Tech Blog

Vad är artificiell intelligens?

Den tekniska utvecklingen inom artificiell intelligens (”AI”) har uppmärksammats mycket de senaste åren och det går dagligen att läsa nya artiklar och ta del av nyhetsinslag om AI. Allt fler menar att den tekniska utvecklingen kommer att få stora konsekvenser, och såväl positiva som negativa scenarier målas upp.

De juridiska frågeställningarna som uppkommer runt AI är många. I en rapport som tagits fram av Microsoft och EY framgår att 75 procent av de tillfrågade företagen i Sverige som arbetar med AI ser regulatoriska frågor som den största risken vid användning av den nya tekniken. Resultatet beror sannolikt på att det i nuläget är oklart hur befintliga regler ska tolkas och tillämpas vid användningen av AI.

Regulatoriska frågor kopplade till AI är något som kommer att diskuteras löpande i den här bloggen. Syftet med detta inlägg är dock att mer generellt förklara vad AI är och kort beskriva dess historia och hur tekniken fungerar.

Historia

Människan har sedan länge diskuterat intelligenta maskiner som assisterar människor och utför uppgifter som normalt sett kräver mänsklig intelligens. Den moderna AI-forskningen inleddes på 1950-talet och forskningsområdet har sedan dess legat i gränslandet mellan flera traditionella vetenskapsområden – bland annat matematik, datavetenskap, lingvistik och neurobiologi. Inom den tidiga AI-forskningen utvecklades system som kunde lösa korsord och ordgåtor samt spela spel som schack och dam. Vad som uppfattas som AI har dock förändrats i takt med den tekniska utvecklingen, och det krävs numera att system löser allt mer komplexa uppgifter för att det ska klassas som AI-system.

Sedan den moderna AI-forskningens början på 50-talet har intresset för AI varierat. Efter de tidiga genombrotten, när det förutspåddes att en stor del av all mänsklig aktivitet skulle kunna automatiseras inom några decennier, stannade forskningen upp under 70-talet. Denna period, och liknande perioder senare, har kallats för ”AI-vintrar”.

AI-forskningen fick ny kraft på 80-talet, då så kallade expertsystem programmerades med utförliga regelsystem för att agera likt mänskliga experter inom olika områden. Denna våg följdes dock av en ny AI-vinter. Nya framsteg gjordes därefter i slutet av 90-talet, när exempelvis IBM:s dator Deep Blue lyckades besegra världens då bästa schackspelare, Garry Kasparov.

Det riktigt stora genombrottet för AI har dock kommit det senaste decenniet, bland annat tack vare den ökning av processor- och beräkningskraft som skett under lång tid. Tekniska tillämpningar av AI-teknik som tidigare mest varit teori blev plötsligt verklighet. Framgångarna har förstärkts ytterligare av att tillgången till data ständigt ökar. Efter dessa framsteg har det följt en stor ökning av investeringar och satsningar på tekniken, och såväl framstående företag som universitet tävlar om att ligga i framkant. Nya AI-lösningar gör det möjligt för nya aktörer att bygga vidare på den teknik som utvecklats, vilket bidrar till att utvecklingen i stadig takt accelererar.

Teknik och förmågor

AI är i sig inget enhetligt begrepp, men AI-området kan beskrivas som ”teorin om, och utvecklingen av, maskiner som byggs med intelligens för att utföra uppgifter som traditionellt sett har krävt mänsklig intelligens för att utföra”.

Det kanske viktigaste underbegreppet inom AI är maskininlärning (eng. machine learning). Maskininlärning innebär att AI-system lär sig i takt med att systemet exponeras för mer data och nya erfarenheter, i samband med inlärning. Som ett led i inlärningsprocessen kan systemet utifrån dessa erfarenheter ändra sitt beteende och sina programmeringsinstruktioner. Detta är en stor fördel jämfört med tidigare AI-system och datorprogram som krävt mycket utförliga instruktioner och programmering.

Den mest uppmärksammade tekniken för maskininlärning de senaste åren kallas djupinlärning (eng. deep learning). Djupinlärning bygger förenklat på att AI-programmet lär sig genom en struktur som simulerar neuronerna i den mänskliga hjärnan. Dessa avbildningar kallas artificiella neuronnät (eng. artificial neural network). Djupinlärning har först på senare år vunnit bred tillämpning i praktiken, mycket tack vare förbättrad processorkraft och tillgång till data som tydligt förbättrat resultaten när tekniken används. Med hjälp av denna utvecklade djupinlärning har exempelvis stora förbättringar skett inom bildigenkänning. Tekniken har även använts av Google DeepMind för att utforma ett AI-system som besegrat världseliten i det kinesiska brädspelet Go (Det finns fler potentiella brädkonfigurationer i Go än det finns atomer i universum). Tekniken är mycket komplex och det kan vara svårt att avgöra exakt hur ett djupinlärningssystem har fattat ett beslut eller kommit till en slutsats. Det brukar talas om att AI-system är en svart låda (eng. black box) eftersom det kan vara svårt att se och förstå hur systemet fungerar. Detta kan leda till att AI-system agerar oförutsägbart eller fattar oförutsägbara beslut. Om någon skadas till följd av att ett AI-system gjort något oförutsägbart kan det därför vara svårt att utkräva ansvar eller att rätta det fel som ledde till att skadan uppstod.

