AI i vardagen – och tekniken bakom

Den värld du lever i skulle en gång i tiden ses som ren science fiction. AI är integrerat i nästan allting. Här är bara några exempel på hur den artificiella intelligensen har flyttat in i vår vardag:

• När din mobiltelefon upplyser dig om att bilresan tar 25 minuter i rådande trafik, och när du på vägen blir föreslagen att köra en alternativ väg på grund av en olycka
• När ditt digitala fotoalbum klassificerar dina bilder åt dig
• När Netflix inte bara föreslår filmer och serier som borde falla dig i smaken, utan även skräddarsyr ”omslagsbilden” på dessa för att locka dig mer
• När du frågar Siri eller Google-assistenten hur vädret ska bli, och du automatiskt får en prognos för dagen anpassad för orten du befinner dig på – utan att du uttryckligen sagt var du befinner dig eller att det är en prognos för just i dag du vill ha, inte för morgondagen
• När ditt Visakort tillfälligt spärras automatiskt vid avvikelser i dina köpbeteenden
• När du googlar och snabbt hittar en sida som ger dig det du behöver –medan din kollega eller partner skriver in samma sökfras och får upp hela andra sidor i sökresultatet
• När du säger något till Google Translate på vilket språk som helst, och detta översätts i realtid till vilket språk som helst, i form av text eller tal
• När du slipper spam i mejlkorgen
• När du åker med ett självkörande fordon
• När du och tusentals andra handlar på nätet och en kedja av logistiska processer sätter igång i bakgrunden; alltifrån automatisk sortering av paket till optimering av rutter
• När robotdammsugaren sköter städningen på egen hand
• När du skickar in en uppsats och ser ett meddelande av typen ”det här ser ut att vara ett plagiat”
• När du låser upp din mobiltelefon med ditt fingeravtryck eller ansikte
• När du kollar upp en ny jacka på webben, och sedan förföljs med annonser på just den jackan på både Instagram, Facebook och bloggar efteråt tills du antingen köper jackan eller ignorerat annonserna tillräckligt länge.
• När du har dialoger med chatbotar online

Som sagt, bara ett axplock.

Hur är allt det här möjligt?

Datorernas ”intelligenta beteende” kan ses som en förmåga att korrekt tolka data, lära sig från data och använda de inlärda kunskaperna för att genomföra specifika uppgifter. Wikipedia definierar artificiell intelligens (AI) som ”förmågan hos datorprogram och robotar att efterlikna människors och andra djurs naturliga intelligens, främst kognitiva funktioner såsom förmåga att lära sig saker av tidigare erfarenheter, förstå naturligt språk, lösa problem, planera en sekvens av handlingar och att generalisera”. För att komma dit krävs en mängd olika tekniker.

Snabbguide till AI-tekniker som används i vår vardag

Supervised vs unsupervised learning

Man brukar särskilja på AI som lär sig utifrån stora mängder kategoriserad data – det vill säga att människan på ett eller annat sätt haft ett finger med i spelet – och AI som identifierar mönster helt på egen hand. Det första kallas "supervised learning", det andra "unsupervised learning".

– Öppna frågor, som att exempelvis förstå olika kund- eller användarbeteenden, kan angripas med båda ansatser, säger Peter Ljungstrand, senior researcher på RISE och förklarar skillnaden:

• En unsupervised ansats har inga förutfattade meningar alls om vilka kundkategorier som existerar. Den försöker istället identifiera ett antal meningsfulla kluster, ansamlingar av kundbeteenden som påminner om varandra på ett eller annat sätt, inom den data som finns tillgänglig.
• Vid supervised learning utgår man från uppmärkt historisk data och exempel som betraktas som relevanta och typiska för olika grupper av kunder. Systemet tränas att klassificera en ny kund till att passa in i någon av dessa kategorier (med en viss sannolikhet).

– Vid supervised learning gäller det att vara medveten om risken att medvetna eller omedvetna ”fördomar” för över till AI-modellen genom träningsdatan.

Ett exempel på hur fel det kan bli är när Amazon under 2014 använde historisk data för att lära upp en AI-modell att vaska fram de bästa jobbkandidaterna. Med 60 procent män i företaget, drog AI:n slutsatsen att män är att föredra och nedgraderade kandidater som i sina CV:n inkluderade ord som "women's", till exempel när en jobbsökare varit "woment's chess club captain".

Collaborative filtering

Collaborative filtering är en metod för att automatiskt förutse potentiella intressen hos en enskild användare genom att samla preferenser från andra, liknande användare. Till exempel bygger rekommendationssystem typiskt sett på collaborative filtering-tekniker.

Ditt tittande på YouTube, lyssnande på Spotify eller Netflix-konsumerande placerar dig i olika persona-grupperingar utifrån en mängd parametrar; vad du har tittat på tidigare, var du befinner dig, hur gammal du är och så vidare. Ungefär så här kan det se ut: 90 procent av dem som tittat på tv-serien The Queen’s Gambit, bor i Stockholm, är man och är i åldern 40-50 år, ser också tv-serien ___, så därför borde du gilla den.”

Kunskapsrepresentation

Om du frågar Alexa hur gammal Gustav Vasa var när han dog, är svaret enkelt då det bara finns ett svar på frågan. Men om du frågar vad det ska bli för väder, så måste Alexa själv räkna ut att du förmodligen menar ”idag” och att du menar platsen du befinner dig på.

– Datorn behöver förstå den underliggande intentionen, och ofta är då kunskapsrepresentation en del av lösningen. Om du ber Alexa att läsa upp en dikt, väger den in vem du är och vilken typ av dikt som kan passa dig utifrån sammanhanget. Den behöver dissikera intentionen.

Behandling av naturligt språk (NLP)

Datorerna har plöjt igenom enorma mängder text och tal, alltifrån Wikipedias kompletta innehåll på alla språk, och i Sverige alla texter på Kungliga Biblioteket (allt som tryckts i Sverige sedan år 1661). På så sätt har AI lärt sig språk så till den grad att den inte bara kan översätta det du skriver  eller talar in i Google Translate, utan den kan även göra egna sammanfattningar av texter, och till och med skriva dikter. AI kan även förstå vad mejl handlar om för att sedan skicka vidare till rätt person i en organisation.

Deep learning

 “Deep learning” med neurala nätverk drar nytta av dagens mycket stora tillgängliga datamängder och beräkningsresurser. Gör att datorer kan besegra både dig och världsmästarna i schack och Go, och dessutom hjälpa forskare  att få fram nya läkemedel från idé till de första kliniska prövningarna på mindre än 12 månader jämfört med 4-5 år tidigare.

Datorseende

Med datorseende får robotdammsugare och självkörande fordon koll på omgivningen. AI kan även titta på röntgenbilder och utifrån vad den ser göra korrektare bedömningar än enskilda läkare. Den kan också känna igen ditt ansikte, vilket är det första steget för att låsa upp mobiltelefonen med ansiktsigenkänning, eller för att automatiskt sortera bildalbumet. Seendet behöver förstås en process för AI-analys i kulisserna som kan tolka informationen, annars blir det ”bara” perception.

Planering (och schemaläggning)

Automatiserad planering är den delen av AI som avgör vad som ska göras i en viss situation. När en olycka inträffar på vägen till jobbet, vilken väg ska du föreslås att köra som alternativ? Och om misstänkta inköp görs på ditt Visakort, vad ska göras då?