Begreppslista AI

AGI står för Artificiell Generell Intelligens och syftar på en hypotetisk form av AI som skulle ha förmågan att förstå, lära och tillämpa kunskap på samma nivå som en människa, över ett brett spektrum av uppgifter. Tänk dig en AI som en schweizisk armékniv – istället för att ha ett verktyg för varje specifik uppgift, har AGI förmågan att anpassa sig till och hantera nästan vilken situation som helst, precis som en människa.

Om vi når AGI skulle detta potentiellt kunna innebära en enorm utveckling inom många områden. Det skulle till exempel kunna innebära att vi kan automatisera forskning och lösa en rad problem. Det skulle också kunna innebära att vi kan automatisera AI-utvecklingen och låta en AI forska och bidra till sin egen utveckling. Vi har ännu inte nått AGI och när, eller om, vi kommer att nå AGI är forskarna oense om. Vissa menar att det kommer att ta väldigt lång tid, andra menar att det kan vara så nära som 2027.

En algoritm är en stegvis uppsättning instruktioner eller regler för att lösa ett specifikt problem eller utföra en uppgift. En algoritm kan liknas vid ett detaljerat recept. Precis som ett recept ger steg-för-steg-instruktioner för att laga en maträtt, ger en algoritm exakta instruktioner som en dator eller AI-system följer för att lösa problem eller utföra uppgifter.

I artificiell intelligens används algoritmer för att bearbeta data, lära sig mönster och fatta beslut. De utgör grunden för hur AI-system tänker och agerar. Komplexa AI-system kan använda många sammankopplade algoritmer för att hantera avancerade uppgifter som bildigenkänning, naturlig språkbehandling eller beslutsfattande.

Ett beslutsträd är en enkel men kraftfull modell inom maskininlärning som fattar beslut genom att följa en serie frågor, likt en flödesschema. Ett beslutsträd kan liknas vid en serie ja/nej-frågor i ett frågespel. Precis som man i ett sådant spel ställer frågor för att gissa vad någon tänker på, använder ett beslutsträd frågor för att komma fram till ett beslut eller en klassificering.

Ett beslutsträd börjar med en rotfråga och förgrenar sig sedan baserat på svaren, likt grenarna på ett träd.

Exempel

Ett beslutsträd för att avgöra hur man ska ta sig till skolan på morgonen:

• Vaknade du i tid?
  • Ja → Är bussen sen igen?
    • Ja → Finns det någon kompis med körkort i närheten?
      • Ja → Åk med kompisen (men var beredd att lyssna på dålig musik).
      • Nej → Börja gå och hoppas på ett mirakel.
  • Nej → Har du ätit frukost?
    • Ja → Ta bussen som en ansvarsfull elev.
    • Nej → Hinner du köpa en kanelbulle på vägen?
      • Ja → Bulle är frukost, ta bussen.
      • Nej → Ta bussen, men var beredd på att vara hungrig under första lektionen.
  • Nej → Är det mer än 15 minuter sen?
    • Ja → Finns det en ursäkt du inte använt den här månaden?
      • Ja → Använd ursäkten och skynda dig.
      • Nej → Erkänn att du försovit dig och ta konsekvenserna (ärlighet varar längst, sägs det).
  • Nej → Kan du klä på dig på under 2 minuter?
    • Ja → Gör det och spring som om ditt liv hänger på det.
    • Nej → Överväg att gå i pyjamas (starta en ny trend!).

Bias inom AI är systematiska fel eller förutfattade meningar som kan finnas i AI-system, vilket leder till orättvisa eller felaktiga resultat. Bias i AI kan liknas vid att ha ett förstoringsglas som förstärker vissa delar av en bild men förminskar eller helt missar andra delar. Detta ger en skev bild av verkligheten.

Eftersom AI sällan är bättre än sin träningsdata finns risken att vi bygger in våra mänskliga fördomar. Vilka bilder får jag till exempel om jag ber om en bild på en terrorist, på en chef eller en snygg tjej? Risken med Bias är att vi reproducerar fördomar eller skevheter i vårt samhälle och tappar mångfald. Språkmodeller är till exempel huvudsakligen tränade på västerländsk text – vilka perspektiv kan då gå förlorade?

