Indhold
- Hvordan fungerer denne applikation af AI?
- Hvad er maskinlæring?
- Sådan fungerer maskinlæring
- Big Data og maskinlæring
- Hvad er anvendelser af maskinlæring?
- Er maskinlæring AI?
- Begrænsningerne i maskinlæring
Hvordan fungerer denne applikation af AI?
Maskinindlæring tillader computerprogrammer at udføre nye opgaver uden eksplicitte instruktioner fra udviklere. Her er hvad maskinlæring er, hvordan det relaterer til kunstig intelligens (AI), og eksempler på dets brede anvendelser.
Hvad er maskinlæring?
Maskiner har traditionelt været afhængige af algoritmer eller sæt instruktioner til at udføre specifikke opgaver. Maskinlæring involverer computere, der bygger på tidligere erfaringer for at komme med forudsigelser og formulere nye løsninger på problemer med minimal menneskelig input. F.eks. Bruger websteder på sociale medier som YouTube maskinlæringsalgoritmer til at sammenlægge indhold baseret på dine personlige interesser.
Sådan fungerer maskinlæring
Ligesom mennesker lærer maskiner af erfaring. Også som mennesker lærer de på forskellige måder. Nogle algoritmer til maskinlæring er afhængige af prøve og fejl, mens andre trækker på baggrund af mønstergenkendelse. Mange AI-agenter bruger flere typer læringsalgoritmer til at tage beslutninger og udtænke planer for at nå mål.
Et eksempel på maskinlæring, som folk stoler på hver dag, er stemmeassistenter som Alexa og Google Assistant. Disse virtuelle assistenter bruger en teknik kaldet naturlig sprogbehandling, eller NLP, til at forstå og svare på stemmekommandoer på hundreder af sprog. Computere kan endda oprette deres egne sprog ved hjælp af den samme teknologi.
Hver gang du taler med en virtuel assistent, bruger den dataene fra din interaktion til at forbedre dens egne stemmegenkendelsesegenskaber. Disse oplysninger uploades til internettet og deles til fordel for alle brugere.
Big Data og maskinlæring
Maskinlæring er ikke noget nyt, men stigningen i big data har bidraget til de nylige fremskridt i AI. Nu hvor virksomheder kan indsamle og analysere store mængder data i skyen, er det muligt at skabe stærkt personaliserede brugeroplevelser. For eksempel bruger streamingtjenester som Netflix maskinlæringsalgoritmer til at anbefale film og tv-shows baseret på din visningshistorik.
Hvad er anvendelser af maskinlæring?
Andre eksempler og anvendelser af maskinlæring inkluderer:
- Banker: Banker bruger algoritmer til maskinindlæring til at opdage svig baseret på dine forbrugsmønstre.
- Kunde service: Mange virksomheder bruger smarte assistenter til at levere online kundeservice.
- Autonome biler: Selvkørende biler bruger forskellige maskinlæringsteknikker til at navigere i veje.
- Videnskabelig undersøgelse: Maskinlæringsalgoritmer kan bruges til at udføre hurtig videnskabelig test til udvikling af medicinske behandlinger.
- Spil: Computere er blevet trænet til at mestre brætspil som skak og endda videospil som Dota 2.
Er maskinlæring AI?
Definitionen på kunstig intelligens er ændret gennem årtier. Kunstig intelligens kan forstås som maskiner, der udfører opgaver, som kun mennesker kan udføre, så når en maskine først kan gøre noget, tæller den ikke længere som intelligens. Dette fænomen kaldes AI-effekten. Computer videnskabsmand Douglas Hofstadter berømte observerede, at "AI er hvad der endnu ikke er gjort."
I de senere år har hurtige fremskridt inden for maskinlæring imidlertid resulteret i computere, der kan overgå mennesker i stadig mere komplekse kognitive opgaver. Indtil videre har maskinlæring været begrænset til specifikke mål forudbestemt af mennesker, men en computer, der er i stand til alt, hvad et menneske kan gøre, kan en dag blive en realitet.
Begrænsningerne i maskinlæring
Mens maskiner, der kan omprogrammerer sig selv, er langt i fremtiden, er det værd at overveje de sociale implikationer af maskinlæring og AI i den virkelige verden.
Ligesom mennesker har computere iboende forudindtægter baseret på tidligere erfaringer, så de er lige så i stand til forskelsbehandling. Desuden skal programmører, der designer maskinlæringsalgoritmer, være opmærksomme på deres egne partier. Undervisningsmaskinernes moral vil være markant mere udfordrende end at lære dem matematisk resonnement.
