Å bryte ned fordelene og ulempene med kunstig intelligens – IBM Blog

Kunstig intelligens (AI) refererer til de konvergerende feltene innen data- og datavitenskap fokusert på å bygge maskiner med menneskelig intelligens for å utføre oppgaver som tidligere ville ha krevd et menneske. For eksempel læring, resonnement, problemløsning, persepsjon, språkforståelse med mer. I stedet for å stole på eksplisitte instruksjoner fra en programmerer, kan AI-systemer lære av data, slik at de kan håndtere komplekse problemer (så vel som enkle, men repeterende oppgaver) og forbedre seg over tid.

Dagens AI-teknologi har en rekke brukstilfeller på tvers av ulike bransjer; bedrifter bruker AI for å minimere menneskelige feil, redusere høye driftskostnader, gi sanntidsdatainnsikt og forbedre kundeopplevelsen, blant mange andre applikasjoner. Som sådan representerer det et betydelig skifte i måten vi nærmer oss databehandling på, og skaper systemer som kan forbedre arbeidsflyter og forbedre elementer i hverdagen.

Men selv med de utallige fordelene med AI, har det bemerkelsesverdige ulemper sammenlignet med tradisjonelle programmeringsmetoder. AI-utvikling og -distribusjon kan komme med bekymringer om personvern, jobbforskyvninger og cybersikkerhetsrisiko, for ikke å nevne den enorme tekniske oppgaven med å sikre at AI-systemer oppfører seg som tiltenkt.

I denne artikkelen vil vi diskutere hvordan AI-teknologi fungerer og legge ut fordelene og ulempene med kunstig intelligens sammenlignet med tradisjonelle databehandlingsmetoder.

Hva er kunstig intelligens og hvordan fungerer det?

AI opererer på tre grunnleggende komponenter: data, algoritmer og datakraft. 

• Dato: AI-systemer lærer og tar beslutninger basert på data, og de krever store mengder data for å trene effektivt, spesielt når det gjelder maskinlæringsmodeller (ML). Data deles ofte inn i tre kategorier: treningsdata (hjelper modellen til å lære), valideringsdata (justerer modellen) og testdata (vurderer modellens ytelse). For optimal ytelse bør AI-modeller motta data fra en rekke datasett (f.eks. tekst, bilder, lyd og mer), som gjør det mulig for systemet å generalisere læringen til nye, usynlige data.
• algoritmer: Algoritmer er sett med regler AI-systemer bruker for å behandle data og ta beslutninger. Kategorien AI-algoritmer inkluderer ML-algoritmer, som lærer og tar spådommer og beslutninger uten eksplisitt programmering. AI kan også jobbe fra dype læringsalgoritmer, en undergruppe av ML som bruker flerlags kunstige nevrale nettverk (ANNs) – derav den «dyp» beskrivelsen – for å modellere abstraksjoner på høyt nivå innenfor stordatainfrastrukturer. Og forsterkende læringsalgoritmer gjør det mulig for en agent å lære atferd ved å utføre funksjoner og motta straff og belønninger basert på deres korrekthet, ved å iterativt justere modellen til den er ferdig trent.
• Datakraft: AI-algoritmer krever ofte betydelige dataressurser for å behandle så store datamengder og kjøre komplekse algoritmer, spesielt når det gjelder dyp læring. Mange organisasjoner er avhengige av spesialisert maskinvare, som grafiske prosesseringsenheter (GPUer), for å strømlinjeforme disse prosessene. 

AI-systemer har også en tendens til å falle i to brede kategorier:

• Kunstig smal intelligens, også kalt smal AI eller svak AI, utfører spesifikke oppgaver som bilde- eller stemmegjenkjenning. Virtuelle assistenter som Apples Siri, Amazons Alexa, IBM watsonx og til og med OpenAIs ChatGPT er eksempler på smale AI-systemer.
• Kunstig generell intelligens (AGI), eller Strong AI, kan utføre enhver intellektuell oppgave et menneske kan utføre; den kan forstå, lære, tilpasse seg og arbeide fra kunnskap på tvers av domener. AGI er imidlertid fortsatt bare et teoretisk konsept.

Hvordan fungerer tradisjonell programmering?

I motsetning til AI-programmering krever tradisjonell programmering at programmereren skriver eksplisitte instruksjoner som datamaskinen skal følge i alle mulige scenarier; datamaskinen utfører deretter instruksjonene for å løse et problem eller utføre en oppgave. Det er en deterministisk tilnærming, i likhet med en oppskrift, der datamaskinen utfører trinnvise instruksjoner for å oppnå ønsket resultat.

Den tradisjonelle tilnærmingen er godt egnet for klart definerte problemer med et begrenset antall mulige utfall, men det er ofte umulig å skrive regler for hvert enkelt scenario når oppgaver er komplekse eller krever menneskelignende oppfatning (som i bildegjenkjenning, naturlig språkbehandling, etc.). Det er her AI-programmering gir en klar fordel i forhold til regelbaserte programmeringsmetoder.

Hva er fordelene og ulempene med AI (sammenlignet med tradisjonell databehandling)?

Potensialet til AI i den virkelige verden er enormt. Anvendelser av AI inkluderer diagnostisering av sykdommer, personalisering av sosiale medier-feeder, utføring av sofistikerte dataanalyser for værmodellering og drift av chatbotene som håndterer kundestøtteforespørslene våre. AI-drevne roboter kan til og med sette sammen biler og minimere stråling fra skogbranner.

