I denne artikel defineres bl.a. kunstig intelligens, neurale netværk, machine learning, deep learning og algoritmer.
En definition på kunstig intelligens er:
"Maskiner, der kan tænke og udføre opgaver, som normalt kræver menneskelig intelligens."
Kunstig intelligens er, når computere vha. matematiske modeller og mønstre, lært gennem analyse af data, kan simulere menneskelig tænkning og adfærd. Den kunstige intelligens efterligner et eller flere aspekter af den menneskelige intelligens. Det kan f.eks. være evnen til abstrakt tænkning, analyse, problemløsning, mønstergenkendelse, sprogbeherskelse og -forståelse, fornuftig handling osv. Kunstig intelligens kan ikke forstå mening og kontekst!
Man taler typisk om to typer af kunstig intelligens: svag og stærk. Den svage kunstige intelligens er i stand til at udføre specifikke opgaver ved at efterligne/simulere menneskelige handlinger og kognitive funktioner. Det er denne form, vi ser lige nu ved f.eks. ChatGPT.
Stærk kunstig intelligens (kaldes også generelt for kunstig intelligens) rummer et dybere mentalt lag, f.eks. bevidsthed og intentionalitet og vil være i stand til at forstå og opnå menneskelige, kognitive egenskaber, have følelser og opnå selvbevidsthed. Denne form for kunstig intelligens ses ofte i science fiction-film (f.eks. Star Trek, Wall-E, A Space Odyssey), og findes ikke (endnu). Det diskuteres meget, om det overhovedet kan lade sig gøre. Man taler om begrebet singularitet inden for stærk kunstig intelligens – dvs. at computersystemer er i stand til at forbedre sig selv konstant og opnå egenskaber, der ligger langt over menneskers evner.
Kunstig intelligens omfatter en bred vifte af teknikker som f.eks. machine learning, herunder deep learning, der gør det muligt for computere at lære og forbedre deres præstationer uden at blive programmeret direkte.
Machine learning kan defineres som "Et computerprogram der med statistikker og algoritmer analyserer data (erfaring), lærer af de analyserede data og bruger det, den har lært til at foretage velfunderede beslutninger/forudsigelser."
Machine learning er altså et computerprogram, der analyserer store mængder af data og fremstiller en model baseret på mønstre i disse data. Modellen bruges derefter til at sige noget om de data, den har analyseret.
En algoritme er en specifik række instruktioner - lidt som en opskrift, der kan følges for at løse et problem eller udføre en opgave. Algoritmer er en grundlæggende del af computerteknologi og kan bruges til at løse en bred vifte af problemer, fra at sortere store mængder data til at finde den korteste rute mellem to punkter på et kort. En algoritme skal være præcis og effektiv, og det er ofte en udfordring at designe algoritmer, der kan løse komplekse problemer på en effektiv måde.
Deep learning er en særlig slags machine learning, hvor computerprogrammet efterligner, hvordan den menneskelige hjerne fungerer. Det er drevet af et neuralt netværk, der indeholder neuroner i mange lag, der kommunikerer med hinanden, og som tilsammen simulerer den kognitive proces i menneskets hjerne - hvilket gør programmet i stand til at træffe selvstændige beslutninger. Når et deep learning-netværk bliver præsenteret for en stor mængde data, kan det træne sig selv ved at justere de vægte, der kontrollerer, hvordan de enkelte neurale enheder interagerer med hinanden. På denne måde kan deep learning-netværk forbedre deres præcision og evne til at løse komplekse opgaver over tid.
Kunstige neurale netværk har evnen til at behandle og klassificere enormt store mængder data og i sidste ende lære af dem. Det giver dem mulighed for at forfine deres egne systemer og dermed øge deres nøjagtighed.
Systemer som selvkørende biler og også ChatGPT og OpenAI er alle baseret på deep learning og neurale netværk, og det er derfor de næsten kan efterligne mennesker - dog uden at være bevidste og forstå indhold.
Kilder:
Claus Emmeche
neurospace
