{"id":161242,"date":"2022-10-26T10:24:00","date_gmt":"2022-10-26T07:24:00","guid":{"rendered":"https:\/\/howto.mediadoma.com\/?p=161242"},"modified":"2025-03-15T02:08:28","modified_gmt":"2025-03-14T23:08:28","slug":"kunstig-intelligens-og-hvordan-det-vil-forandre-verden","status":"publish","type":"post","link":"https:\/\/howto.mediadoma.com\/no\/kunstig-intelligens-og-hvordan-det-vil-forandre-verden\/","title":{"rendered":"Kunstig intelligens og hvordan det vil forandre verden"},"content":{"rendered":"\n

I<\/strong> l\u00f8pet av de siste \u00e5rene har kunstig intelligens blitt en st\u00f8rre og st\u00f8rre del av hverdagen. En gang bare f\u00f4r for science fiction-b\u00f8ker, brukes AI n\u00e5 i bransjer som spenner fra markedsf\u00f8ring til helsetjenester. Innen 2025 forventes det globale markedet for AI-programvare alene \u00e5 vokse til 126 milliarder dollar<\/a>.<\/p>\n

Selv om AI er ganske vanlig n\u00e5, er det fortsatt en teknologi i sin spede begynnelse. I l\u00f8pet av de kommende \u00e5rene og ti\u00e5rene vil AI og andre teknologier revolusjonere verden, og \u00e5pne opp store muligheter for \u00f8konomisk og sosial utvikling. Her er det du trenger \u00e5 vite om hvordan kunstig intelligens vil forandre verden.<\/p>\n

F\u00f8rst, la oss forklare kunstig intelligens<\/h2>\n

Selv om de fleste har i det minste en generell forst\u00e5else \"Kunstigav begrepet, er moderne kunstig intelligens et bredt og komplekst felt. F\u00f8r vi g\u00e5r inn i hva AI kan oppn\u00e5 i n\u00e6r fremtid, la oss g\u00e5 tilbake og ta en titt p\u00e5 hva kunstig intelligens egentlig er og hvordan den fungerer.<\/p>\n

Hva skiller AI fra konvensjonell dataprogrammering?<\/h3>\n

For \u00e5 starte, la oss vurdere hvordan kunstig intelligens skiller seg fra programmeringsmetodene som brukes i tradisjonelle datasystemer. I et konvensjonelt program skriver en programmerer et sett med instruksjoner som brukes av systemet for \u00e5 behandle innganger. Selv om inngangene kan endres, forblir algoritmen som brukes til \u00e5 behandle inngangen den samme og brukes til \u00e5 produsere noe utdata.<\/p>\n

AI, derimot, snur dette konseptet p\u00e5 hodet. I stedet for \u00e5 gj\u00f8re en inngang til en utgang ved \u00e5 bruke et sett med forh\u00e5ndsbestemte instruksjoner, "l\u00e6rer" et AI-program av inngangene det er gitt<\/a>. Med andre ord, i stedet for en menneskelig programmerer som lager en algoritme for h\u00e5ndtering av input, utvikler datamaskinen og forbedrer deretter kontinuerlig sin egen algoritme. Dette gj\u00f8r at programmet gradvis kan bli bedre p\u00e5 en gitt oppgave ettersom det trenes med store datasett og gir tilbakemelding p\u00e5 n\u00f8yaktigheten av resultatene. I stedet for \u00e5 bruke et sett med regler for \u00e5 gj\u00f8re en inngang til en utgang, trenes AI til \u00e5 "l\u00e6re" reglene for en gitt oppgave mens den g\u00e5r.<\/p>\n

Typer AI<\/h3>\n

Grovt sett kan AI deles inn i to grunnleggende kategorier<\/a>. Den f\u00f8rste, kjent som smal kunstig intelligens, refererer til evnen til \u00e5 utf\u00f8re en snevert definert oppgave eller et sett med oppgaver. Et smalt AI-system kan brukes til \u00e5 spille et spill, anbefale produkter basert p\u00e5 m\u00f8nstre i kundedata eller administrere elektriske nett<\/a> i henhold til str\u00f8mforbruk. Det skal bemerkes at en oppgave ikke trenger \u00e5 v\u00e6re enkel for \u00e5 kunne l\u00f8ses av et smalt AI-system. Et kunstig intelligensprogram som brukes til \u00e5 kontrollere en selvkj\u00f8rende bil, for eksempel, regnes fortsatt som et eksempel p\u00e5 smal AI, til tross for kj\u00f8ringens relativt komplekse natur.<\/p>\n

