Hvorfor AI og ML nå?

Hvorfor maskinlæring (machine learning) og kunstig intelligens nå?

Selv om maskinlæring har eksistert i mange tiår, er det først de senere årene at metodene har fått gjennomslag. Dette har en multifaktoriell forklaring, som følger:

1. Tilgang til data. For et par år siden fantes ikke dataene. Pasientjournaler fantes bare i papirform, besøksstatistikk ble knapt samlet inn på nettsider, mobiltelefoner lagret ingen data osv. I dag lagres og organiseres enorme mengder data. Datamaskinen/mobiltelefonen din har allerede lagret informasjon om hvor lenge du har vært på denne siden, hvor du befinner deg akkurat nå, alle sider du har surfet på i dag, alle søkeord du har brukt i Google osv. Det er også først nå at de fleste virksomheter har innsett at data er blant det mest verdifulle de har. For et selskap kan riktig utnyttelse av data utgjøre forskjellen mellom konkurs og børsnotering. For en forsker kan riktig utnyttelse av data føre til sensasjonelle oppdagelser. Data er i dag verdt sin vekt i diamanter, og det finnes utrolige mengder data tilgjengelig.
2. Lagring av data. Organisering og lagring av data er komplisert. Denne teknologien har utviklet seg raskt de siste tiårene. Lagringskapasitet, hastighet og tilgang til databaser har økt eksplosivt.
3. Maskinvare. I en datamaskin skjer beregningene i en prosessor. I tillegg til prosessoren har datamaskinen også et minne. Prosessorenes hastighet har blitt doblet annethvert år siden 1970 (denne doblingen i hastighet annethvert år kalles Moores lov).
4. Forbedrede algoritmer. Det finnes mange ulike metoder for maskinlæring. Selv om prinsippene for maskinlæring ser like ut i dag som for 50 år siden, har algoritmene blitt betydelig optimalisert gjennom årene. En rekke geniale forbedringer har blitt gjort, og backpropagation er en av dem. Backpropagation er en mekanisme som gjør at maskinlæringen justerer og kalibrerer modellen automatisk.
5. Demokratisering av AI. For 10 år siden kunne bare større virksomheter lage og bruke AI. I dag kan hvem som helst, ved hjelp av en vanlig personlig datamaskin og ganske beskjedne programmeringskunnskaper, bruke AI.

Grafikkortenes betydning

Dataspillbransjen er enorm. Millioner av barn og voksne spiller dataspill, og gjennom årene har disse spillene blitt stadig mer realistiske og dermed teknisk krevende. Store selskaper som NVIDIA og AMD investerer milliarder av dollar i å utvikle og forbedre grafikkort, noe som har gjort det mulig for hvem som helst å spille dataspill med imponerende grafikk. Grafikkort er faktisk også en type prosessor, og det viste seg at grafikkort er utmerkede til å utføre matematiske beregninger, særlig for machine learning. Derfor begynte produsentene å tilpasse grafikkortet og programvaren slik at de også kunne brukes til machine learning. Videre ble det også mulig å koble sammen mange grafikkort og dermed utnytte deres samlede kraft parallelt (beregningene kan altså fordeles på flere grafikkort og dermed fremskyndes betydelig).

I dag koster grafikkortet NVIDIA Titan X omtrent 10000 SEK, og med dette kortet kan hvem som helst få ut 6,6 TFLOPS, noe som tilsvarer en beregningskapasitet på 6,6 billioner beregninger per sekund (omtrent 400 ganger mer enn prosessoren i en kraftig personlig datamaskin). Denne kraften er nok til å lage imponerende kunstig intelligens.

I dag er det ikke uvanlig at selskaper og organisasjoner har egen infrastruktur der hundrevis av grafikkort er koblet sammen. Skytjenester som tilbys av Amazon AWS, Google Cloud Computing og Microsoft Azure gjør det også mulig for hvem som helst å utnytte datasentre med enorm beregningskapasitet.

Den engelske betegnelsen for grafikkprosessor er GPU (Graphical Processing Unit), og for vanlig prosessor CPU (Central Processing Unit).

AI er fortsatt et lite barn

I dag er forkortelsen AI overalt. Kloke og fremsynte mennesker mener nå at flertallet av innbyggerne burde ta et kurs i AI. Dette er ganske overraskende, ettersom ingen snakket om AI for 10 år siden. I 2010 var nevrale nettverk (den typen AI som dominerer i dag, diskuteres senere) fortsatt relativt oversett, men det fantes noen forskergrupper som iherdig forsøkte å bruke dem til å tolke bilder. Geoffrey Hinton, Yoshua Bengio og Yann LeCun gjorde flere banebrytende fremskritt i 2010. Dan Ciresan demonstrerte i 2011 et nevralt nettverk som kunne tolke bilder med imponerende presisjon. I 2012 vant Hinton og Krizhevsky den årlige ImageNet-konkurransen ved hjelp av et nevralt nettverk som tolket bildene riktig i 83,6 % av tilfellene. Siden da har nevrale nettverk fullstendig dominert feltet computer vision, som er AI som tolker bilder og video. Det har etter hvert også vist seg at nevrale nettverk faktisk fungerer på alle perseptuelle oppgaver, dvs. oppgaver som går ut på å tolke lyd, bilde, video, tekst og andre signaler.