AI-algoritmer: Alt hvad du behøver at vide

Din telefon ved, hvad du skal til at skrive, før du gør det. Netflix ved, hvad du vil kaste dig over næste gang. Banker vide, om du kan betale et lån tilbage. Spotify kender de sange, du vil spille på repeat.

Men hvordan? Hvem overvåger os alle sammen i al hemmelighed?

Synske duer? Et hemmeligt selskab af tankelæsende mennesker? Eller din mor - fordi hun på en eller anden måde altid ved det?

Nej, det er det ikke. Det er AI-algoritmer.

Disse systemer gør uhyggeligt præcise forudsigelser ved at læse tonsvis af data og analysere mønstre.

Men hvad er en AI-algoritme egentlig? Hvordan fungerer den?

Hvad er de forskellige typer, og hvordan bruges de i den virkelige verden? Vi fortæller om det hele og meget mere i dagens blog. 

Lad os starte fra begyndelsen.

Hvad er AI-algoritmer?

AI-algoritmer bruges i hverdagen Teknologi - Google Search, Siri, Netflix-anbefalinger - men de bruges også til at opdage svindel, til selvkørende biler og til medicinsk diagnostik. 

Rødderne til AI går tilbage til 1940'erne, hvor Alan Turing stillede et spørgsmål, "Kan maskiner tænke?" 

Han opfandt Turing-maskinen i 1950'erne, som senere blev testet med Turing-test. Den viste, hvordan maskiner kunne følge logiske trin for at løse problemer. 

Tilbage i 1950'erne og 60'erne kunne nogle programmer (Logic Theorist) bevise matematiske sætninger. 

Men der var et problem - de kunne ikke lære. Hver eneste regel skulle programmeres manuelt.

Kernen i AI er bare et sæt instruktioner- en algoritme - der hjælper maskiner med at træffe beslutninger.

Nogle er enkle, som at filtrere spam-mails. Andre er mere komplekse, som at forudsige sygdomsrisici baseret på lægejournaler.

Men lad os gøre det klart - AI tænker ikke selv. Den er afhængig af menneskelig programmering og konsekvent læring for at blive bedre til det, den gør.

Lad os forstå dette med et eksempel, 

AI hjælper med større beslutninger. Tag en bank, der godkender et lån. Den bruger måske en Beslutningstræ (en simpel AI-model, der fungerer som et flowchart):

• Har ansøgeren en stabil indkomst? Nej → Afvis lånet. Ja → Tjek kreditscore. 
• God kreditværdighed? Nej → Overvej det igen. Ja → Tjek eksisterende lån.
• For mange lån? Høj risiko. Få lån? Lavere risiko. 

I slutningen af processen godkender eller afviser AI'en enten lånet baseret på struktureret logik.

Nu kommer den næste del... 

Hvordan AI-algoritmer muliggør maskinlæring og automatisering

Tænk på det på denne måde. 

Forestil dig at lære et barn at genkende hunde.

En lærer ville vise dem billeder, udpege vigtige træk, og med tiden ville de blive bedre til at spotte en i det virkelige liv. 

AI-algoritmer lærer på samme måde at lære af store mængder data for at kunne forudsige og automatisere opgaver.

1 - Forudsigelse

En regressionsalgoritme studerer tidligere oplysninger for at lave automatiske forudsigelser i realtid. 

For eksempel, Netflix anbefaler dig serier baseret på forudsigelser. Hvis du kunne lide Stranger Things, Det kunne tyde på Dark eller Umbrella Academy fordi andre, der kunne lide Stranger Things Jeg har også set dem.

2 - Maskinel indlæring

Men AI handler ikke kun om forudsigelser - den tilpasser sig. 

Maskinlæring gør det muligt for computere at lære og forbedre sig ud fra erfaring uden at være eksplicit programmeret. 

For eksempel, Hvad nu, hvis du kun kunne lide Stranger Things på grund af dens sci-fi-elementer, men hadede horror? Hvad nu, hvis du foretrak korte, hurtige serier frem for langsomme dramaer? Netflix' algoritme analyserer dine aktiviteter på et dybt niveau og justerer anbefalingerne. 

3 - Automatisering

Og så er der automatisering. 

Automatisering er processen med at bruge teknologi til at udføre opgaver med minimal menneskelig indgriben. 

For eksempel, Selvkørende biler gør noget lignende, idet de bruger computersyn til at "se" vejen, genkende stopskilte og lære af hver eneste kilometer, de kører. 

Jo flere data de behandler, jo klogere bliver de.

Sådan fungerer AI-algoritmer (trin for trin)

Ligesom en person, der lærer en ny færdighed, lærer AI også tingene trin for trin.

