Fire herskende trends inden for kunstig intelligens
Kunstig intelligens (AI) er en af de teknologier, der har størst potentiale for at skabe ændringer i vores liv og samfund.
Teknologisk Institut præsenterer her fire herskende trends inden for kunstig intelligens, som vi kommer til at se meget mere af i fremtiden.
1. Reinforcement learning
Et område, der virkelig har fart på, er reinforcement learning.
Her giver man systemet et problem, som det skal forsøge at løse. Undervejs tester systemet forskellige måder, det kan løse problemet på, og bliver belønnet alt afhængig af, hvor godt det udfører opgaven.
Selv om reinforcement learning er et forholdsvist gammelt felt, der stammer helt tilbage fra 70'erne, så er det også det felt, der har den største udvikling lige nu.
Det har fået en genoplivning, efter at deep learning er kommet til, fordi kombinationen af de to har skabt helt nye muligheder for, hvad vi kan bruge kunstig intelligens til.
Reinforcement learning bruges typisk til opgaver, hvor robotten skal interagere med den virkelige verden. Det kan for eksempel være en skrueproces, hvor robotten selv udforsker, hvor hurtigt skruen skal skrues på og prøver sig frem, indtil den har fundet det rette tempo og den rigtige styrke.
2. Generativ modellering
Måske har du hørt, at data er dyrt at anskaffe? Det er en sandhed med modifikationer.
Rå data kan være billigt at skaffe, og det er ikke kameraet eller det at tage billederne, der er dyrt. Men det er dyrt at have et menneske til at markere på samtlige billeder, hvad der var godt, og hvad der var skidt.
Derfor bruger man i højere grad generative modeller, som er en effektiv måde at lære enhver form for datadistribution på, til kunstigt at øge datagrundlaget fra relativt få eksempler.
Metoder inden for dette felt var tidligere domineret af Boltzmann Machines, men har siden 2014 set en enorm udvikling hovedsageligt grundet "Generative Adversarial Networks (GANs)".
3. Deep learning til inspektion
Det er ikke et nyt område, men derimod et område, der bliver eksperimenteret med i høj grad på nuværende tidspunkt, og som vinder mere indtog, ift. hvad vi tidligere har set med klassifikation.
Med deep learning kan man lave visuelle inspektioner inden for f.eks. sundhedsområdet i forbindelse med at detektere brystkræft hos kvinder, eller inden for industriområdet i forbindelse med detektion af revner i broer eller andre facader.
4. Mangel på reproducerbarhed er en bremseklods
Det sidste punkt er også en trend og omhandler en generel problemstilling på tværs af alle felter inden for kunstig intelligens: Det er omstændigt at reproducere videnskabelige resultater inden for kunstig intelligens.
Det skyldes i høj grad, at de tilfældige processer ikke bliver rapporteret, så man ikke kan verificere, at de ting, der bliver produceret, rent faktisk er sande.
På den måde ved vi ikke, om vi kan bruge forskningen til videreudvikling, og det gør det endnu sværere at tage viden fra forskning til anvendelse ude i industrien.
Derfor arbejder Teknologisk Institut aktivt på at skabe værktøjer, der netop kan forbedre reproducerbarheden af resultater.