Deep learning är en kraftfull AI-metod som lär datorer att lära sig från exempel, ungefär som människor gör. Tänk dig deep learning som en superelev som lär sig genom att titta på massor av exempel. Ju fler exempel denna elev ser, desto bättre blir den på att känna igen mönster och lösa problem. Deep learning använder något som kallas "neurala nätverk". Dessa nätverk är uppbyggda lite som hjärnan, med många lager av sammankopplade "neuroner".

När vi matar in massor av data (som bilder eller text) i nätverket, lär det sig att känna igen mönster. Till exempel kan det lära sig skillnaden mellan bilder av hundar och katter genom att titta på tusentals djurbilder. Ju mer data vi ger nätverket, desto bättre blir det på att göra saker som att känna igen ansikten i bilder, förstå och svara på frågor, översätta mellan språk, spela avancerade spel. Det som är imponerande med deep learning är att datorn lär sig själv utan att vi behöver berätta exakt hur den ska göra. Den hittar mönster på egen hand! Deep learning används i många saker vi använder dagligen, som röstassistenter (typ Siri), ansiktsigenkänning i mobilkameror och rekommendationer på strömningstjänster.

Generativ AI är artificiell intelligens som kan skapa nytt innehåll som text, bilder, musik eller till och med videoklipp. Man kan likna generativ AI vid en mycket kreativ elev som, efter att ha studerat många exempel, kan skapa egna unika verk. Precis som en konstnär som har studerat många målningar och sedan skapar egna konstverk.

Generativ AI lär sig från stora mängder data. Till exempel kan den studera miljontals bilder eller texter. Efter inlärningen kan den skapa nytt innehåll som liknar det den har lärt sig från, men som ändå är unikt.

Exempel på generativ AI är Chat GPT, Midjourney (bilder), Udio (musik) och Runway Gen 3 (video).

I AI-sammanhang syftar hallucination på när ett AI-system genererar information som är påhittad, felaktig eller saknar grund i verkliga fakta eller träningsdata. Hallucination i AI kan liknas vid en person som försöker fylla i luckorna i en berättelse de bara delvis kommer ihåg. De hittar på detaljer för att göra berättelsen komplett, men dessa detaljer kanske inte stämmer med verkligheten.

En hallucination är alltså när en AI producerar innehåll som verkar trovärdigt men faktiskt är felaktigt eller påhittat. Det kan vara små detaljer eller helt fabricerade fakta och sammanhang. Hallucinationer är inte avsiktliga lögner - AI har ingen förståelse för sanning eller falskhet.

Klassificering är en teknik inom maskininlärning där AI-systemet lär sig att sortera data in i fördefinierade kategorier eller klasser. Klassificering kan liknas vid en sorteringsmaskin på ett postkontor som sorterar brev och paket i olika fack baserat på deras egenskaper som storlek, vikt eller destination.

Ett klassificeringssystem tar in data och bestämmer vilken kategori den tillhör baserat på vad systemet har lärt sig från tidigare exempel. Systemet tränas på en mängd exempel där varje exempel är kopplat till en känd kategori. Det lär sig att identifiera mönster och egenskaper som är typiska för varje kategori. När systemet möter nya, okända data, använder det sin inlärda kunskap för att förutsäga vilken kategori den nya datan tillhör.

Maskininlärning är en del av artificiell intelligens där datorer lär sig att utföra uppgifter genom erfarenhet, utan att vara uttryckligen programmerade för varje steg. Maskininlärning kan liknas vid hur en människa lär sig cykla. I början kanske man ramlar ofta, men med övning lär man sig balansera och cykla smidigt. På samma sätt "övar" datorn på en uppgift och blir bättre med tiden.

I traditionell programmering ger programmerare datorn exakta instruktioner för varje steg. I maskininlärning ger man istället datorn data och låter den hitta mönster själv.

Datorn använder algoritmer för att analysera data och lära sig från den. Ju mer data datorn får, desto bättre blir den på att utföra sin uppgift.