Som med all teknologi, er det fordeler og ulemper med AI, sammenlignet med tradisjonelle programmeringsteknologier. Bortsett fra grunnleggende forskjeller i hvordan de fungerer, skiller AI og tradisjonell programmering seg også betydelig når det gjelder programmeringskontroll, datahåndtering, skalerbarhet og tilgjengelighet.

• Kontroll og åpenhet: Tradisjonell programmering gir utviklere full kontroll over logikken og oppførselen til programvare, noe som muliggjør presis tilpasning og forutsigbare, konsistente resultater. Og hvis et program ikke oppfører seg som forventet, kan utviklere spore tilbake gjennom kodebasen for å identifisere og rette opp problemet. AI-systemer, spesielt komplekse modeller som dype nevrale nettverk, kan være vanskelig å kontrollere og tolke. De fungerer ofte som "svarte bokser", der input og output er kjent, men prosessen modellen bruker for å komme fra den ene til den andre er uklar. Denne mangelen på åpenhet kan være problematisk i bransjer som prioriterer forklaring av prosesser og beslutninger (som helsevesen og finans).
• Læring og datahåndtering: Tradisjonell programmering er rigid; den er avhengig av strukturerte data for å kjøre programmer og sliter vanligvis med å behandle ustrukturerte data. For å "lære" et program ny informasjon, må programmereren manuelt legge til nye data eller justere prosesser. Tradisjonelt kodede programmer sliter også med uavhengig iterasjon. Med andre ord kan det hende at de ikke er i stand til å imøtekomme uforutsette scenarier uten eksplisitt programmering for disse tilfellene. Fordi AI-systemer lærer av enorme mengder data, er de bedre egnet for å behandle ustrukturerte data som bilder, videoer og naturlig språktekst. AI-systemer kan også lære kontinuerlig av nye data og erfaringer (som i maskinlæring), slik at de kan forbedre ytelsen over tid og gjøre dem spesielt nyttige i dynamiske miljøer der den best mulige løsningen kan utvikles over tid.
• Stabilitet og skalerbarhet: Tradisjonell programmering er stabil. Når et program er skrevet og feilsøkt, vil det utføre operasjoner på nøyaktig samme måte, hver eneste gang. Stabiliteten til regelbaserte programmer går imidlertid på bekostning av skalerbarhet. Fordi tradisjonelle programmer bare kan lære gjennom eksplisitte programmeringsintervensjoner, krever de at programmerere skriver kode i skala for å skalere opp operasjoner. Denne prosessen kan vise seg å være uhåndterlig, om ikke umulig, for mange organisasjoner. AI-programmer tilbyr mer skalerbarhet enn tradisjonelle programmer, men med mindre stabilitet. Automatiserings- og kontinuerlig læringsfunksjonene til AI-baserte programmer gjør det mulig for utviklere å skalere prosesser raskt og relativt enkelt, noe som representerer en av de viktigste fordelene med ai. Imidlertid betyr improvisasjonskarakteren til AI-systemer at programmer kanskje ikke alltid gir konsistente, passende svar.
• Effektivitet og tilgjengelighet: Regelbaserte dataprogrammer kan gi tilgjengelighet 24/7, men noen ganger bare hvis de har menneskelige arbeidere til å betjene dem hele døgnet.

AI-teknologier kan kjøre 24/7 uten menneskelig innblanding, slik at forretningsdrift kan kjøres kontinuerlig. En annen av fordelene med kunstig intelligens er at AI-systemer kan automatisere kjedelige eller repeterende jobber (som dataregistrering), frigjøre ansattes båndbredde til arbeidsoppgaver med høyere verdi og redusere selskapets lønnskostnader. Det er imidlertid verdt å nevne at automatisering kan ha betydelige konsekvenser for jobbtap for arbeidsstyrken. For eksempel har noen selskaper gått over til å bruke digitale assistenter for å triage ansattes rapporter, i stedet for å delegere slike oppgaver til en personalavdeling. Organisasjoner må finne måter å inkorporere sin eksisterende arbeidsstyrke i nye arbeidsflyter muliggjort av produktivitetsgevinster fra inkorporering av AI i driften.

Maksimer fordelene med kunstig intelligens med IBM Watson

Omdia anslår at det globale AI-markedet vil være verdt 200 milliarder USD innen 2028.¹ Det betyr at bedrifter bør forvente at avhengigheten av AI-teknologier vil øke, med kompleksiteten til bedriftens IT-systemer økende. Men med IBM watsonx™ AI og dataplattform, har organisasjoner et kraftig verktøy i verktøykassen for å skalere AI.

IBM watsonx gjør det mulig for team å administrere datakilder, akselerere ansvarlige AI-arbeidsflyter og enkelt distribuere og bygge inn AI på tvers av virksomheten – alt på ett sted. watsonx tilbyr en rekke avanserte funksjoner, inkludert omfattende arbeidsbelastningsadministrasjon og sanntidsdataovervåking, designet for å hjelpe deg med å skalere og akselerere AI-drevne IT-infrastrukturer med pålitelige data på tvers av bedriften.

Selv om det ikke er uten komplikasjoner, representerer bruken av AI en mulighet for bedrifter til å holde tritt med en stadig mer kompleks og dynamisk verden ved å møte den med sofistikerte teknologier som kan håndtere denne kompleksiteten.

Sett AI til å fungere med watsonx