Lad os bryde det ned ved hjælp af billedgenkendelsesfunktionen i Googles søgemaskine.

Trin # 1 - Dataindsamling

Alt starter med data. AI har brug for hundredtusindvis af eksempler at lære af. I billedgenkendelse inkluderer det:

• Millioner af mærkede billeder (f.eks. billeder af katte mærket "kat", billeder af hunde mærket "hund").

• Variation i belysning, vinkler og kvalitet.

• Forskellige størrelser, farver og former af det samme objekt. 

• Kanttilfælde (slørede billeder, delvist skjulte objekter, lav kontrast).

Trin # 2 - Forbehandling

Råbilleder indeholder en masse unødvendig information som f.eks. slørede billeder eller billeder af lav kvalitet, urelaterede objekter og rodede billeder.

Før man træner AI, skal data renses og standardiseres. Dette inkluderer: 

• Ændre størrelsen på billeder til en ensartet størrelse, så de kan behandles konsekvent.

• Gråtoner eller farvenormalisering for at sikre, at lysstyrke og kontrast ikke vildleder AI'en. 

• Fjernelse af støj som unødvendige baggrundselementer, der ikke bidrager til identifikation af objekter.

Trin # 3 - Træning

AI gør det ikke "se" billeder på samme måde som mennesker. Den ser dem som tal - tusindvis af pixels, hver med en værdi, der repræsenterer lysstyrke og farve. 

For at forstå dette bruger AI et Convolutional Neural Network (CNN), en særlig type deep learning-model, der er bygget til billedgenkendelse.

Sådan nedbryder CNN'er et billede:

• Konvolutionslag: AI scanner billedet i dele og registrerer først enkle former (linjer, kurver) og genkender senere komplekse træk (øjne, ører, knurhår).
  
• Sammenlægning af lag: De formindsker billedet og bevarer vigtige detaljer, mens unødvendige pixels fjernes.
  
• Fuldt forbundne lag: AI sammenkæder de registrerede funktioner for at komme med en endelig forudsigelse - hvis den ser spidse ører og knurhår, identificerer den en kat.

Denne proces involverer epoker. 

Forestil dig, at du er ved at lære at genkende forskellige fuglearter. Første gang du ser en spurv og en due, forveksler du dem måske. 

Men efter at have set på billeder, studeret deres egenskaber og fået feedback, bliver man bedre.

AI lærer på samme måde. 

En epoke er en komplet cyklus, hvor AI'en ser på alle træningsdata, laver forudsigelser, tjekker for fejl og justerer. 

Den gør det igen og igen - ligesom man øver sig flere gange for at blive bedre til en færdighed.

Trin # 4 - Testning

Før AI er klar til brug i den virkelige verden, skal den testes. Dette indebærer:

• Fodrer den med billeder, den aldrig har set før.
  
• Måling af dens nøjagtighed - mærker den korrekt en kat som en kat?
  
• Kontrol af overtilpasning, hvor AI husker træningsdata, men kæmper med nye billeder.
  

Hvis AI fejler for ofte, går den tilbage til mere træning, indtil den pålideligt kan identificere billeder, den aldrig har set før.

Trin # 5 - Udrulning

Når AI-modellen er trænet og testet, implementeres den. Når vi fodrer den med et billede. Det gør den: 

1. Bryd det ned i pixelværdier
2. Kør det gennem alle indlærte lag
3. Generer en sandsynlighedsscore for hver mulig etiket
4. Vælg den mest sandsynlige klassifikation

Et typisk resultat kan se sådan ud:

• Kat: 99.7% sandsynlighed
• Hund: 0,2% sandsynlighed
• Andet: 0,1% sandsynlighed

Typer af AI-algoritmer og hvordan de bruges

Ligesom mennesker har forskellige måder at lære på - nogle ved at læse, andre ved at gøre - har AI forskellige typer af algoritmer, der hver især egner sig til specifikke opgaver.

1 - Overvåget læring

Forestil dig et barn, der lærer at genkende æbler og appelsiner. Læreren mærker billederne som:

"Det her er et æble."

"Det her er en appelsin."

Med tiden lærer de at se forskel. Det er overvåget læring - AI trænes på mærkede data og lærer at komme med forudsigelser.

For eksempel,

AI-algoritmen i spamfiltre scanner tusindvis af e-mails, der er mærket "spam" eller "ikke spam", og lærer mønstre. 

• Indeholder e-mailen bestemte nøgleord? 
• Er det fra en mistænkelig afsender? 

Med tiden bliver den bedre til at fange spam, før det rammer din indbakke.

Superviseret læring giver regressionsmodeller, som forudsiger ting som boligpriser, og klassifikationsmodeller, som afgør, om en e-mail hører til i spam eller i din hovedindbakke.

