Kan en maskine blive bedre over tid?

Når begrebet kunstig intelligens omtales, dukker machine learning ofte også op. Og omvendt. Machine learning er et underområde indenfor kunstig intelligens, og sammenhængen mellem de to begreber er dermed åbenlys for nogen. For andre er sammenhængen mere uklar. Det skal vi se, om vi kan få gjort noget ved.

Samme spørgsmål igen og igen

Kunstig intelligens handler om den menneskelige evne til at løse et problem. Men hvad er machine learning så? Machine learning er relevant, når problemet som vi bruger kunstig intelligens til at løse allerede er løst. Tænk over hvad værdien egentlig er af at finde en god løsning, hvis du alligevel ikke kan svare et lignenden spørgsmål stillet på et senere tidspunkt? Og hvis du formår at gentage løsningen, vil du så også kunne gøre det, hvis forudsætningerne og konteksten ændrer sig?

Målet med kunstig intelligens er at kunne give gode anbefalinger og forudsige hvad der vil være en god løsning uanset forudsætninger. For at opnå det, er machine learning vigtig.

At lave forudsigelser var vigtigt for det norske trafikselskab Kolumbus, da de ville tilbyde de rejsende i Rogaland i Norge en endnu bedre oplevelse. Computas hjalp dem med at opnå dette mål ved at bygge en it-løsning, som kunne forudsige bussers ankomst, afgang samt eventuelle forsinkelser. I realiteten byggede vi en tidsmaskine ved hjælp af innovativ brug af machine learning.

At lære af egne fejl og forbedre sig over tid

Vi har stadig meget at lære, når det kommer til machine learning og vi kommer stadig til kort på mange områder. I dag har machine learning et begrænset omfang: Det kan fungere godt, dog primært indenfor afgrænsede områder.

I næsten alle brancher har man udforsket mulighederne for brug af kunstig intelligens og machine learning. Oftest er det en god løsning. Udfordringen ligger som regel i maskinens evne til at forbedre sig over tid ved at lære af egne fejl, og derved optimere en allerede fungerende løsning.

Eksempel: Ved hjælp af kunstig intelligens kan selvkørende biler genkende mennesker og undgå at påkøre gamle damer, som krydser vejen. Men skulle bilen være så uheldig, at den alligevel kørte en gammel dame ned, er det et mål, at den ikke gør det igen. For at opnå det, må den kunstige intelligens være i stand til at lære af egne fejl og forbedre sig over tid. Dette er muligt ved hjælp af machine learning.

Computas udviklede et nyt anbefalingssystem baseret på machine learning og kunstig intelligens, hvilket gjorde det muligt for POWER at forbedre købsoplevelsen for sine kunder.

Kunstig intelligens i industrien

Machine learning kan være særdeles nyttig for en lang række industrier, primært fordi omkostninger kan begrænses ved at gøre manuelt arbejdet mere effektivt. Dette gælder både ved salg, vedligehold og logistik, men også indenfor produktion og behandling af tekster.

Eksempel: Det er vanskeligt og tidskrævende for at menneske at finde et bestemt dokument i et arkiv, der indeholder mange tusind dokumenter. Selv søgemaskiner vil have besvær med at finde det korrekte dokument på en effektiv og brugervenlig måde. Havde man brugt
kunstig intelligens her, ville maskinen formå at uddrage essensen af, hvad brugerne søger, og ved hjælp af machine learning er det muligt at forbedre denne proces over tid.


Automatisering Big data Dataanalyse Kunstig intelligens Skyteknologi

Vil du vide mere?

Hvis du har spørgsmål kontakt venligst

Jon-Gunnar Aasen