AI-skolen del 3: Ulike former for læring

En AI-modell må trenes opp for å lære og utføre fremtidige handlinger. Det finnes flere måter for at det skal skje, og i denne delen skal vi ta for oss tre av de.

Ekspertsystemer

Ekspertsystemer er designet for å etterligne beslutningstakingen og problemløsningsevnen til menneskelige eksperter innen et spesifikt kunnskapsområde. Disse systemene bruker regler og kunnskap samlet fra eksperter til å ta informerte beslutninger og gi løsninger.

Dette er systemer som er utviklet for helt bestemt oppgaver, og de lærer ikke noe nytt av seg selv. De kan best sammenlignes med det vi kaller flytskjema. Viss en handling skjer gå til høyre, viss en annen handling skjer gå venstre, helt til man finner en løsning.

Selv om ekspertsystemer har sine begrensninger, og kan være avhengige av nøyaktigheten og fullstendigheten av den innhentede ekspertisen, er de også nyttige verktøy. De vil som oftest være de sikreste systemene, og vil få det resultatet det er programmert til å være. 

Maskinlæring

(Machine Learning/ML)

Maskinlæring er en gren av kunstig intelligens (AI) som handler om å utvikle algoritmer og metoder som gjør det mulig for datamaskiner å lære av data. Maskinlæring gir datamaskiner muligheten til å analysere store mengder data, identifisere mønstre og ta beslutninger eller gjøre forutsigelser basert på disse mønstrene.

I stedet for å bli programmert med spesifikke instruksjoner for å utføre en bestemt oppgave, lærer maskinlæringssystemer fra eksempler eller erfaringer. Dette gjøres ved å trene modeller med store datasett og forbedrer ytelsen basert på tilbakemeldingene som modellen mottar.

Det finnes ulike treningsformer for slike AI-modeller, men felles er at de får plusspoeng for når de gjør en ønsket handling, og minuspoeng viss de gjør en uønsket handling.

Maskinlæring brukes i dag i en rekke steder, for eksempel bilkjøring, talegjenkjenning, anbefalingssystemer, medisinsk diagnose og mange andre områder.

Dyp læring

(Deep Learning/DL)
Dyp læringer en undergren av maskinlæring som fokuserer på å bygge og trene kunstige nevrale nettverk. Disse nevrale nettverkene er inspirert av strukturen og funksjonen til den menneskelige hjernen, og er spesielt effektive for å takle komplekse og abstrakte problemer.

I dyp læring blir dataene matet inn i et nettverk med flere lag, og hver lag behandler informasjonen på ulike nivåer. De første lagene i nettverket lærer å identifisere enkle funksjoner, som linjer eller kanter, mens de senere lagene lærer å sette sammen alt til å finne avanserte mønstre. At nevrale nettverk kan jobbe på denne måten, gjør at de kan tilpasse seg nye data, og jobbe på en selvstendig måte.

En av de viktigste egenskapene ved dyp læring er evnen til å automatisere læring. Det betyr at modellen kan lære å utføre oppgaver direkte fra rådata, uten behov for tilbakemelding fra mennesker. Dette er en bra løsning for for bilde- og talegjenkjenning, naturspråkbehandling, oversettelse, automatisk kjøretøyteknologi og mange andre komplekse utfordringer.

Dyp læring krever store mengder merket treningsdata og betydelig databehandlingskraft.

Oppgaver

Spørsmål til teksten
3.1) Hva begrenser ekspertsystemer?
3.2) Hva kan være bra med ekspertsystemer?
3.3) Hva er forskjellen mellom ekspertsystemer og maskinlæring?
3.4) Hvordan blir en AI-modell som bruker maskinlæring bedre?

3.5) Hva skal de nevrale nettverkene etterligne?

3.6) Hva er en av de viktigste egenskapene til dyp læring?

Ordbank
3.7)