2 - Ikke-overvåget læring

Forestil dig nu, at du giver det samme barn en kurv med frugt, men ikke fortæller dem, hvilke der er æbler eller appelsiner. 

I stedet grupperer de dem ud fra ligheder - farve, form, tekstur.

Det er uovervåget læring - AI finder mønstre i data uden etiketter.

For eksempel,

Bankerne ved ikke altid med det samme, om en transaktion er svigagtig, men AI kan hjælpe med at forhindre svindel.

Den scanner millioner af køb og lærer, hvad der er "normalt" for hver enkelt kunde, og hvad der ikke er.

Lad os sige, at du køber dagligvarer og benzin hver uge. Så får du pludselig lyst til at købe en luksusbil til $5.000 i et andet land. 

AI vil markere det som mistænkeligt, og det kan fryse dit kort eller sende dig en hurtig "Var det dig?" besked.

3 - Forstærkningslæring

Lad os nu sige, at du giver barnet en udfordring - hver gang de vælger et æble rigtigt, får de et stykke slik. Hvis de vælger den forkerte frugt, mister de et. 

Med tiden lærer de den bedste måde at få mest muligt slik på.  Det er forstærkningsindlæring. 

AI gør det samme - den tester forskellige handlinger, lærer af fejl og tilpasser sig på baggrund af belønninger og sanktioner.

For eksempel,

Selvkørende biler starter ikke med at vide, hvordan man kører. 

Men efter at have analyseret millioner af kilometer med vejdata bliver de bedre til at bremse, flette ind i trafikken og undgå forhindringer. 

Hver eneste fejl er en lærestreg. Hver succes gør dem klogere.

4 - Neurale netværk og dyb læring

Nogle problemer er bare for komplicerede til simple regler. Det er her, neurale netværk kommer ind i billedet. 

De er designet til at fungere som den menneskelige hjerne, genkende mønstre og træffe beslutninger uden at skulle have hver eneste lille instruktion udpenslet.

For eksempel,

A traditionel computer kan have problemer med forskellige vinkler, belysning eller udtryk. 

Men en deep learning-model (et neuralt netværk med flere lag) kan lære at genkende ansigter, uanset forholdene.

Ligesom mennesker har forskellige måder at lære på - nogle ved at læse, andre ved at gøre - har AI forskellige typer af algoritmer, der hver især egner sig til specifikke opgaver.

AI-algoritmer i applikationer i den virkelige verden

Sådan bruger AI-billeddetektor algoritmer til at spotte AI-skabte billeder

De AI-genererede billeder er nu så realistiske, at folk næsten ikke kan skelne dem fra rigtige fotos. 

Men AI-billeddetektorer er trænet til at se ud over overfladen.

Teknik # 1 - Registrering af uregelmæssigheder

Processen begynder med anomalidetektion, som leder efter alt, der ikke hører til.

Hvis et billede har unaturlige teksturer, inkonsekvent belysning eller slørede kanter. AI-billeddetektor rejser et rødt flag.

Teknik # 2 - Generative Adversarial Networks

En måde at opdage AI-genererede billeder på er ved at se på de skjulte mønstre, som den teknologi, der skaber dem, efterlader.

Disse mønstre kommer fra Generative Adversarial Networks (GAN'er), som driver de fleste AI-billeder.

Ligesom alle kunstnere har en unik stil, skaber GAN'er mønstre, som ikke findes i virkelige fotos.

AI-billeddetektor er trænet til at genkende disse mønstre, hvilket hjælper med at afgøre, om et billede er genereret af en kunstig intelligens.

Teknik # 3 - Metadata

Ud over bare at se på pixels, kan en AI-billeddetektor undersøger også metadata, som fungerer som et billedes digitale fingeraftryk.

Disse data omfatter detaljer som hvornår og hvor et foto blev taget, og hvilken enhed der tog det. 

Hvis et billede hævder at være fra 2010, men faktisk blev skabt af et AI-værktøj i sidste uge, AI-billeddetektor vil markere det som mistænkeligt. 

Bias i AI-algoritmer og hvordan man reducerer dem

Det er meningen, at AI skal være retfærdig, men nogle gange er den det ikke. AI-bias kan ske på to måder:

• Data Bias - Dette sker, når visse grupper er underrepræsenteret i træningsdataene.
  
• Model Bias - Dette sker, når AI'en begår flere fejl for en gruppe end for en anden, hvilket forstærker uretfærdige resultater.
  

Amazons forudindtagede ansættelsesværktøj

I 2014, Amazon måtte skrotte et AI-ansættelsesværktøj fordi den var forudindtaget mod kvinder. 

