Vilka Typer av AI finns det? Komplett Guide

Artificiell intelligens har gått från någonting som de flesta var helt obekanta med till att nu finnas runtomkring oss i en mängd olika format. Utvecklingen av AI har dessutom gått i en rasande från att vara ett teoretiskt forskningsområde till att nu ha massor av konkreta användningsområden i våra dagliga liv för allt från självkörande bilar till AI-drivna skrivverktyg som Tolio.

Möjligheterna med AI är oändliga och dess användning fortsätter att breddas i takt med att tekniken fortsätter att utvecklas.

Men vad innebär egentligen AI? Och vilka olika typer av AI finns det?

AI är förmågan hos en maskin att imitera mänskliga kognitiva funktioner såsom lärande, problemlösning och beslutsfattande. AI-system kan analysera stora mängder data, identifiera mönster och dra slutsatser som möjliggör både automatiserade och mer intelligenta beslut. Naturligtvis öppnas också möjligheterna upp för att effektivisera och automatisera en mängd olika process med allt från kodning, analys av data, skapandet av bilder, och mycket mer.

AI är ett väldigt brett tekniskt område och rymmer därför otroligt mycket när det kommer till funktioner och möjligheter. I denna artikel ska vi därför ta en närmare titt på de olika typerna av AI som finns idag, dess användningsområden, och möjligheter.

Innan vi går vidare är det viktigt att känna till att termen AI bara beskriver förmågan hos ett system att utföra uppgifter som traditionellt sett kräver mänsklig kognitiv förmåga. Med detta sagt kan tekniken som sådan delas in i en mängd olika kategorier och typer av AI beroende på deras specifika syften och förmågor.

Denna artikel ska framförallt fokusera på de tre huvudtyperna av AI nämligen artificial narrow intelligens (smal AI), Artificial general intelligence (AGI), och Artificial super intelligence (ASI). Vi ska också titta närmare på några av de viktigaste underkategorierna av AI som lägger grunden för AI som helhet.

Grunderna i AI

Först och främst kan vi börja med att definiera AI så att vi har en tydlig bild och definition av vad det faktiskt är. Kort sammanfattat kan man säga att aI är en gren inom datavetenskap där syftet är att skapa system eller maskiner som kan utföra uppgifter som normalt kräver mänsklig intelligens. Dessa uppgifter kan inkludera allt från att skapa text till att köra bild, spela ett spel, eller förstå naturligt språk.

Syftet med AI är helt enkelt att göra maskiner kapabla att simulera mänsklig kognition i maskiner. I praktiken innebär detta också att de har förmågan att lära sig av erfarenheter, anpassa sig till nya data och utföra komplexa uppgifter.

Forskning inom AI har något otroligt länge, ända sedan 1950-talet då Alan Turing publicerade sitt arbete ”Computing Machinery and Intelligence” som kom att bli det som nu kallas Turing-testet vilket är en en metod som används att avgöra om en maskin kan uppvisa intelligent beteende som är omöjligt att urskilja från en människas.

På grund av den enorma komplexiteten av denna teknik har enorma resurser, forskning, och resurser krävts för att komma till den punkt vi är idag. Ursprungligen baserades tidiga AI-system på regelbaserade metoder vilket innebar att utvecklare kodade specifika regler som systemet följde för att lösa problem. Även om dessa system har hyfsat effektiva var de bara användbara inom väldigt snäva områden och saknade flexibiliteten att anpassa sig till nya situationer eller lära sig av sina misstag, något som är helt centralt för just människor.

Över tid började man gå över till maskinlärning vilket innebar att AI-system utvecklades genom att lära sig från stora mängder data. Genom att gå över till maskinlärning kunde man uppnå ökad beräkningskapacitet och ökad kapacitet tack vare maskinens kunskap om mer ämnen. Precis som en människa som har studerat länge och mycket information får större kunskap om olika ämnen får ett system som tränats med större mängd data en förbättrad kapacitet.

Ett viktigt framsteg inom maskinlärning är djupinlärning. Detta är en teknik som använder artificiella neurala nätverk med många lager för att modellera komplexa mönster i data. Djupinlärning har lett till enorma framsteg inom en mängd olika områden, inte minst inom bild-och röstigenkänning. 

Dagens AI-system använder i hög utsträckning algoritmer såsoms Convolutional Neural Networks (CNN) och Recurrent Neural Networks (RNN) som möjliggör avancerade tillämpningar inom olika sektorer.

De Tre Huvudtyperna av AI

Nu när vi har en bättre förståelse för vad AI är kan vi titta närmare på de olika typerna av AI som finns.