Den andre typen AI blir referert til som generell AI. I motsetning til en smal AI, vil et generelt AI-system v\u00e6re i stand til \u00e5 h\u00e5ndtere en rekke forskjellige og ikke-relaterte oppgaver ved \u00e5 l\u00e6re av og bruke tidligere erfaring. I denne forstand vil en generell AI v\u00e6re lik et menneske. Un\u00f8dvendig \u00e5 si er generell AI en langt mer avansert og teknologisk krevende anvendelse av kunstig intelligens enn smal AI.<\/p>\n

En utvidelse av generell AI er begrepet kunstig superintelligens<\/a>. Hypotetisk sett kunne et AI-program designet for \u00e5 h\u00e5ndtere generelle oppgaver og gitt tilgang til tilstrekkelig stort minne og databehandlingsressurser til slutt overg\u00e5 mennesker i nesten alle oppgaver. Selv om det er spennende, er kunstig superintelligens fortsatt innenfor science fiction-omr\u00e5det.<\/p>\n

Forst\u00e5 maskinl\u00e6ring og dyp l\u00e6ring<\/h3>\n

I tillegg til de grunnleggende typene AI diskutert ovenfor, er det flere tiln\u00e6rminger til implementering av kunstig intelligens. De to viktigste AI-metodene er kjent som maskinl\u00e6ring (ML) og dyp l\u00e6ring (DL)<\/a>.<\/p>\n

Maskinl\u00e6ring er en metode der datamaskiner er i stand til \u00e5 "l\u00e6re" av data som er gitt til dem. ML-systemer trener algoritmer for \u00e5 identifisere m\u00f8nstre eller andre egenskaper ved innganger p\u00e5 riktig m\u00e5te. Etter hvert som tiden g\u00e5r, vil algoritmen bli stadig bedre til \u00e5 utf\u00f8re oppgaven den blir oppl\u00e6rt til \u00e5 utf\u00f8re. ML er mye brukt i prediktiv analyse<\/a>, e-postfiltrering, oppdagelse av svindel p\u00e5 nettet, chatbots for kundest\u00f8tte og en rekke andre nyttige oppgaver. For at treningen skal fungere, m\u00e5 imidlertid mennesker generelt velge egenskapene til dataene algoritmen trenes til \u00e5 identifisere.<\/p>\n

Deep learning, en mer avansert versjon av maskinl\u00e6ring, tar dette konseptet til neste niv\u00e5. Dypl\u00e6ringsprogrammer fors\u00f8ker \u00e5 etterligne hvordan den menneskelige hjernen fungerer<\/a> ved automatisk \u00e5 filtrere og klassifisere data. I motsetning til vanlig ML, kan en DL-algoritme opps\u00f8ke og l\u00e6re av m\u00f8nstre i data selv uten at et menneske forteller det hva det skal se etter. P\u00e5 grunn av deres evne til \u00e5 finne m\u00f8nstre p\u00e5 egen h\u00e5nd, brukes DL-systemer vanligvis i mer avanserte applikasjoner, som datasyn og autonome kj\u00f8ret\u00f8y. Til tross for at den er mer avansert og kraftigere, har dyp l\u00e6ring visse begrensninger. Som regel krever DL-algoritmer st\u00f8rre treningsdatasett<\/a> og mer prosessorkraft, noe som gj\u00f8r dem mer kostbare \u00e5 utvikle og trene enn vanlige ML-algoritmer.<\/p>\n

Den n\u00e5v\u00e6rende tilstanden til AI-teknologi<\/h2>\n

For \u00e5 forst\u00e5 hvor kunstig intelligens g\u00e5r, er det f\u00f8rst viktig \u00e5 vite hvor den st\u00e5r for \u00f8yeblikket og hvordan den kom dit. For kontekst, la oss ta en titt p\u00e5 historien til kunstig intelligens og statusen til teknologien slik den eksisterer i dag.<\/p>\n

