Introduktion till AI

AI har på kort tid förändrat sättet vi arbetar och lever på. Och det kommer att bli ännu mer tydligt i den närmsta framtiden. Men AI är ingen ny uppfinning. Tekniken har länge använts i mängder av vardagstjänster, bland annat i sökmotorer och i smarta tjänster i din telefon.

Användningsområden för AI

Genom att analysera stora mängder data kan AI erbjuda insikter och identifiera mönster som inte är uppenbara för människan. Inom sjukvården hjälper tekniken exempelvis till med att analysera röntgenbilder och ställa diagnoser. Och i finanssektorn används AI till riskbedömning och att upptäcka bedrägerier.

Nytta och möjligheter med AI

Kortfattat kan man säga att AI kan användas för uppgifter som annars skulle ha utförts av en människa. AI kan utföra tidskrävande uppgifter och frigöra tid för människor, som därmed kan ägna sig åt andra uppgifter.

Under de senaste åren har AI fått en allt större betydelse inom olika yrkessektorer, särskilt genom framväxten av generativ AI. Generativ AI bygger på maskininlärning, där stora mängder data samlas in, analyseras och används för att generera svar eller slutsatser baserade på de frågor som ställs.

Mer om generativ AI

Med generativ AI menas den typ av artificiell intelligens som skapar nytt innehåll från användarens instruktioner. Det kan exempelvis skriva texter och generera bilder, men också om att sammanfatta dokument, översätta mellan olika språk och skriva programkod. Ju mer kvalitativ information som matas in, desto bättre resultat kan genereras.

Kärnan i generativ AI är maskininlärning. Avancerade algoritmer, särskilt djupinlärning med neurala nätverk, skapar nytt innehåll baserat på befintliga data. Maskininlärning skiljer sig därmed mot klassisk programmering, där utvecklaren skriver instruktioner för hur en dator ska agera i varje möjlig situation.

Bakom artificiell intelligens och maskininlärning finns en mängd olika tekniker. Genom att förstå de olika modellerna och träningsmetodernas styrkor och svagheter, samt hur de är sammankopplade, kan vi utveckla mer effektiva och innovativa AI-system.

Koncept och begrepp

Här följer några viktiga koncept och begrepp som man ofta stöter på i AI-sammanhang.

AI-modell

En AI-modell är ett program som har tränats på data för att kunna exempelvis identifiera mönster, generera text eller fatta beslut utan mänsklig intervention. Exempel på AI-modeller är till exempel Google Gemini och ChatGPT.

Prompt

En prompt är den instruktion som en användare skriver till en generativ AI-modell. En prompt kan exempelvis vara en text, fråga, bild eller annan information.

Övervakat lärande

Modellen tränas med data som har tagits fram med specifika beskrivningar, även kallad annoterad data. De bilder som används för träning har en text som förklarar vad varje bild föreställer. Det kan exempelvis handla om att förse AI-systemet med en bild av en katt, tillsammans med en text som berättar att bilden föreställer just en katt. Målet är att systemet ska lära sig hur en katt ser ut.

Oövervakat lärande

Modellen tränas med oannoterad data, alltså data som saknar ytterligare beskrivning. I oövervakat lärande försöker systemet på egen hand hitta strukturer och mönster. Ett exempel på användningsområde är rekommendationssystem som ger förslag till en besökare på en e-handelssajt beroende på vad hen har köpt vid ett tidigare besök.

Förstärkt lärande

Förstärkt lärande är ett av de system som används vid utveckling av AI-system som ska svara på frågor. Detta för att lära systemen hur de ska formulera så användbara svar som möjligt. Modellen går ut på att en AI lär sig genom att testa sig fram och få feedback. När den gjort bra ifrån sig får den en belöning. Målet är att AI:n ska lära sig vilka handlingar som ger bäst resultat och på så sätt bli bättre på att lösa en uppgift.

Neurala nätverk

AI-teknik inspirerad av hjärnans struktur. Nätverken består av lager av digitala "neuroner" som bearbetar information och skickar den vidare. Genom att justera kopplingarna mellan neuronerna kan nätverket lära sig olika uppgifter, som att känna igen bilder, skapa text eller rita. Många moderna AI-system bygger på denna teknik.

Hallucination

AI-modeller kan generera svar som verkar rimliga men som är felaktiga. Enkelt uttryckt ger AI-modeller det mest sannolika svaret, vilket inte alltid är korrekt. Hög kvalitet på träningsdata och noggranna tester är två strategier för att minska förekomsten av hallucinationer.

Bias

Om informationen till exempel är partisk eller innehåller fördomar kan AI ge oriktiga och orättvisa svar. Det kan exempelvis uppstå om vissa grupper av människor är underrepresenterade eller felaktigt porträtterade i träningsdatan. I dessa fall kan modellen fatta beslut som reproducerar och överdriver stereotyper. Detta kan leda till orättvisa resultat i allt från rekrytering till rättsliga beslut och ansiktsigenkänning.