AI kan delas in i tre huvudtyper beroende på deras kapacitet och funktionalitet. Dessa tre typer är Artificial Narrow Intelligence (ANI), Artificial General Intelligence (AGI) och Artificial Superintelligence (ASI). Alla dessa typer av AI har olika nivåer av intelligens och kapacitet.

Med det sagt har smal AI ingen generell intelligens och kan inte resonera eller utföra uppgifter över olika områden.

Några exempel på smal AI kan inkludera följande:

• Röstassistenter: Siri, Alexa och Google Assistant använder AI för att förstå och svara på talade kommandon.
• Rekommendationssystem: Netflix och Amazon använder AI för att analysera användarnas beteenden och ge personliga rekommendationer.
• Bildigenkänning: Facebooks ansiktsigenkänningsteknik, som automatiskt kan identifiera och tagga personer på foton.
• Självkörande bilar: Fordon som använder AI för att navigera och fatta beslut på vägarna, baserat på en mängd sensordata.

Eftersom att AI-system kan utvecklas för så många olika syften är användningsområdena för verktyg som drivs av smal AI otroligt brett. Faktum är att smal AI kan utvecklas för alla tänkbara specifika syften, från självkörande bilar till praktiska verktyg som utför specifika uppgifter, vare sig det är att sortera dokument till att skapa text, korrekturläsa artiklar, och allt däremellan.

Med detta sagt är användningsområdena för denna teknik otroligt breda. 

Inom hälso- och sjukvård används till exempel diagnostiska verktyg som använder AI för att identifiera sjukdomar från medicinska bilder. Inom finans har tradingrobotar blivit väldigt vanliga och likaså verktyg som hjälper med algoritmiska handelsstrategier och bedrägeridetektering.

Även inom kundtjänst har chatbots blivit otroligt vanliga för att effektivisera kundtjänst genom att låta AI:n sköta kundförfrågningar och supportärenden. Detta är naturligtvis bara några av de otroligt många potentiella användningsområdena för denna teknik.

Tack vare den enorma kapaciteten som AGI kommer att ha är de främsta användningsområdena områden som kräver komplex problemlösning och kreativitet. Detta inkluderar exempelvis vetenskaplig forskning för att upptäcka nya vetenskapliga lagar och teorier, medicin för att utveckla nya behandlingsmetoder och läkemedel, och teknik för att utveckla nya avancerade teknologier och system.

Mycket forskning pågår just nu inom AGI för att lyckas skapa så pass avancerade AI-system med en bred kognitiv kapacitet. De områden som utvecklare lägger mest fokus på är att uppnå system som kan lära sig och förstå erfarenhet på ett sätt som liknar mänskligt lärande, förmågan att tänka och resonera för att kunna lösa nya och okända problem, och att interagera på ett naturligt sätt med människor både via tal men också på andra sätt, inte minst skrift.

Precis som det låter har denna typ av AI en enorm kapacitet och potential. Denna typ av AI är återigen teoretisk och har en förmåga som går så långt att det kan vara svårt att föreställa sig. Detta skulle innebära en intelligens som är långt överlägsen än vår egen. På grund av detta har flera ledare inom AI gått ut och lyft de potentiella farorna med detta och att denna teknik potentiellt skulle kunna hota mänskligheten.

Kategorisering av AI Baserat på Funktionalitet

AI kan även kategoriseras baseras på funktionalitet och inte enbart typ. Denna kategorisering fokuserar därmed primärt på hur de utför olika uppgifter. Att kategorisera AI baserat på funktionalitet kan vara användbart för att förstå olika AI:s förmågor och kapacitet.

Låt oss därför gå igenom de fyra viktigaste kategorierna, nämligen reaktiva maskiner, begränsat minnes-AI, Teori om Sinnet-AI och Självmedveten AI.

Ett exempel på en sådan maskin är IBMs schackdator Deep Blue som besegrade världsmästaren Garry Kasparov 1997. Detta system analyserade alla möjliga drag som den kunde göra på schackbrädet och valde sedan det bästa alternativet baserat på regler, utan att alltså använda någon tidigare spelhistorik.

Ett mer relevant exempel skulle till exempel vara industrirobotar som utför specifika uppgifter som montering och svetsning utan att behöva minnas tidigare åtgärder. Med det sagt blir AI-system som har förmågan att minnas tidigare händelser allt vanligare och har på många håll ersatt reaktiva maskiner då dessa tenderar att vara mer kapabla. Det finns dock områden då detta inte är nödvändigt och då kan reaktiva maskiner vara precis det man behöver för uppgiften.

Ett exempel på begränsat minnes-AI är självkörande bilar. Dessa system använder datan den har samlat in från tidigare resor för att fatta bättre beslut i realtid. Detta kan till exempel vara att undvika ett hål i gatan på en väg som den har kört på tidigare.

