Skillnad på AI och vanlig datorkraft??

[magloman]

Sen någon månad är allt AI helt plötsligt?

Vad skiljer AI mot vanlig processorkraft?

Man har sen datorn kommit använt dessa för att simulera och räkna ut saker. Processorerna har blivit smabbare och kan göra väldigt snabba beräkningar. Vanligt att kombinera många processorer för att få ökad kraft.

Är det återigen bara ett nytt modeord, för att något företag som har ordet i sin titel ska öka börsvärdet, så nån kan tjäna en slant?

[Towil]

Det är mjukvaran som är AI.

[magloman]

Ja utan mjukvaran så vet ju inte hårdvaran vad den ska göra. Men vad skiljer mjukvara för tex vädersimulering med eller utan ai ?

[Towil]

https://techworld.idg.se/2.2524/1.699032/ai-sa-funkar

[RoXa]

Artificiell intelligens har blivit ett modeord i marknadsföringsslängen för att påskina att mjukvaran är avancerad och modern.

I praktiken så är AI synonym med maskininlärning, vilket innebär att en dator lär sig hur saker fungerar från insamlad data. Istället för att koda på klassiskt vis, så skapar man en modell, som har till syfte att förklara hur en insignal X (kan vara multidimensionell) är relaterade till utsignalen Y (kan också vara multidimensionell). Problemet är att modellens parametrar (refereras också till som koefficienter eller vikter beroende på typen av modell) är okända. Det vill säga modellen har till en början ingen aning om hur X och Y samverkar. Med hjälp av data så kan modellen rättas till (justera parametrarna) på ett automatiserat vis. I grunden är det hela ett vanligt (i princip alltid ett ickelinjärt) optimeringsproblem. Dessa modeller tenderar att vara mycket mer effektiva än motsvarande klassiska som är framtagna av människor.

Dock är maskininlärning inte helt automatiskt, för man behöver först skapa strukturen för modellen, tex bestämma vilken typ av modell man ska ha (neuronnät, Gaussian process etc) sedan bestämma hur stor den ska vara, m.m. Dessa designval kallas för hyperparametrar, och innebär ett optimeringsproblem det med, då det på förhand inte är känt vilka hyperparametrar som är de optimala.

Maskininlärning har för tillfället stort genomslag inom computer vision (detektera föremål i bilder) samt inom language processing (förstå tal och text). Ett annat stort område är inom regression för tidsserier, där man försöker lära sig hur framtiden kommer att utspela sig givet vad vi observerat tidigare.

Alla har väl hört talas om ChatGPT vid det här laget? Annars rekommenderar jag att ni skapar ett gratiskonto och testar. Fungerar bäst på engelska, men går även på svenska. Har kolleger som använder den i sitt jobb för att snabba på rutinjobb som att skriva avtal, svara på kluriga frågor etc. Hittas här: https://chat.openai.com/. Den fungerar riktigt bra och kommer att konkurrera ut googles sökmotor inom några år om google inte lägger in en växel och kommer ikapp. Det händer mycket på denna fronten nu. Microsoft har tex investerade 130 miljarder kronor i Open AI hittills. Då ska man komma ihåg att Open AI är en non-profit organisation som startade 2015.

Är det något särskilt du funderar på kring AI?

[Alexn72]

Enkelt förklarat...
AI är ett barn, man kan lära det saker och den "förstår" och sen kan den dra egen slutsatser.

En dator gör vad den blir tillsagd.

[RoXa]

Det stora skiftet är att man går ifrån det klassiska kodandet till att automatiskt lära sig hur det hela ska gå till med maskininlärning (ML). Men, det finns inga gratisluncher.

Eftersom allt ska läras från data (tyvärr även sådan vi människor redan vet), så måste man samla in mängder av data, som är rik på innehåll. Det vill säga, den måste innehålla alla tänkbara situationer som modellen ska kunna hantera. Detta är en stor nackdel med ML, då det ofta är dyrt att samla in data, dyrt att förvara data, dyrt att kvalitetssäkra data, och ännu dyrare att annotera data (skicka den till några underbetalda asiater som manuellt klassificerar vilken typ av data det är). Sedan kan man träna (lära) modellen, vilket också kräver rejält med processorkraft. Sedan ska modellen användas i någon apparat (typ en bil) och kräver en hel del processorkraft även där för att köras.

Men det fungerar mycket bra, och området är glödhett med nya stora landvinningar varje månad. En stor del av all forskning är nu inriktad mot ML inom nästan alla disipliner.

