Hvad er AI - og hvad kan det bruges til?

Du har sandsynligvis allerede hørt en del om AI, for de fleste er enige om, at AI rummer store potentialer for dansk erhvervsliv. Estimater peger på, at AI kan medvirke til op imod 35 milliarder kroner ekstra i BNP fra 2030.[1]

Dog kæmper mange med, hvor de skal starte, eller hvordan de tager skridtet videre fra idéstadiet. Gælder det også jer?

Kan du svare ja, så er der en god grund til det, for det at få succes med AI kræver både forskellige og dybe kompetencer.

Er man helt grøn, vil de bedste første skridt være at begynde at opbygge viden om AI. Derfor har vi lavet en kort introduktion, der giver en basisforståelse af, hvad AI er, hvorfor det rykker nu og et ordforråd til at begynde at tale om AI.

Indholdsoversigt

Stærk og svag/snæver AI

Der findes ingen eksakt definition af AI, men de fleste er enige om, at AI bredt set handler om at udvikle software, der kan løse opgaver på en måde, der imiterer menneskelig intelligens.[2]

En meget populær rammesætning af AI, som man ofte kan støde på, er en skelnen mellem stærk AI på den ene side og svag eller snæver AI på den anden.

 

stærk AI robot

Stærk AI er systemer, der kan generalisere på tværs af mange forskellige domæner og opgaver, og som kontinuerligt lærer nyt.

snæver computer chip

Snæver AI er systemer, der kan løse en eller flere specifikke opgaver inden for et domæne.

Meget få virksomheder arbejder med stærk AI, og for nu er det ikke så relevant, da det mest er de store, internationale teknologivirksomheder som Deepmind (Alphabet) og OpenAI, der har mange hundrede personer dedikeret til arbejdet. Man hører imidlertid meget om de systemer, så det kan give et indtryk af, at det primært er dét, der er AI. Men der er mange oplagte muligheder med AI, også inden man når op til det niveau.

Derfor, når de fleste taler om AI-systemer, så vil det være AI-systemer i en snæver optik – altså systemer, der kan løse en eller flere specifikke opgaver inden for et afgrænset område.

En specifik opgave kan for eksempel være at analysere, om kundehenvendelser er positive eller negative, og hvem der i så fald skal besvare dem. Eller eksempelvis om der optræder indikationer på sygdom på et røntgenbillede.

Hvorfor AI nu?

AI er ikke så nyt, som man ellers kunne tro. Så længe, der har været computere, har der været folk, der har interesseret sig for at få computere til imitere menneskelig intelligens.

Men det er først inden for de seneste år, at det er blevet muligt at realisere mange af disse idéer så godt, at de kan anvendes i en kommerciel sammenhæng. Der er primært fire årsager til dette skift i anvendelighed:
datalagerkapacitet graf
datatilgængelighed graf
CPU-regnekraft diagram
Forbedrede algoritmer graf
Samlet set har det betydet, at AI-teknologier er blevet meget mere tilgængelige end for bare få år siden, således at de fleste i dag har mulighed for at komme i gang med meget lavere omkostninger.

Ingen data, ingen AI

Den mest kritiske komponent i forhold til at bygge AI-systemer er data. Ingen data, ingen AI. For det er i store træk data, der er afgørende for den tekniske kvalitet af et AI-system. Ikke kun for systemets præcision, men også for dets robusthed, sikkerhed og muligheder for at skalere det på længere sigt.[3]

Det skyldes, at AI-systemer for det meste bliver til på den måde, at man giver en maskine et antal eksempler på det, man gerne vil lære systemet at gøre, og så lærer systemet, hvad det skal gøre ud fra disse eksempler.

Typisk vil der derfor være en sammenhæng mellem antallet af eksempler, man giver, og hvor retvisende de eksempler er, og den ydeevne et system kan opnå. Inden for AI-feltet tales der populært om “garbage in, garbage out” – at hvis man bygger AI på data af dårlig kvalitet, så får man også dårligt produkt ud af det.

Det betyder også, at hvis der ikke er data, er det svært at udvikle brugbar AI. Og mangel på data er da også en af de typiske barrierer for at komme i gang med AI. Er man i en fase, hvor man overvejer at gå i gang med AI, er datagrundlaget derfor et godt sted at starte.

forventninger til dataarbejde diagram
Det organisationen samlet forventer at bruge tid på, kontra det den faktisk bruger tid på. Inspireret af Building Software Stack 2.0 af Andrej Karpathy, Director of AI, Tesla
Du kan læse mere om, hvordan du kan arbejde med jeres data i dette blogindlæg: SÅDAN FINDER DU UD AF, HVILKE DATA DU HAR – OG HVORDAN DU KAN BRUGE DEM!

