Whitepaper

AI och Machine Learning

AI (Artificiell Intelligens)

Artificiell Intelligens har diskuterats redan på 1950-talet när de första stordatorerna såg dagen ljus. När kan en dator betraktas som smartare än en människa? 1997 möte dåvarande världsmästaren i schack, Gary Kasparov, IBMs dator ”Deep Blue” och förlorade. Redan tidigare hade sådana här människa-dator-tävlingar arrangerats, men detta blev första gången en dator lyckades besegra en världsmästare.

Är det då detta i menar med AI-revolutionen? Nej, egentligen inte. Det handlar inte om att datorerna ska ta över, utan om hur det går att använda logik för att komma fram till bättre underbyggda beslut.

Det första AI-systemet jag var med och konstruera var i slutet av 1980-talet, då vi med hjälp av ett enklare verktyg för AI konstruerade ett system för en butik som sålde skidor där man skulle få hjälp med att välja lämplig alpin utrustning.  Genom att användaren succesivt fick svara på frågor om längd, vikt, hur duktig man ansåg sig som skidåkare, typ av skidåkning m.m. kunde efterhand olika utrustning avföras för att till slut rekommendera ett till tre olika förslag. AI-lösningen syftade till att understödja ett beslut, där det slutliga valet var ett personligt val. Vi kallade heller då inte detta för AI, utan för ett expertsystem. Ett system som vet något om ett visst område som man kan fråga till råds.

Ett AI-system som blir tillräckligt underbyggt med grundläggande information kan ge bättre och bättre beslutsunderlag. Om man också vill överlåta beslutet till datorerna, är en separerad fråga. Det finns givetvis domedagsprofeter som exempel Stephen Hawking som sagt ”Utveckling av fullständig artificiell intelligens kan innebära slutet för mänskligheten”.

Kunskapsbaserade system och Data Mining

Expertsystem eller kunskapsbaserade system (KBS = Knowledgebased Systems) kan ses som en inriktning inom AI. Syftet är att utnyttja datorns förmåga att analysera stora datamängder. Ett begrepp som då används är datautvinning (Data Mining). Även översatt till databrytning.

Datautvinning avser en process där man söker efter ny kunskap om ett givet ämne baserat på ett behov att först analysera stora datamängder. I själva Data Mining processen ingår tekniker för dataurval, ”tvättning” av data, mönstermatchningstekniker och rapportering & visualisering. Processen kan delas upp i följande steg:

 

Inom Data Mining förekommer ett antal data Mining tekniker (algoritmer).  Några av dessa är:

 

Teknik Beskrivning
Neurala nätverk Teknik där  mönster söks i delar av datamängd som sedan kan användas på all data. Se mer om neurala nätverk nedan.
Beslutsträd Ett strukturellt träd med beslutsnoder
Fussy logic Innehåller inte bara ja och nej logik utan även dimensioner som ”kanske”eller ”troligen
Genetiska algoritmer
Linjär regression Statistisk teknik för att söka relation mellan två kontinuerliga variabler
Logistisk regression Som linjär regression men variablerna är ej kontinuerliga utan åtskilda.
CBR (Case Based Reasoning) Nya problem matchas med fall från historisk databas. Algoritmen lagrar lösningar som sedan kan användas vid för att lösa nya problem.

 

Även om AI och Machine Learning är nya områden så har vi på Human IT etablerat kunskap inom området så hör gärna av er.

Vill du veta mer? – Kontakta oss

Markus Närenbäck
Human IT Sverige
+46 708 51 36 11