På grund av den enorma kapacitet av denna kategori av AI-system är utveckligen fortfarande i ett tidigt skede utan konkreta system som existerar idag. Möjligheten med system inom denna kategori är dock enorma och när utvecklare lyckas  skapa dessa system kommer det öppna upp mängder av nya användningsområden som förbättrar och effektiviserar många olika industrier. Ett exempel skulle till exempel vara en vårdrobot som förstår patientens känslomässiga tillstånd och anpassar sitt beteende och sina rekommendationer därefter. Systemet skulle till exempel kunna upptäcka om en patient är orolig och därmed anpassa sin interaktion för att vara mer lugnande och stödjande.

Mycket forskning pågår särskilt för att utveckla robotar och assistenter som kan svara på mänskliga känslor och sociala signaler, inte bara på uttryckliga instruktioner och kommandon.

I dagsläget är denna typ av AI mer filosofisk om de potentiella möjligheterna med AI men det är inte osannolikt att vi någon gång i framtiden kommer att lyckas utveckla dessa system.

Specialiserade Typer av AI

Även om vi har gått igenom de olika typerna av AI kan det vara bra att känna till olika specifika AI-system och deras specifika funktioner.

Eftersom att AI är ett såpass brett område finns det AI-verktyg och system för alla tänkbara syften och användningsområden. I takt med att AI-tekniken blir alltmer avancerad ökar också teknikens förmåga vilket gör den mer användbar för fler syften och användningsområden.

Även om AI kan delas upp i breda kategorier som vi har diskuterat ovan kan vi därmed också kategorisera AI baserat på  deras specifika uppgifter.

Computer Vision (Datorseende)

Computer vision är precis som det låter, en dators förmåga att tolka det visuella. Detta inkluderar framförallt bilder och videos.

Med hjälp av djupinlärning och algoritmer kan AI-systemen analysera och hämta relevant information från visuella data. Denna teknik har öppnat upp för nya användningsområden och möjligheter med AI, till exempel Tolios förmåga att analysera en webbplats design, eller att ge feedback på en design som du har skapat för att göra den ännu bättre. Ett annat exempel är Apples funktion där man kan söka efter specifika objekt i sin kamerarulle och därmed få upp bilder som innehåller dessa objekt. Detta är möjligt tack vara computer vision som kan identifiera objekt, människor, och andra saker och sedan använda denna förmåga på olika sätt.

Här är några av de främsta förmågorna hos AI-system med computer vision förmåga:

• Bildigenkänning: Identifierar objekt, människor, scener och aktiviteter i bilder. Exempel inkluderar ansiktsigenkänning som används i säkerhets- och autentiseringssystem.
• Objektdetektering: Lokaliserar och identifierar flera objekt inom en bild. Detta används exempelvis i självkörande bilar för att identifiera fotgängare, andra fordon och vägskyltar.
• Bildsegmentering: Delar upp en bild i dess beståndsdelar eller segment, vilket gör det möjligt att analysera specifika regioner mer detaljerat. Medicinsk bildanalys använder denna teknik för att identifiera tumörer och andra avvikelser i röntgenbilder och MR-scanningar.

Användningsområdena för AI med computer vision som sagt många. I hälsa-och sjukvården har man börjat använda denna teknik i diagnosverktyg för att analysera medicinska bilder och upptäcka sjukdomar som cancer.

Inte minst inom säkerhet använder många övervakningssystem denna teknik numera för att identifiera objekt och potentiella hot och annat som man bör vara uppmärksam på.

Robotik

En annan typ av AI-funktion är robotik vars fokus är utveckling och drift av robotar. Robotar har under senare år blivit alltmer utbredda och fått fler och fler användningsområden och syften, inte minst inom industri och tillverkning men också som personliga assistenter och liknande. Användningsområdena och potentialen med AI-robotar utvecklas ständigt men i grunden är det deras förmåga att utföra komplexa uppgifter antingen autonomt eller semi-autonomt som gör de så värdefulla. Ofta integreras även flera olika tekniker i robotarna för att göra d mer kapabla såsom maskininlärning, datorseende (computer vision), och naturlig språkbehandling.

Robotar är ganska komplexa hårdvara som består av många olika komponenter där de viktigaste är:

• Sensorer och Aktuatorer: Robotar är utrustade med sensorer för att samla in data från omgivningen (t.ex. kameror, lidar, beröringssensorer) och aktuatorer för att utföra rörelser och åtgärder.
• Styrsystem: AI-algoritmer som bearbetar sensordata och fattar beslut om hur roboten ska agera. Detta inkluderar både realtidsbeslut för rörelseplanering och långsiktiga strategier för uppgiftsutförande.