Exempel på användningsområden:

• Rekommendationssystem (som på Netflix eller Spotify)
• Bildigenkänning (i mobilkameror)
• Spamfilter i e-post
• Självkörande bilar

Neurala nätverk är en typ av AI-system inspirerat av hur den mänskliga hjärnan fungerar. De består av sammankopplade "noder" eller "neuroner" som bearbetar information. Ett neuralt nätverk kan liknas vid ett stort nätverk av människor som spelar viskleken. Varje person (neuron) tar emot information, bearbetar den lite, och skickar den vidare till nästa person i nätverket.

Ett neuralt nätverk består av lager av sammankopplade enheter som kallas neuroner. Det finns vanligtvis ett ingångslager, input, ett eller flera dolda lager, och ett utgångslager, output. Ingångslagret tar emot data (t.ex. en bild). De dolda lagren bearbetar informationen. Utgångslagret ger ett resultat (t.ex. "detta är en bild av en katt"). Nätverket "lär sig" genom att justera styrkan på kopplingarna mellan neuronerna baserat på träningsdata.

Neurala nätverk kan anpassa sig till många olika typer av uppgifter genom att ändra sin struktur och antalet lager.

Promptning är konsten och tekniken att formulera instruktioner eller frågor till en AI på ett sätt som får den att producera önskat resultat. Promptning kan liknas vid att vara en regissör som ger instruktioner till en skådespelare.

Hur tydliga och specifika instruktionerna är påverkar hur bra skådespelaren (AI:n) presterar. Framför allt talar man om promptning i samband med språkmodeller och bildgeneratorer. Rätt promptning kan drastiskt förbättra kvaliteten och relevansen av AI:ns output.

En språkmodell är ett AI-system tränat på stora mängder text för att förstå, generera och manipulera mänskligt språk. En språkmodell kan liknas vid en extremt välutbildad språkvetare som har läst och analyserat miljontals böcker, artiklar och konversationer. Denna språkvetare kan nu förstå i språket, förutsäga vad som kommer härnäst i en mening, och till och med producera text i olika stilar.

Språkmodeller används inom AI för att möjliggöra naturlig interaktion mellan människor och maskiner. De kan översätta mellan språk, sammanfatta texter, svara på frågor och till och med skriva kreativt. I praktiken ligger språkmodeller bakom många AI-applikationer vi använder dagligen, som chattbottar, automatiska översättningsverktyg och intelligenta skrivassistenter.

Tokens är de minsta meningsfulla enheterna som en språkmodell använder för att bearbeta och förstå text. Det kan vara ord, delar av ord, eller till och med enskilda tecken. Tokens kan liknas vid byggstenar i ett gigantiskt språkpussel. Precis som vi bygger meningar med ord, bygger en AI-modell sin förståelse och generering av text med hjälp av dessa tokens.

I språkmodeller är tokens en extremt viktig del av hur AI förstår och bearbetar text.

När text matas in i en språkmodell, delas den upp i tokens. Till exempel kan meningen "Jag älskar AI" delas upp i tokens som:

["Jag", "älsk", "ar", "AI"]

Varje token omvandlas till en siffra som AI-modellen kan arbeta med. Modellen analyserar hur dessa tokens relaterar till varandra för att förstå meningens betydelse. När modellen skapar text, väljer den tokens i sekvens för att bygga meningar och stycken.

Antalet tokens en modell kan hantera samtidigt kallas ofta för "kontextfönster" och påverkar hur mycket information modellen kan ta hänsyn till när den bearbetar eller genererar text.

Transparens inom AI handlar om hur öppet och begripligt ett AI-system är – hur lätt det är att förstå hur systemet fungerar och fattar beslut. Tänk dig AI som en domare i en sporttävling. Transparens är som att denna domare tydligt förklarar varje beslut och visar hur poängen räknas ut, istället för att bara ge ett slutresultat utan förklaring.

Det handlar om att kunna se ”under huven” på AI-systemet och förstå hur AI:n kommer fram till sina slutsatser eller beslut. Detta är viktigt eftersom vi vill kunna förstå varför och hur en AI har fattat de beslut den har gjort. En AI som bedömer låneansökningar bör kunna förklara varför den godkänner eller avslår en ansökan och en självkörande bil bör kunna redogöra för varför den valde en viss rutt eller gjorde ett visst beslut i trafiken.