2. Kunstig intelligens DK
Dette er det bedste på markedet: Pepper the Robot
Pepper the Robot er programmeret til at genkende menneskelige følelser gennem ansigtsudtryk. Det bruges i butikker og kontorer til at tage beskeder, ‘chat’ med mennesker og lydmeddelelser.
Brug af AI
En nylig global forbrugerundersøgelse afslørede, at kun 34% af forbrugerne mener, at de bruger en AIenabled-enhed eller -tjeneste, mens 84% faktisk bruger AI-teknologi.
Nogle af de største aktører i AI-branchen er de nuværende gigantiske teknologiselskaber: Google, Facebook, Microsoft, Baidu, Alibaba, Amazon, Apple, Tesla, IBM og Deep Mind.
Men hvad er AI nøjagtigt?
AI-Baseret i spørgsmål
Spørgsmål 1 – Kan computere ‘tænke’?
Spørgsmål 2 – Kan computere ‘lære’?
Spørgsmål 3 – Vil computere nogensinde matche de kreative og kognitive evner i det menneskelige sind?
Kunstig
Noget designet, skabt, programmeret, lavet af mennesker
Intelligens
Dette er vanskeligere at gøre Definere.
Alsidig
AI dækker et stort område inden for datalogi, der er vokset så stort, at det omfatter mange discipliner, hvilket gør det vanskeligt at begrænse nøjagtigt hvad det er eller ikke er.
For eksempel blev kognitiv computere engang betragtet som en del af AI, da målene var så sammenflettet, men CC har siden gaffet sig til at blive sit eget videnskab.
Definition
“Maskinens evne til at efterligne intelligent menneske opførsel.”
Respons
Det er en måde at programmere maskiner eller computere til at udføre opgaver eller besvar spørgsmål med menneskelig intelligens. Ved at tage tusinder af datapunkter og indstille regler (en algoritme) til den problemløsningsproces, der er modelleret på menneskelige neurale netværk, kan AI give menneskelignende svar.
Indsigt i realtid
Da IBMs Deep Blue slog Grandmaster Garry Kasparov i 1997: tror du, at denne sejr betød, at Deep Blue var intelligent? Deep Blue var blevet programmeret (af et menneske) til at beregne 200 millioner mulige skakbevægelser et sekund og havde hukommelsen og processorkraften og hastigheden til at beregne milliarder af bevægelse permutationer.
Men det havde kun denne ene opgave – i den henseende var det et eksempel på, hvad vi nu kalder svag (eller snæver) AI. Svag AI er en af nøgledefinitionerne i datadrevet læring og analyse. Andre er:
Nøglebegreber
Stærk AI
Maskinintelligens, der følger de samme mønstre som menneskelig læring: slutresultatet er besiddelse af afrundet menneskelig intelligens
Svag AI
Svag AI har en tendens til at være maskinlæring fokuseret på at udføre en slags opgave. Svag AI er muligvis også simpelthen en intelligent algoritme, som er et sæt regler, som en computer følger for at løse et problem
Maskinlæring / Deep Learning
En type AI, hvor en computer automatisk kan lære og forbedre erfaringerne uden at blive programmeret. Maskinlæring er virkelig en række algoritmer, der giver computeren mulighed for at lære. En algoritme ser på dataene og træffer derefter forudsigelser og beslutninger baseret på denne information
Algoritme
Et sæt trin, der følges for at løse et matematisk problem eller for at afslutte en computerproces.
Nøglebegreber
Tale genkendelse – En computers evne til at identificere menneskelig tale og reagere på den.
Natural Language Processing- En computers evne til at forstå menneskeligt talt og skriftligt sprog.
Tingenes internet – Forbindelse via internettet af computerenheder, der er integreret i hverdagens genstande, så de kan sende og modtage data.
AI-effekten
Forekommer, når noget, der er AI, bliver en så standard del af vores oplevelse, at vi ikke længere tænker på det som AI. For eksempel blev talegenkendelse, GPS-kort engang betragtet som en væsentlig del af AI. I dag virker det temmelig normalt.
EVOLUTION AF AI
1997
Super computing
IBMs Deep Blue v Garry Kasparov:
2011
Super computing
IBM’s WATSON
vinder Jeopardy!
2015
Maskinelæring
AlphaGo slog Fan Hui (1981–), den europæiske Go-mester. AlphaGo er en AI designet af DeepMind, et firma, der nu er en del af Google. Go er et gammelt strategispil opfundet i Kina for mere end 2.500 år siden! Reglerne er enkle. To spillere skiftes rundt om at lægge sorte og hvide sten på et bræt. Hvis stenen i den ene farve er omgivet af den anden farve, tages stenen fange.
