På 1950-talet fanns det ett relativt stort intresse för Artificiell Intelligens (AI), och man lät datorer lösa matematiska problem och ta sig an schackspel. Men tiden var inte mogen för att AI skulle ta ordentlig fart, och först när en tänkande schackdator slog ut mästaren Garry Kasparov för tjugo år sedan började utvecklingen komma igång på allvar. Tio år senare hade intresset och förutsättningarna skjutit i höjden och numera kommer nya landvinningar inom området i snabb takt.

Grundläggande AI bygger på att man lär en maskin att tolka text, tal eller förändringar (som ett nytt schackdrag) för att sedan utföra något som liknar mänskligt beteende. Nästa utvecklingssteg är maskininlärning, vilket innebär att man förser en dator med information som gör att den allt mer självständigt kan förstå och hantera stora datamängder.

Ett enkelt exempel är hur datorn lär sig att känna igen bilder på katter genom att man matar in massor med olika bilder på just katter. Maskininlärning gör att den kommer att hitta sådant som är gemensamt för bilderna och på det sättet börja kunna avgöra om en bild föreställer katt eller inte. Datorn kan tränas av människor, genom att den får reda när den har fel – då läggs det in som ytterligare information och den blir allt säkrare i sina analyser.¹

Liknar den mänskliga hjärnan
Det som nu har blivit högaktuellt är att istället använda maskinlärning på ett sätt som liknar hur neuronerna i den mänskliga hjärnan fungerar. Det bygger i grund och botten på att analyserna blir mer avancerade, genom att systemet består av komplexa så kallade neurala nätverk i flera lager – därav namnet ”deep learning” (djup maskininlärning).

Den här metoden har inte varit praktiskt möjlig tidigare, eftersom den bygger på att datorerna både får tillgång till och kan hantera enorma mängder med information med stor beräkningskraft. Analysföretaget Gartner konstaterade i sin stora trendanalys förra året att ”de smarta maskinernas tid är här”.² De menar att detta är den trend som kommer att vara mest disruptiv – som alltså får oss att se nuvarande affärsmodeller i ett helt annat ljus – under de kommande tio åren.

Lär sig analysera själva
Man kan beskriva det som att fram till nu har datorerna varit starkt beroende av att människor har berättat hur analyserna ska gå till men också när något blir fel. Deep learning gör att maskinerna blir allt mer självständiga och kan hitta och förstå samband, och på det sättet bygga upp ett analysunderlag på egen hand. De utbildar sig själva.

Återigen är det spelapplikationer som har varit de tidiga framgångarna, inte minst 2016 när Googles programvara AlphaGo blev den första datorn att slå den mänskliga världsmästaren i brädspelet Go.³ Hemligheten var deep learning, något som Google satsar på enligt devisen ”AI first”.⁴

Kan diagnosticera cancer
Men både AI i sig och utvecklingen av deep learning kan göra nytta inom långt fler områden än spel. Till exempel inom vården; IBM:s AI-dator Watson⁵ har fått läsa in 130 000 bilder för att lära sig att skilja på olika hudåkommor och cancer – och därefter kunna diagnostisera potentiell hudcancer. Vilket den lyckas göra lika bra som en hudläkare.⁶

Överlag förväntas deep learning få stor betydelse för beslutsstöd inom sjukvården. Förutom att klassificera mutationer som kan kopplas till olika cancerformer räknar man med att bland annat kunna identifiera lungsjukdomar via bilder och att förebygga epileptiska anfall genom att upptäcka att de är på väg innan de inträffar.⁷

Förstår vad ett hinder är
Även när det gäller självkörande fordon kommer den här tekniken ha mycket att bidra med. Dels genom bildigenkänning för att identifiera hinder i tid, men Audi räknar också med att bilarna ska lära sig att förstå hinder på ett mer abstrakt sätt för att se till att undvika även sådant som ännu inte finns inprogrammerat i bilen.⁸

Audi beskriver själva sitt ”deep learning concept” i Q7-modellen som att bilen lär sig rutten genom upprepad körning, observationer med en förare vid ratten och kompletterande kameror. Det skapar en koppling mellan förarens reaktioner och de händelser som registreras av kameran. Därefter kan bilen förstå instruktioner, exempelvis från en tillfällig trafiksignal, tolka dem direkt och agera på det sätt som situationen kräver. ⁹

Känner igen skrot
Till sist ett exempel på en av många specialtillämpningar som lär dyka upp när tekniken blir mer spridd: förbättrad hantering av elektronikavfall, vilket är världens snabbast växande avfallsform. Det är en mångmiljardindustri och aktörerna i branschen är angelägna om att hitta snabbare sätt att bedöma och klassificera elektronikskrotet.

Med deep learning blir det möjligt att känna igen en mycket stor mängd olika objekt, trots att dessa inte alltid ser precis likadana ut. I kombination med optiska och mekaniska system för bland annat datainsamling och utsortering går det att optimera processerna – till glädje för både miljön och de företag som bäst lyckas dra nytta av systemen.¹⁰

Källor
1 IDG
2 Telia
3 Telia
4 Ny teknik
5 Watson har för övrigt också imponerat med sina spelframgångar, efter storvinsten i Jeopardy 2011.
6 IDG
7 ETN
8 Sics.se
9 Audi
10 Almi

Läs också
5g tar uppkopplingen till en ny nivå
Blockkedjan - så funkar den
Det enkla vinner alltid