söndag 5 februari 2017

Tre världsomvandlande tekniker för 2017: maskininlärning


Generella teknologier är ofta de som förändrar världen mest. Jämför med hur elektriciteten och informationstekniken ligger till grund för att det utvecklas fler tekniken som använder den grundläggande teknologin till allt fler sammankopplade tekniker. Nu när samtiden allt oftare talar om sakernas internet så slås ju till och med elektriciteten och informationstekniken ihop till en ny form av teknologi.

Idag finns det tre teknologier under utveckling som är viktiga att uppmärksamma just för att de är generella: blockkedjan, CRISPR och maskininlärning. De tre teknikerna har omtalats under året som gått därför att de är nära ett bredare genombrott, faktiskt med viss varning för hype.

Från 70-talet till millennieskiftet talades det ofta om en AI-vinter. På 2010-talet kom istället AI-revolutionen, mycket tack vare maskininlärningen.

Maskininlärning är en typ av artificiell intelligens som ger datorer förmågan att lära sig utan att uttryckligen programmeras. Maskininlärningens första stora framgång var förmodligen Google. Google visade att det är möjligt att få fram information genom att använda en datoralgoritm, en algoritm som bygger på maskininlärning. Inlärningsalgoritmer "utbildar sig" genom att samla och organisera information från stora mängder data. Det är ofta svårt att urskilja exakt hur algoritmen utformar de regler som den gör förutsägelser efter.

Djupinlärningsalgoritmer är inspirerade av hur den mänskliga hjärnan fungerar och som en effekt av det så har den inga teoretiska begränsningar i vad de kan åstadkomma. Ju mer data och beräkningstid, desto bättre.

År 2016 vann Googles AlphaGo över en mänsklig mästare i spelet go. IBMs Watson är fortsatt omtalad och självkörande bilar tog några, lyckligtvis, inte alltför upphypade steg framåt. Främst därför att debatten tidigt kom igång om att trafiken är ett socialt system.

År 2017 är det upp till bevis, det inte minst efter att chatbottar och agenter blev hypade och inte kunde leva upp till förväntningarna. Allmänna vardagliga konversationer (Tay blev ett nazi-troll på nätet för att boten tränades i det av sin omgivning) och att kunna förstå allt bredare sammanhang är några av de svåraste tillämpningarna för fältet.

Fram till idag har mönsterigenkänning från stora mängder data varit något som Google Photo eller Amazon Alexa kunnat göra till en hög kostnad. Men kan dessa algoritmer användas av mindre företag och framförallt av nya innovativa start-ups?

Det som talar för en sådan utveckling är att algoritmerna läggs in i tjänster med öppna APIer samt att Amazon, Google och Microsoft nu utvecklar och släpper tjänster för "AI on demand". Då finns det tillgång till stora mängder data och bristen på programmerare inom maskininlärnings kan övervinnas. Hindret är att priserna på molntjänsterna inte är tillräckligt transparenta ännu, först då blir det rimligt att träna de algoritmer man skapat i någon annans moln.

I den industriella revolutionen såg vi en stegvis förändring i prestanda tack vare motorernas utveckling. Efter en stund flackade utvecklingskurvan ut, prestanda kunde förbättras men inte funktionerna. Maskininlärningsrevolutionen kommer aldrig kommer att lugna ner sig. Ju bättre datorer blir på intellektuella aktiviteter desto bättre kan de bygga bättre datorer som har större intellektuella förmågor. På intellektet finns inga gränser.

Läs även andra bloggares åsikter om , , , , , ,

Intressant

Google Gemini - the innovator's dilemma?

Det var många som reagerade på Googles AI Gemini. I sitt försök att korrigera tidigare bias i sökmotorn har Google fått kritik för att ha gå...