Lyd, tekst, billeder og video er også data

Når talen falder på data, kan man let komme til at sætte lighedstegn mellem data og tal, som vi kender dem fra Excel og databaser.

Men inden for AI-feltet er der over de seneste år blevet udviklet et væld af nye metoder, så det er blevet muligt at behandle andre typer af data som lyd, tekster, billeder og video.

På den ene side åbner det op for, at langt mere af det data, som allerede eksisterer, kan bringes i anvendelse, men samtidig øger det også kompleksiteten i forhold til at få greb om mulighederne med AI. Hvor er det netop, at vi kan få mest ud af AI?

Værktøjskassen af teknikker og metoder inden for AI er så uoverskuelig stor, at det for mange er en svær vej ind i feltet. En anden vej til at skabe overblik over, hvad man kan med AI, kan derfor være at anskue feltet ud fra de forskellige typer af data, som kan behandles.

data former billeder sprog tal

AI er meget mere end teknologi

AI handler naturligvis meget om teknologi, men det handler også om mere end det. Det er i al fald vores erfaring, at menneskelige og forretningsmæssige aspekter er lige så vigtige at fokusere på for at lykkes i praksis.

Mange, der skal i gang med AI, kommer til at overfokusere på teknologien og modsat underfokusere på ting, der skal sikre, at teknologien løser de rigtige udfordringer for ens kunder eller egen organisation.

Det er derfor vigtigt allerede fra start at tænke på en satsning inden for AI som mere end et teknologiprojekt.

Dels er der en forretningsmæssig side, hvor en AI-baseret løsning skal kunne løse en konkret problemstilling, som der er nogen, der villige til at betale for.

Og endelig er der en menneskelig og organisatorisk side til dit AI-projekt. Der er en væsentlig risiko for, at dit AI-projekt aldrig får et liv udenfor skuffen, hvis ikke du får medarbejderne og organisationen med om bord. Dels har du brug for, at du har en ledelse, der går forrest og prioriterer jeres digitale udvikling, dels at medarbejderne forstår, både hvorfor I er gået i gang med udviklingen, og hvorfor den er vigtig. Det er derfor godt givet ud at inddrage både ledere og medarbejdere i jeres udviklingsproces, og løbende sætte fokus på den værdi, som AI-projektet vil bibringe jer og jeres kunder, så der opstår ejerskab og engagement omkring projektet. 

Ansvarlig og sikker AI

I takt med, at flere og flere bygger AI ind i deres produkter og processer, er det blevet åbenbart at teknologierne ikke er uproblematiske.

Der er forskellige udfordringer og nogle er mere kritiske end andre. Simple eksempler på udfordringer kan være løsninger, der udvikles på data, som indeholder uhensigtsmæssige bias, hvor problemer forstærkes, når denne data bruges som grundlag for et AI-system.

Et andet eksempel kan være, at der anvendes teknologier i udviklingen, som gør det umuligt at forklare, hvordan systemet er kommet frem til et resultat.

Det er særligt relevant i sammenhænge hvor der behandles følsomme informationer som fx personoplysninger, hvor det svar et AI-system kommer frem til kan have betydning for beslutninger der efterfølgende træffes om personer. Fx om nogen er berettiget til en specifik ydelse.

bliv meget tidligt i jeres proces klar over, hvor jeres AI kan være problematisk eller usikker – eller få hjælp til at vurdere det så tidligt i projektfasen som muligt. Det kan blive dyrt at rette op, hvis jeres produkt eller service er sendt i produktion, både for jer og jeres kunder. Og omvendt kan det være en konkurrenceparameter for jer, hvis I kan vise jeres kunder, at jeres AI-løsning er sikker, gennemsigtig og ansvarligt udviklet.

[1] Rapport: AN AI NATION? Harnessing the opportunity of artificial intelligence in Denmark. [2] Websted: https://www.merriam-webster.com/dictionary/artificial%20intelligence. [3] Artikel: “Everyone wants to do the model work, not the data work”: Data Cascades in High-Stakes AI.

Læs mere