Artificiell Intelligens – en introduktion

Så funkar det, och så skapar du värde med AI idag.

En del väntar på de helt självlärande superintelligenta systemen. Andra gräver där de står och i det data de har – för att skapa något som faktiskt skapar värde redan idag. Här följer en lägesbild av utvecklingen inom, och möjligheterna med, Artificiell Intelligens som vi på Sopra Steria ser på dem.

Idag är Artificiell Intelligens, AI, ett av de områden som det dröms, diskuteras och debatteras mest om, överallt i samhället. Många vänder blickarna mot självkörande bilar och visioner om autonoma system och tänkande, kännande robotar. Andra förfasas över etiska och moraliska frågor som tar avstamp i frågan om maskiner kan få ett medvetande – och om de i så fall borde skyddas av rättigheter liknande de som människor har. Ett annat område som många funderar över är huruvida den Artificiella Intelligensen kommer göra oss alla arbetslösa? Vad blir människans roll när AI tagit över vårt värdeskapande?

Jag tänkte här inte fördjupa mig i dessa filosofiska frågor, utan ge min bild av hur vi definierar AI idag, vilken typ av metoder och modeller för AI som finns och fungerar – och vad du behöver göra idag för att kunna skapa värde för din verksamhet med AI imorgon.

 

Vad menar vi med AI?

På Sopra Steria definierar vi begreppet AI som ”Digitala system och maskiner som automatiskt löser uppgifter på ett sätt som vi människor uppfattar som smart”. Det lustiga med den här beskrivningen är att ”smart” ju snarare är en känsla och upplevelse än en vetenskaplig, teknisk definition. Dessutom är det en upplevelse som förändras över tid. Det som var imponerande smart för fem år sedan ser vi som självklarheter idag.

Begrepp som ”maskininlärning” och ”djupinlärning” används ibland som likställiga med AI. Vi ser emellertid dessa begrepp mer som metoder för att skapa och träna artificiell intelligens.

 

Vad kan du använda AI till?

När det gäller bästa sättet för dig att börja generera värde med AI är den första frågan att besvara vilket problem du vill lösa. Att välja en specifik typ av modell eller metod och leta efter ett användningsområde för den leder sällan till utveckling av användbara tjänster. Istället rekommenderar vi att du identifierar delar av din verksamhet där mycket mänsklig tid läggs på att utföra relativt enkla och repetitiva uppgifter. Styrkan i AI ligger i att lära en maskin att utföra dessa uppgifter så att dina anställda kan koncentrera sig på mer kreativa sysselsättningar.

 

Vilka typer av metoder finns det?

Man brukar prata om två breda grupper av metoder inom AI; övervakad och oövervakad inlärning. Vilken typ av metod man behöver beror på vilket typ av problem man ska lösa; man kan inte säga att en typ är mer avancerad eller bättre än den andra.

 

Övervakad inlärning

Övervakad inlärning är metoder där vi låter systemet träna med data där lösningen på problemet vi försöker lösa finns tillgänglig. Målet är att hitta en algoritm som tar som input variabler som finns tillgängliga även i ny data och kombinerar informationen i dem på det sätt som bäst förutspår lösningen. Till exempel kan problemet vara att uppskatta hur mycket hus i en viss stad är värda. Då utgår vi från data på hus som redan har sålts och som vi därför redan vet priset på och bygger en modell som använder variabler så som storleken, läget och åldern på det sätt som bäst förutspår priset.

 

Oövervakad inlärning

Oövervakad inlärning å andra sidan är metoder som används när lösningen på problemet inte finns tillgänglig i data. Det kan handla om att hitta samband eller att förenkla problem genom att reducera dimensionaliteten. Till exempel kan det vara så att vi har en undersökning som har gjorts med kunder med ett stort antal frågor om vad de tycker om tjänsten du erbjuder dem och vi vill veta vad det finns för underliggande teman i svaren. Kanske är det så att ett antal av frågorna reflekterar hur bra produkten är och ett antal andra handlar om priset och värdet för pengarna. Och när du har identifierat dessa teman kanske du vill gruppera kunderna utifrån deras svar så att du kan identifiera kunder som är nöjda med produkten men inte med priset, de som är nöjda med båda osv. Oövervakad inlärnings metoder kan hjälpa oss med båda stegen.