En kort historie om AI<\/h3>\n

Selv om det var tidligere presedenser, ble begrepet "kunstig intelligens" brukt for f\u00f8rste gang p\u00e5 en akademisk konferanse i 1956<\/a>. Den konferansen og dens deltakere satte i gang en b\u00f8lge av interesse for konseptet kunstig intelligens, men fremgangen p\u00e5 feltet viste seg \u00e5 v\u00e6re ekstremt sakte. P\u00e5 midten av 1970-tallet hadde den f\u00f8rste b\u00f8lgen av entusiasme stort sett falmet, noe som resulterte i det som har blitt kjent som AI-vinteren. Denne perioden med stagnasjon skulle vare til begynnelsen av 1980-tallet.<\/p>\n

Etter hvert som datakraften fortsatte \u00e5 forbedre seg, begynte imidlertid myndigheter og bedrifter \u00e5 interessere seg for AI p\u00e5 nytt. Denne perioden vil f\u00f8re til betydelige fremskritt p\u00e5 feltet, inkludert utvikling av tidlig dyp l\u00e6ring<\/a>. Dette var ogs\u00e5 epoken som s\u00e5 fremveksten av ekspertsystemer, dataalgoritmer designet for \u00e5 etterligne menneskelig beslutningstaking ved \u00e5 sjekke inndata mot en eksisterende kunnskapsmengde. Selv om de var primitive etter dagens standarder, representerte ekspertsystemer en tidlig form for AI som var nyttig i virkelige forretningsapplikasjoner.<\/p>\n

P\u00e5 1990-tallet og begynnelsen av 2000-tallet begynte AI \u00e5 n\u00e6rme seg sin n\u00e5v\u00e6rende tilstand.\u00a0Tidlige AI chatbots<\/a>, datasynsprogrammer og andre applikasjoner som er relativt vanlige i dag ble utviklet i denne perioden. Samtidig fortsatte datakraften \u00e5 vokse, slik at AI-algoritmer ble mer nyttige og f\u00f8rte til \u00f8kt bruk av maskinl\u00e6ring.<\/p>\n

Hvor er AI i dag?<\/h3>\n

I dag bruker banebrytende AI-programmer hovedsakelig en form for maskinl\u00e6ring kjent som et kunstig nevralt nettverk (ANN)<\/a>. ANN-er modellerer hvordan nevroner fungerer i den menneskelige hjernen, slik at maskiner kan "tenke" mer som mennesker. ANN-er lar AI-er n\u00e6rme seg mer komplekse oppgaver, noe som gj\u00f8r dem egnet for raskt \u00e5 trene dypl\u00e6ringsalgoritmer.<\/p>\n

N\u00e5r det gjelder applikasjoner, har AI-bruken utvidet seg kraftig de siste \u00e5rene. I dag finner du AI-programmer som brukes til \u00e5 gj\u00f8re alt fra \u00e5 kurere sosiale medier til \u00e5 forbedre avlingene i landbruket<\/a>. Selv om det gis mye oppmerksomhet til teknologiens bruk i selvkj\u00f8rende biler og autonome droner, er realiteten at AI-systemer er praktisk talt overalt, og de fleste samhandler med dem i en viss kapasitet p\u00e5 daglig basis.<\/p>\n

Til tross for spredningen og det brede spekteret av bruksomr\u00e5der, er kunstig intelligens fortsatt i h\u00f8y grad et teknologisk felt i fremgang. S\u00f8knader som er vanlig i dag ville ha v\u00e6rt lite mer enn akademiske prosjekter for 10 eller 20 \u00e5r siden. Det er ogs\u00e5 viktig \u00e5 merke seg at all moderne kunstig intelligens er kategorisert som smal kunstig intelligens. Selv om det kan v\u00e6re ganske effektivt til visse oppgaver, er AI fortsatt godt bak mennesker n\u00e5r det gjelder generell intelligens. I gjennomsnitt tror de fleste eksperter at det vil v\u00e6re minst 2060<\/a> f\u00f8r generell kunstig intelligens er oppn\u00e5dd.<\/p>\n