[magloman]

Tack Roxa då är det som jag trodde

[JD400]

Ett av (många) problem med AI idag och t.ex. ChatGPT är att det blir lite "mansplaining" då AI:n ofta framställer saker som tvärsäkra och även ofta med ett resonemang bakom. Men man ska ju ha klart för sig att den är bäst på frågor där den har haft ett stort underlag i form av data och man ska ta svaren med en nypa salt. Sen är resonemanget hur den kommit fram till ett visst svar ofta en svart låda för komplex för oss människor att förstå. Med det sagt använder jag också AI i jobbet, t.ex. att använda som en egen privatlärare inom ett område där man kan ställa frågor och få skapliga svar tillbaka.

[RoXa]

Egentligen ingen större skillnad emot att leta information på bloggar, forum eller google.

Men som med alla andra programvaror så gäller det att förstå vad man stoppar in, samt kritiskt granska det som kommer ut. Det krävs fortfarande en ingenjör för att bygga en bro, även om programvaror gör alla beräkningar.

Inom en snar framtid kommer osäkerhetsskattande AI, dvs, man kommer få en skattning på hur sannolikt det är att modellen (kill)gissar. Jag har själv använt sådana modeller för regressionsproblem i min forskning, och de fungerar mycket bra.

[akkamaan]

Att ett kontrollsystem (datorer) lär sig under tiden vad som kommer att hända i en nära framtid är ingen nytt i och med AI eller Artficiell Intelligens. AI skulle kunna kallas Artificiell Intelligens, Artificiell Inlärning, Adaptiv Inlärning, Anpassad Inlärning etc etc.
Just "Adaptiv" som term har använts sedan 1990-talet i avverkningsskördares apteringsdatorer i from av "adaptiv Aptering". Det handlade om att apteringsdatorn fick information som samlades in om stammens, trädslag avsmalning, dimension, kvalitetsgränser som lagras som "Stamprofiler" som sedan med matematiska algoritmer sedan lägger grunden för att förbättra datorns förmåga att prognostisera stammens avsmalning och därmed kunna föreslå val av kort eller lång stock.
När man börjar köra på en ny avverkningstrakt och tar första trädet så är det bara "Förarens Intelligens" som kan ge datorn tips om trädets avsmalning. Men efter ett träd så har datorn fått information om trädstammens hela "stamprofil". När flera stamprofiler samlats in i olika dimensionsklasser och trädslag så kan apteringen effektiviseras. När, skördaren sedan förflyttar sig inom beståndet, t ex uppför en lång sluttning så ändras stamprofilerna successivt. det blir större avsmalning och kortare träd ju höge upp på "berget" man kommer. I dag med GPS så kan adaptiv aptering ytterligare förbättras.

Ett annat område är styrningen av skogsmaskinskranar där så kallad "kranspetsstyrning" vari på tapeten i nästa 4 år. JD var först ut för ca 10 år sedan med IBC, Intelligent Boom Control. Nyligen presenterades en vidareutveckling av IBC där kranens styrdator lagrar positionsdata på lastredet, position av vart det senaste trädet fälldes, var det senaste virkeshögen var placerad etc. Informationen används sedan för att autmatiskt kör kranen under några sekunder och avlasta föraren. Kanske bäst kommer till sin rätt för pålastningsrörelsen och avlastning till välta. Sen om allt detta passar in i uttrycket AI kan jag inte säga men det är definitvit "Inlärning" under drift...

[RoXa]

AI är ett väldigt brett begrepp, så väldigt mycket kan skohornas in där.

Apteringsalgoritmen är troligen modellbaserad. Då bygger den på en förutbestämd fysikalisk modell (borde vara ganska enkel, eftersom avsmalningen av stammen är typ linjär). Sedan uppdaterar man parametrarna efter hand (adaptivt) troligen genom att använda ett linjärt adaptivt kalmanfilter. Detta motsvarar ”grey boxing”, eftersom modellen är framtaget för att matematiskt representera verkligheten, men med okända parametrar som tränas fram.

Det vi dag gör är att vi har en ”black box” istället, där man använder modeller som inte har någon fysikalisk innebörd. Det vill säga, den färdiga modellen kan inte förstås av människor. Förenklat sett, så kan vi bara observera och förstå in- och utsignalerna. Dessa modeller kan lära sig vad som helst, bara de innehåller tillräckligt parametrar och det finns tillräckligt med data och beräkningskraft.

Den teoretiska grunden för ”deep learning” har utvecklats sedan 50-talet, men det är först de senaste 10-15 åren som vi haft tillräckligt med beräkningskraft och data för att utnyttja dess potential.

[BM 4 ever]

Använder du AI på dina Marshaller ?

[RoXa]

Nej, inte ännu. Men det finns några vagt formulerade idéer om framtiden.

[Ulf]

Jag använder ibland chatAi för att kolla kod, en slags kodgranskning.
Fungerar hyfsat, men inte felfritt!

Samma sak med att ge förutsättningar och be den beräkna, för både enheter och resultat kan bli bort i stôll.
Men nämner man det så brukar det rätta till sig.