 

Kombinerade metoder

Inom AI används ofta båda metoderna för att lösa ett problem. Ta bildigenkänning som ett exempel. När vi använder AI för att känna igen registreringsnummer på bilar används övervakad inlärning eftersom ett stort antal bilder på registreringsskyltar och det faktiska numret matas in och tränar en modell som kan spotta ut numret om man bara har bilden. Men under ytan används också oövervakad inlärning för att identifiera vilka kombinationer av detaljerad pixeldata från bilden som kan betyda en fyra till exempel. På så sätt reduceras dimensionaliteten på problemet och förenklar den övervakade delen av problemet.

 

Vilka modeller används inom AI?

Inom maskininlärning finns ett stort antal matematiska modeller som kan användas för den typ av problem som vi redan diskuterat. Här kommer jag bara på en övergripande nivå beskriva tre som illustrerar olika stadier i AI-utvecklingen.

 

  1. Beslutsträdsbaserade modeller

Ett beslutsträd är en modell som används i övervakad inlärning och bygger på att stegvis dela upp datan i mindre delmängder baserat på utfallet i de relevanta variablerna för att i sista steget få en klassificering. Inom AI används nu sällan enkla beslutsträd (som har funnits sedan 80-talet) men modeller som bygger på det kombinerade resultatet av många beslutsträd är fortfarande relevanta. Den kanske mest välkända, men inte enda, av de här typerna av modeller är Random Forest som utvecklades på 90-talet. Idag används beslutsträdsbaserade modeller exempelvis för chatbots.

 

  1. Neurala nätverk

Neurala nätverk är inspirerade av hur biologiska hjärnor fungerar och lär sig. Artificiella neuroner eller noder tar till sig data som matas in och lär sig att klassificera ny data baserat på de exempel den redan sett. De underliggande modellerna för neurala nätverk började utvecklas redan på 40-talet, men det är inte förrän nu som de har börjat användas inom AI. Bildigenkänning av registreringsskyltar är ett exempel där neurala nätverk skulle kunna vara användbart.

 

  1. Djupa neurala nätverk

Djupa neurala nätverk är den nya generationen av neurala nätverk. Djupa neurala nätverk kräver mycket data och blir bara bättre ju mer data vi matar in. Här kan bilder till exempel analyseras i flera lager och ur alla aspekter. Är det en staty eller människa bilen ser framför sig? Hur snabbt rör den sig? Är den på väg åt mitt håll? Att snabbt och automatiskt besvara den här typen av frågor är väldigt viktigt när det gäller till exempel självkörande bilar.

 

Idag finns en tydlig utveckling mot att allt fler aktörer rör sig mot just djupa neurala nätverk. Denna trend är tydlig och möjliggörs först och främst av att vi får tillgång till mer beräknings- och lagringskapacitet för varje dag. De djupa neurala nätverken gör också att vi kan tillgodogöra oss mer historisk data än någonsin förr. Det skapar i sin tur snabbare och större värden för de som väljer den här modellen för AI-inlärning.

 

Skapa en strategi för datagenerering redan idag

En konkret slutsats och rekommendation till alla verksamheter som inte redan arbetat fram en strategi för datafångst och databearbetning är därför att göra det snarast. De stora potentiella konkurrensfördelarna ligger i att bygga sin AI runt eget data – och allra helst unika data. Allt fler väljer därför att utveckla nya idéer för attraktiva tjänster i syfte att generera just unik användardata. Data används sedan för att förbättra tjänsten och få användarna att skapa ännu mer data. Rätt hanterad blir data ovärderlig i skapandet av intelligenta system.

Hur ser du på Artificiell Intelligens, med alla de möjligheter och utmaningar den för med sig? Maila mig gärna på bjorn.leufstedt@soprasteria.com eller fyll i nedan formulär.

 

Inläggsförfattare är Björn Leufstedt på Sopra Steria:

 Björn Leufstedt, expert inom Data Analytics

Björn Leufstedt, expert inom Data Analytics på Sopra Steria.

 

Fyll i nedan formulär om du vill kommentera artikeln, veta mer eller bli kontaktad:

 

Sopra Steria är ett internationellt konsultföretag som är ledande inom digital transformation av medelstora och stora organisationer. Vår unika kombination av specialistkompetens inom både verksamhetsutveckling och IT ökar värdet på och användbarheten av våra kunders satsningar. I världen är vi mer än 42 000 medarbetare. 400 av oss finns här i Sverige. I Skandinavien är vi drygt 2000 medarbetare och omsätter 2,5 miljarder kronor.

Vår starka kultur bygger på samverkan och teamwork. Genom att dela med oss av vår kunskap och vår positiva kultur bygger vi långsiktiga relationer med både medarbetare och kunder. Vi levererar positiv förändring. Tillsammans.

Kommentera