Systemet lærte af tidligere ansættelsesdata, hvor flere mænd var blevet ansat i tekniske stillinger, så det begyndte at favorisere mandlige kandidater og straffe CV'er, der indeholdt ord som "kvinders" (som i "kvinders skakklub"). 

AI'en forsøgte ikke at være uretfærdig, men den lærte af forudindtagede data og førte den forudindtagethed videre.

Bekymringer om privatlivets fred ved indsamling af AI-data

Hver gang du bruger en app, surfer på nettet eller foretager et køb, indsamles der data. 

Noget af det er indlysende - som dit navn, din e-mail eller dine betalingsoplysninger. 

Men der er skjulte data som GPS-placering, købshistorik, skriveadfærd og browservaner. 

Virksomheder bruger disse oplysninger til at personliggøre oplevelser, anbefale produkter og forbedre tjenester. 

Med så mange data i omløb er risici uundgåelige: 

• Brud på datasikkerheden - Hackere kan stjæle brugeroplysninger.

• Gen-identifikation - Selv anonymiserede data kan kobles tilbage til enkeltpersoner. 

• Uautoriseret brug - Virksomheder kan misbruge data til profit eller indflydelse.
  

Selv når virksomheder hævder at anonymisere data, har undersøgelser vist, at mønstre kan afsløre brugernes identitet med tilstrækkelig information. 

For at beskytte brugernes privatliv bruger virksomheder:

• Anonymisering - Fjerner personlige oplysninger fra datasæt.

• Federated Learning - AI-modeller trænes på din enhed uden at sende rådata til en central server. (f.eks. Googles Gboard).

• Differentieret privatliv - Tilføjer tilfældig støj til data før indsamling for at forhindre sporing (f.eks. Apples iOS-system).

Kan AI-algoritmer være helt neutrale?

AI skabes ikke i et vakuum. 

Det er bygget af mennesker, trænet på menneskelige data og brugt i et menneskeligt samfund. Så kan det nogensinde blive helt neutralt?

Det korte svar: Nej. I hvert fald ikke endnu.

AI lærer af data fra den virkelige verden, og disse data kommer med alle de fordomme, antagelser og ufuldkommenheder, som de mennesker, der har skabt dem, har. 

Tag COMPAS-værktøjet til recidiv, for eksempel. 

Den var designet til at forudsige, hvilke kriminelle der var mest tilbøjelige til at begå ny kriminalitet. 

Det lyder ligetil, ikke? 

Men undersøgelser viste, at algoritmen i uforholdsmæssig høj grad markerede sorte tiltalte som højrisiko sammenlignet med hvide tiltalte. 

Den er ikke forudindtaget, fordi nogen har programmeret den til at være det, men fordi den har arvet mønstre fra et fejlbehæftet strafferetligt system.

Så kan AI nogensinde blive fair? 

Det mener nogle eksperter. 

Forskere har udviklet fairness-begrænsninger - matematiske teknikker, der er designet til at tvinge AI-modeller til at behandle forskellige grupper mere lige. 

Bias-audits og forskellige træningsdatasæt hjælper også med at reducere skæve resultater.

Men selv med alle disse sikkerhedsforanstaltninger er ægte neutralitet vanskelig. 

Og selv hvis vi kunne gøre AI helt "neutral". Bør vi det?

AI træffer ikke beslutninger i en boble. Det påvirker rigtige mennesker på rigtige måder. 

Virkeligheden er, at AI afspejler den verden, vi fodrer den med. 

Hvis vi vil have upartisk AI, må vi først tackle fordommene i vores systemer. 

Ellers lærer vi bare maskiner at spejle vores fejl - bare hurtigere og i stor skala.

Ofte stillede spørgsmål om AI-algoritmer

Gør din oplevelse bedre ved at prøve vores AI Detector og Humanizer i widgetten nedenfor!

De sidste tanker: Fremtiden for AI-algoritmer

Så hvad betyder alt dette for os?

AI påvirker vores beslutninger på daglig basis. Den bestemmer, hvad vi ser, hvad vi køber, og endda hvor sikker vores bankkonto er.

Men her er spørgsmålet...

Hvis AI lærer af os, hvad er det så, vi lærer den?

Sørger vi for, at den er fair, upartisk og hjælpsom? Eller lader vi den begå de samme fejl som mennesker?

Og hvis AI bliver ved med at blive smartere, hvad sker der så? Vil den altid være et værktøj, som vi kontrollerer, eller kan den en dag begynde at træffe valg, som vi ikke helt forstår?

Måske er det største spørgsmål ikke, hvad AI kan gøre, men hvad vi skal lade den gøre.

Hvad synes du om det?