En central del av användningen av AI är träning och inlärning av system. Vid inlärning är det viktigt att bestämma hur ett system ska tränas, vilken typ av data som ska användas och hur mycket data som används. Beroende på om träningsdata kategoriseras eller inte talas det om övervakad eller oövervakad inlärning. AI-tekniker och system tränas på olika sätt beroende på inom vilket område AI ska användas. Exempelvis finns skillnader när AI-teknik ska användas för robotar, för förståelse och inlärning av språk (ofta benämnt naturlig språkbehandling, eller eng. natural language processing), vid prognoser och förutsägelser, vid beslutsfattande, vid bildigenkänning och vid bearbetning av och identifiering av korrelationer i stora mängder data (eng. big data).

Praktiska tillämpningsområden

De flesta personer använder sannolikt AI dagligen utan att tänka på det. AI-baserade system används exempelvis för att sortera e-post i inkorgen, för att ge rekommendationer på YouTube och Netflix, samt för att översätta text från ett språk till ett annat med hjälp av Google Translate. Andra exempel på AI i de flesta personers vardag är beteendebaserad reklam på internet, ansiktsigenkänningsprogram såsom Facebooks rekommendationer för att tagga vänner i bilder, navigeringsinstruktioner i kartapplikationer som föreslår en rutt baserat på faktorer som trafik och byggarbeten, samt röststyrda program som Apples Siri och Amazons Alexa.

AI-system används även flitigt av företag för att effektivisera och utveckla dess verksamhet. Leveransföretag använder exempelvis AI för att effektivisera packning av varor, sortering av paket samt för att planera mer effektiva leveransrutter. AI-system används inom flera sektorer, bland annat jordbruk, kundbemötande samt industri. Till och med på områden som juridik börjar AI-system göra stora framsteg. Eftersom AI-system kan utföra många uppgifter effektivare än människor och utan att bli trötta, är det inte ovanligt med diskussioner om risken för att AI-teknik i allt större utsträckning kommer ta över jobb som idag utförs av människor.

Tekniken utvecklas snabbt och nästa generations AI-system testas redan. Många stora företag arbetar exempelvis med att ta fram AI-system som kan användas inom hälso- och sjukvården. Flera företag arbetar även med att utveckla självkörande bilar – däribland Tesla, Uber och Volvo. AI-system för att granska avtal existerar redan, och till och med AI-system som jurister kan ställa juridiska frågor till och få svar av i realtid utvecklas. Gränsen för vilka problem som går att lösa med hjälp av AI sätts idag i många fall sannolikt vid gränsen för den mänskliga kreativiteten.

AI – var befinner vi oss nu?

I media talas det ofta om tänkande robotar och intelligenta maskiner. Trots att existerande AI-system kan utföra uppgifter på en hög nivå och visar vissa människoliknande tendenser finns det tydliga begräsningar i AI-systems kapacitet. Dagens AI-system kan rent generellt endast utföra uppgifter inom ramen för det område de programmerats för och i den miljö de tränats inom. Även avancerade AI-system som Google DeepMinds AlphaGo behöver programmeras om för att utföra andra uppgifter – exempelvis analysera testresultat och hjälpa läkare inom hälso- och sjukvården.

Experter talar om AI på tre nivåer. Dagens AI befinner sig på nivå 1 – ”artificial narrow intelligence” (”ANI”). AI-system på ANI-nivå kan utföra begränsade uppgifter under specifika förhållanden. AI-system på nivå 2 kallas ”artificial general intelligence” (”AGI”). AGI är AI-system som kan utföra flera uppgifter och på egen hand kan hitta lösningar på problem som ligger utanför det den tidigare stött på – precis som en människa. Ett AI-system på AGI nivå skulle exempelvis både kunna sortera epost och köra en bil samt hjälpa läkare analysera testresultat inom hälso- och sjukvården. På nivå 3 kallas AI-system för ”artificial super intelligence” (”ASI”). AI-system på ASI-nivå har förmågor som går utöver det människor är kapabla att uppnå. Hittills existerar inga AI-system på AGI- eller ASI-nivå.

Eftersom existerande AI-system inte kan anses tänka eller vara intelligenta är det viktigt att benämna dagens AI-system för vad de egentligen är – mjukvara. AI är avancerad och kraftig mjukvara, men det är inte mer än det. AI kan utföra vissa uppgifter snabbare och bättre än människor, arbeta oändligt många timmar och kan analysera större mängder information och data än vad människor kan. När ett AI-system programmerats att utföra en viss uppgift kan den ofta utföra uppgiften utan mänsklig inblandning. Sådana uppgifter kan även innefatta kreativa förmågor som att skapa konst, musik och kod. Vilka uppgifter som kommer att kunna utföras av AI i framtiden, och hur detta kommer att påverka oss människor, kan vi än så länge bara spekulera kring men att den tekniska utvecklingen kommer att fortsätta råder det inga tvivel om