Framtiden för AI ligger i samverkan mellan tekniker

Framsteg görs löpande inom flera olika AI-inriktningar, t.ex maskininlärning, datorseende, robotik, behandling av naturligt språk för text och tal (NLP), planering, optimering, kunskapsrepresentation, samt automatisat resonerande.

Många fascineras över att datorseende idag överträffar läkares förmåga att bedöma röntgenbilder, att djur- och människoliknande robotar kan göra volter och ha en balans som är bättre än de flesta, och att datorer både kan skriva dikter och utskilja hundar från katter med 98 procents träffsäkerhet.

Vad ska då inte vara möjligt om tio år?

– Det är klart att utvecklingen inom varje inriktning kommer att fortsätta, men man ska också komma ihåg att det är skillnad på att göra saker i labbmiljö och att ta sig an problem i verkligheten, säger Anders Holst.

– Ska man raljera lite så hjälper det inte process- och tillverkningsindustrin så mycket om AI kan urskilja katter och hundar med bildigenkänning med 98 procents träffsäkerhet. Två procents fel kan få katastrofala följder i en tillverkningsprocess. Det är en sak att lösa ett leksaksproblem på labbet, en annan att lösa verkliga problem som kräver domänkunskap för att se till att det löser rätt problem.

Olika tekniker har olika styrkor

I en dynamisk och komplex verklighet – särskilt när mycket står på spel och inget får gå fel, ta självkörande bilar som exempel – måste olika AI-tekniker samverka effektivt.

• Dataanalys och maskininlärning är bra på att analysera en situation och skapa en enhetlig bild av tillgänglig information.
• Planering och optimering kan behövas för att hitta den bästa åtgärden givet den identifierade situationen.
• Bildanalys behövs om man ska analysera bilder, språkanalys om man ska hantera mänskligt språk.
• Om domänen innehåller komplicerade regler, till exempel kontrakt, som AI-systemet behöver förhålla sig till, kan man behöva automatiskt resonerande.

Det är först när olika AI-tekniker kombineras som datorerna kan bli verkligt "intelligenta" och fungera i komplexa sammanhang, menar han.

– Intelligens är inte en enda förmåga utan flera. Om man jämför med den mänskliga hjärnan, så är inte den en homogen massa utan uppdelad i flera centra – synkortex, språkcentrum, motorkortex, sensorkortex, frontallober och så vidare – som ger oss språkförmåga, spatialt tänkande, abstrakt tänkande, motorisk förmåga, social kompetens. Om man bara hade en av dessa skulle man inte betraktas som ”verkligt intelligent”.

Utmanande att få olika AI-tekniker att samverka

– Att få de olika delarna att fungera tillsammans är inte heller alltid så lätt. Kunskapen om detta ”AI-klister” som hjälper olika AI-tekniker att samverka kommer också att bli viktigare de kommande åren, tror Anders Holst.

Ett sätt att förstå vad detta ”klister” kan vara rent konkret är att titta närmare på ett exempel: SMHI:s väderprognoser. Tv-meterologen kan säga ”Det blir sol i Stockholm i morgon”, och en förskolelärare kan lyssna på den prognosen och planera morgondagens utflykt. Processen är i detta exempel helt utan klister. Den fungerar bara så länge som det blir som meterologen har sagt.

– I själva verket kanske SMHI:s prognosmodeller visade 70 procents sannolikhet för sol, 15 procents sannolikhet för mulet väder, och 15 procents sannolikhet för regn. Om man kan få sannolikheter ur prognosen, och sedan få planeringen att ta hänsyn till dessa sannolikheter, så kan man få en bättre och robustare plan. I det här exemplet är sannolikheterna, och hur planeringen kan förhålla sig till dessa, det klister som möjliggör en planering som kommer att fungera i verkligheten.

Skillnad på systemnivå

Så vad har egentligen hänt med AI om tio år? Anders Holst ser hur AI:n då gör skillnad på systemnivå i exempelvis fabriker.

– Planering av produktion och underhåll kommer exempelvis att bli mer optimerat. Det mesta kommer att kunna göras mer dynamiskt, med analyser byggda på fler variabler. När är det exempelvis rätt läge att stoppa produktionen, hur länge, och vilka delar ska bytas ut? Idag sker det här efter ett förutbestämt schema, men AI kommer att kunna hitta rätt tidpunkter för produktion och underhåll med utgångpunkt i förväntade elpris, tillgång och pris på råvaror, och avgöra vilka kompressorer är läge att byta ut och så vidare.

– Vi kommer att ha se en ökad mängd autonoma system som hanterar alla möjliga uppgifter i industrin och samhället, som bygger på kombinationer av många olika AI-tekniker.