Den spiller, der fanger flest fanger og territorium på bord vinder. Selvom det lyder enkelt, er Go meget mere kompliceret end skak. I skak er der 20 mulige åbningsbevægelser. På et Go-bord har den første spiller 361 mulige træk!
2017
Deep Learning
Den nyeste version af Goplaying AI, kaldet AlphaGo Zero, lærte at spille spillet bare ved at spille mod sig selv!
EKSEMPEL – AI I HANDLING – IBM WATSON
Watson Imaging Clinical Review forbedrer stien fra diagnose til dokumentation og eliminerer datalækager forårsaget af ufuldstændig eller forkert dokumentation. Dette innovative kognitive AI-dataregistreringsværktøj understøtter nøjagtig og rettidig klinisk og administrativ beslutningstagning ved:
- Læsning af strukturerede og ustrukturerede data
- Forståelse af data for at udtrække meningsfuld information
- Sammenligning af kliniske rapporter med EMR-problemlisten og registreret diagnose
- At give brugerne mulighed for at indtaste de korrekte oplysninger tilbage i EMR-rapporterne
AI v Machine Learning
- AI på trods af al retorik koger virkelig ned for at være et computerprogram eller sæt af algoritmer, der gør noget tilsyneladende smart. Det kan være en enkel videnbaseret agent med et sæt regler.
- Konsensus og generel tro er, at maskinlæring er en undergruppe af AI. Desuden bygger videnskaben algoritmer, der gør det muligt for maskiner at lære at udføre opgaver ud fra data, som de behandler eller hente selv, i stedet for at blive eksplicit
- Derfor er målene med maskinlæring at reducere mængden af forudbestemt viden, der tildeles en agent, og at lade agenten lære om sit miljø selv gennem den løbende vurdering af dataene, de befalinger, den modtager gennem sine egne
- I det sidste årti har maskinindlæring produceret en oversvømmelse af anvendte AI-applikationer et ekstremt begrænset omfang af intelligens – såsom software-robotter, som manifesterer sig som chatbots, webbots, interaktive stemmegenkendelsessystemer (IVR) og automatiseret software, der udfører gentagelsesopgaver med stort volumen som lønningslister, regnskab, økonomi, ordrestyring og HR i forretning og lån, fordringer og realkreditgodkendelser i
- Mange af os også af os har Siri, Alexa, Google Assistant eller lignende på vores telefoner eller i vores Disse enheder gemmer de data, vi leverer dem, analyserer dem gennem algoritme-baserede processer og anvender maskinlæring og enkel mønster-matching for at forudsige vores opførsel: film, musik, vi måske kunne lide osv.
- Disse enheder interagerer med andre ‘smarte’ enheder gennem IOT-sensorer: lys, husholdningsapparater, ure, biler osv.
EKSEMPEL – VIRKSOMHED ANVENDELSE AF MASKINLÆRING
SonarHome, Polen https://www.facebook.com/sonarhomepl/
SonarHome er en start-up, der fungerer i iBuying-modellen (øjeblikkeligt køb), som giver mulighed for hurtig og bekvem salg af lejligheder. Denne forretning er baseret på platformen, der takket være maskinlæring og Sonar Home-analyse muliggør hurtig ejendomsvurdering. Data om lokalisering, størrelse og juridisk status konfronteres med data fra populære polske ejendomstjenester ligger OLX eller Otodom. Efter at have fået værdien, kontrollerer SonaHome-repræsentanten ejendommen og forhandler den endelige pris. Derefter køber SonarHome ejendommen og forbereder den til salg. Det koster 6 til 10 procent provision for tjenesten med at fremskynde salgsprocessen.
Kilde: Sonar Home. Technologiczny klucz do mieszkań , Forbes, Listopad 2019
EKSEMPEL – KOMMENDE AI-VIRKSOMHED
Voice Lab AI, POLEN https://www.voicelab.ai/
Voice Lab AI er et polsk firma, der beskæftiger sig med behandlingen og forståelse af tale. Virksomheden udfører forskning og udvikling, skabelse af nye algoritmer baseret på kunstig intelligens.
En af de største investorer i Voice Lab AI understreger den afgørende betydning af at indsamle data i form af samtale. For at udvikle AI, som vil være i stand til effektivt at behandle og genkende, er der brug for en enorm mængde data. Stemmen optaget fra radioen er ikke nok.
For at lære AI’en at genkende stemmen kræves mange timers samtaler, der adskiller sig i transkription, stemme og baggrundsstøj. For at forstå omfanget af dataene er det værd at nævne, at Google bruger 20 tusind optagelser til at udvikle sit eget system.
