Selv om kunstig intelligens (KI) er nytt for noen, så har mange virksomheter allerede begynt å bruke teknologien med stor suksess. For virksomhetsledere kan det likevel være utfordrende å forstå hvordan KI kan anvendes i deres bedrift. Denne artikkelen gir en enkel innføring i viktige begreper innen KI som kan være nyttige for små og mellomstore bedrifter.
Kunstig intelligens (KI), såkalt artificial intelligence (AI) kan spores tilbake til midten av 1900-tallet, men konseptet og forskningen rundt AI startet enda tidligere. Da Chat GPT ble tilgjengelig for allmennheten i 2021, så eksploderte interessen for kunstig intelligens med tanke på hverdagsbruk.
Illustrasjonsbilde.
Kunstig generell intelligens (AGI)
AGI står for Artificial General Intelligence. Målet med AGI er å skape en form for kunstig intelligens som er like allsidig og intelligent som menneskelig intelligens. AGI kan håndtere en rekke oppgaver på samme måte som mennesker.
Kunstig smal intelligens (ANI)
ANI, eller Artificial Narrow Intelligence, er AI som er designet for å utføre spesifikke oppgaver innenfor et begrenset domene, uten evnen til å generalisere til andre oppgaver. Eksempler inkluderer chatbots, anbefalingssystemer, og bildeklassifisering.
Maskinlæring (ML)
Maskinlæring er en underkategori av KI som fokuserer på utvikling av algoritmer som lar datamaskiner lære fra data og identifisere mønstre uten å være eksplisitt programmert.
Maskinlæring, også kjent som Machine Learning, er en underkategori av kunstig intelligens som fokuserer på utvikling av algoritmer og teknikker som lar datamaskiner lære fra data. Videre er det mulig å trekke ut mønstre uten å være eksplisitt programmert.
Her er underkategorier:
Supervised Learning: Modeller trenes med merkelappede data.
Unsupervised Learning: Modeller prøver å finne mønstre i umerkede data.
Reinforcement Learning: Modeller lærer gjennom belønning og straff.
Semi-supervised Learning: Kombinasjon av merkede og umerkede data.
Dyp læring (Deep Learning)
Dette er en gren av maskinlæring som bruker kunstige nevrale nettverk med flere lag for å lære av store mengder data og utføre komplekse oppgaver som bildegjenkjenning, naturlig språkforståelse og talegjenkjenning.
Store språkmodeller (LLM)
LLM som er en forkortelse for Large Language Models, er avanserte modeller som er trent på store mengder tekstdata for å forstå, generere og manipulere naturlig språk. Disse modellene, som GPT-3 og GPT-4, kan brukes til tekstgenerering, oversettelse, og oppsummering.
Naturlig språkbehandling (NLP)
NLP (Natural Language Processing) fokuserer på interaksjonen mellom datamaskiner og menneskelig språk. Målet er å gjøre det mulig for datamaskiner å forstå, tolke og generere menneskelig språk på en meningsfull måte.
Generativ Kunstig Intelligens (Generative AI)
Generativ KI refererer til AI-systemer som kan skape eller generere nytt innhold, som tekst, bilder, musikk og mer, basert på treningsdata de har fått. Eksempler:
Tekstgenerering: Modeller som GPT-3 og GPT-4 kan skrive artikler, historier, og kundeservice-svar.
Bildegenerering: Modeller som DALL-E kan skape bilder basert på tekstbeskrivelser.
Musikkgenerering: AI-systemer som kan komponere musikkstykker.
Retrieval-Augmented Generation (RAG)
RAG kombinerer informasjonsinnhenting og tekstgenerering for å hente relevant informasjon fra store datamengder og generere meningsfulle og presise svar. Dette gir mer nøyaktige, relevante og oppdaterte svar sammenlignet med tradisjonelle LLM-er. RAG representerer en betydelig forbedring over tradisjonelle LLM-er, eksempelvis begrensede treningsdata, unøyaktige svar og hallusinasjoner (tendens til å generere plausible, men falske eller unøyaktige opplysninger). På norsk kan vi oversette RAG til “generering forsterket av gjenfinning”.
Agentic RAG
På norsk kan agentic oversettes til agentisk eller agentbasert. Agentic RAG er en metode som består av en kombinasjon av automatisert datainnhenting, kontekstuell berikelse og generering av resultater. Denne prosessen styres av "agentiske" egenskaper, altså autonome og målrettede beslutninger. Ved en slik tilnærming kan AI-systemer tilpasse seg dynamiske miljøer, og ikke minst få utbytte av eksterne dataressurser. Det betyr at AI-systemet kan generere resultater som er både relevante og kontekstspesifikke.
Rag Assessment (Ragas)
Mens ovennevnte begrep RAG kan sees på som et system som henter og genererer relevant informasjon fra store datamengder, kan Ragas sees på som et verktøy som brukes for å evaluere og måle måten RAG fungerer på.
Computer Vision (CV)
Denne grenen av kunstig intelligens omhandler analyse, forståelse og tolkning av visuelle data fra digitale bilder eller videoer. Eksempler her er ansiktsgjenkjenning, autonome kjøretøy, medisinsk bildebehandling.
Robotics
Robotics fokuserer på design, konstruksjon og programmering av roboter for å utføre spesifikke oppgaver autonomt. Dette feltet kombinerer mekanisk ingeniørkunst, elektronikk og informatikk.
Robotic Process Automation (RPA)
I forbindelse med Robotics er det naturlig å nevne Robotic Process Automation. RPA refererer til bruk av programvare for å automatisere repeterende og regelbaserte oppgaver som vanligvis utføres av mennesker på datamaskiner, som dataregistrering eller behandlingsoppgaver.
Hva betyr dette for din virksomhet?
Forståelsen og implementeringen av AI-teknologier som AGI, ANI, ML, LLM, NLP, RAG, CV, Robotics, og RPA kan gi små og mellomstore bedrifter betydelige konkurransefortrinn. Ved å utnytte disse teknologiene kan bedrifter forbedre effektiviteten, redusere kostnader og ta bedre informerte beslutninger. Det finnes mye god informasjon tilgjengelig om kunstig intelligens, og under finner du et lite knippe vi har brukt i denne artikkelen.
Ta gjerne en uformell prat med oss om kunstig intelligens. Selv om dette er en spennende teknologi, så passer det ikke nødvendigvis for alle.
Kilder
ChatGPT (også brukt for å effektivisere teksten)
IBM Research - RAG
Promptingguide
Databricks - RAG
Comments