom mer om möjligheterna, och passa på att testa lite själv. Här följer några intressanta länkar till sidor som visar på användningen av AI:
https://lecture-demo.ira.uka.de/neural-network-demo/
http://myselph.de/neuralNet.html
https://teachablemachine.withgoogle.com/train
https://modeldepot.github.io/tfjs-yolo-tiny-demo/