Kilde: Czarno na białym. Rozmowa z Jackiem Kawalcem, Forbes. 01/2020
DYBT LÆRING
- Deep learning er en specifik maskinlæringsalgoritme, som automatisk lærer funktioner ved at anvende et neuralt netværk til at gøre det. Det er anvendelsen af dybe kunstige neurale netværk, der indeholder mange
- EN neuralt netværk kaldes sådan, fordi computere på et tidspunkt i historien forsøgte at modellere hjernen i Det endelige mål er at skabe en “kunstig generel intelligens”, et program, der kan lære alt, hvad du eller jeg kan lære.
- For tiden er neurale netværk meget gode til at udføre entalsopgaver, som klassificering af billeder og tale. I modsætning til hjernen har disse kunstige neurale netværk en meget streng foruddefineret
Kilde: https://machinelearningmastery.com/what-is-deep-learning/
- Hjernen består af neuroner, der taler med hinanden via elektriske og kemiske signaler (dermed udtrykket neurale netværk). Vi skelner ikke mellem disse 2 typer signaler i kunstige neurale netværk, så fra nu af siger vi bare ”et” signal overføres fra en neuron til en anden.
- Signaler overføres fra en neuron til en anden via det, der kaldes et “handlingspotentiale”. Det er en pigge i elektricitet langs cellemembranen i en neuron. Det interessante ved handlingspotentialer er, at enten sker de, eller så gør de det ikke. Der er ingen “i mellem”. Dette kaldes “alt eller intet” -princippet.
- Således kan vi tænke på, at en neuron er “tændt” eller “slukket”. (dvs. det har et handlingspotentiale, eller det gør det ikke)
- Hvad minder dette dig om? Hvis du sagde “digitale computere”, ville du have ret!
- Binær klassificering er perfekt til maskinlæringsalgoritmen til dyb læring – Kan muliggøre replikering af den mest dybe menneskelige oplevelse – ABSTRAKT TÆNK
“Kodet i de store, stærkt udviklede sensoriske og motoriske dele af den menneskelige hjerne er en milliard års erfaring om verdens natur og hvordan man overlever i den … Abstrakt tanke, er dog et nyt trick, måske mindre end 100 tusinde år gammelt. Vi har endnu ikke mestret det. Det er ikke alt sammen meget vanskeligt; det ser bare ud til, når vi gør det.”
– Hans Moravec, Mind Children (1988)
IoT: Internet of Things & IIoT: Industrial Internet of Things
IoT er kommet frem som en ny tendens i de sidste par år, hvor mobile enheder, smart transport, offentlige faciliteter og husholdningsapparater alle kan bruges som dataindsamlingsudstyr i IoT: Enheder ‘snak’ med hinanden og videresendes data – geografisk, miljømæssigt, logistisk.
IoT tilbyder en platform for sensorer og enheder, der sømløst kan kommunikere inden for et smart netværksaktiveret miljø, hvilket muliggør informationsdeling på tværs af platforme: et stort antal kommunikationsenheder er integreret i sensorenheder i den virkelige verden – og disse enheder fornemmer og transmitterer data ved hjælp af indlejret kommunikation enheder: Bluetooth, Wi-Fi, GSM, RFID.
Over 50 milliarder enheder forventes at blive tilsluttet i 2030 med det store marked drivere er: Internetorienteret (sky), sensorer og datastyring systemer (viden)
IoT Big data adskiller sig fra normale big data indsamlet med hensyn til egenskaber på grund af de forskellige sensorer og genstande, der er involveret under dataindsamling og komplikationer af hardware automatisering og indlejrede systemer: underlagt landskabets fysik – behov for hardware engineering og materialevidenskab.
Imidlertid kan implementering af IoT have store fordele for kommunikation og samarbejde, især i koncepter som Smart Cities, Smart Retail, Smart Aldring eller endda Super Connected hjem.
Det, der er nødvendigt, er den næste generation af big datateknologier, der kan udtrække værdien fra den enorme datamængde i forskellige formater ved at aktivere indsamling, opdagelse og analyse med høj hastighed. I forenklede termer betyder det, at forretningsmulighederne ligger i: datakilder, dataanalyse, især realtidsanalyse og præsentation af resultaterne – styringssystemerne og rapporteringsværktøjer til data.
Disse big data-analyser kræver alle mulige teknologier og værktøjer, der kan omdanne en stor mængde strukturerede, ustrukturerede og semistrukturerede data til mere forståelige data og metadataformater til analyse: algoritmer er nødvendige for at analysere mønstre, tendenser, sammenhænge osv. Over en forskellige tidshorisonter.