Hvilke selskaper er i ledelsen p\u00e5 AI i dag?<\/h2>\n

Selv om det er en rekke sm\u00e5 startups som fors\u00f8ker \u00e5 utnytte AI-teknologi, domineres feltet i stor grad av en h\u00e5ndfull store, suksessrike selskaper med ressursene og ekspertisen til \u00e5 bruke teknologien til det fulle. Nedenfor finner du en oversikt over noen av de ledende selskapene innen kunstig intelligens i dag.<\/p>\n

Google<\/h3>\n

Som vanlig i teknologiverdenen er Google i forkant av AI-bevegelsen. Google bruker ulike former for kunstig intelligens, spesielt dyp l\u00e6ring, for \u00e5 drive mange av sine forbrukerrettede tjenester.\u00a0Stemmegjenkjenning i Google Assistant<\/a>, bildegjenkjenning og automatisk videoanalyse er bare noen f\u00e5 eksempler p\u00e5 hvordan selskapet har implementert teknologien p\u00e5 et praktisk niv\u00e5.<\/p>\n

Selv om Google absolutt er ledende innen implementering av AI, har selskapets viktigste bidrag til feltet v\u00e6rt opprettelsen av et \u00e5pen kildekode maskinl\u00e6ringsbibliotek kalt TensorFlow<\/a>. Ved \u00e5 la alle med interesse for kunstig intelligens utvikle nye verkt\u00f8y ved hjelp av TensorFlow, har Google massivt demokratisert feltet. Som forfatteren av hovedverkt\u00f8yet med \u00e5pen kildekode som brukes til \u00e5 utvikle AI-programmer i dag, er Google uten tvil den globale lederen innen kunstig intelligens.<\/p>\n

Amazon<\/h3>\n

Mens Google absolutt leder n\u00e5r det gjelder AI-utvikling, har Amazon utnyttet teknologien for \u00e5 optimalisere forretningsfunksjonene sine og vist frem de pragmatiske resultatene AI kan gi. I tillegg til sin ber\u00f8mte AI-drevne produktanbefalingsmotor, har Amazon utviklet den personlige Alexa-assistenten p\u00e5 den kundevendte siden av virksomheten. Den virkelige kraften til AI hos Amazon er imidlertid bak kulissene, der maskinl\u00e6ring har gjort det mulig for selskapet \u00e5 forbedre lagerdriften sin massivt<\/a>. Lignende systemer brukes ogs\u00e5 for \u00e5 optimere selskapets leveringsprosesser<\/a>, for \u00e5 sikre at de utallige pakkene som h\u00e5ndteres av Amazon hver dag n\u00e5r sine destinasjoner s\u00e5 raskt som mulig.<\/p>\n

Bitmain<\/h3>\n

Selv om den ikke er like h\u00f8yprofilert som Google eller Amazon, har Bitcoin-gruvebrikkeprodusenten Bitmain ogs\u00e5 gitt noen viktige bidrag til AI-verdenen. I april 2020 avsl\u00f8rte selskapet at det hadde utviklet en programvare for AI-bildegjenkjenning ment \u00e5 identifisere sjeldne, truede fugler<\/a> for bevaringsform\u00e5l. Bitmain bruker ogs\u00e5 sin AI-kompatible chip-maskinvare for \u00e5 st\u00f8tte utvikling av prosjekter som spenner fra smarte byer<\/a> til forbedrede ansiktsgjenkjenningssystemer.<\/p>\n

Tesla<\/h3>\n

Som du kanskje forventer, har den elektriske bilprodusenten Tesla lenet seg inn i AI som en n\u00f8kkelkomponent i virksomheten sin mens den presser p\u00e5 for \u00e5 utvikle helt autonome nyttekj\u00f8ret\u00f8yer. Faktisk har selskapet forberedt sitt AI-kj\u00f8resystem siden dag \u00e9n ved \u00e5 utstyre hvert kj\u00f8ret\u00f8y det selger med maskinvaren som kreves for selvkj\u00f8ring<\/a>. Etter hvert som nye autonome kj\u00f8refunksjoner utvikles, kan Tesla ganske enkelt sende dem i form av en programvareoppdatering.<\/p>\n

I 2019 gikk Tesla til og med s\u00e5 langt som \u00e5 kj\u00f8pe AI-startup DeepScale<\/a> for \u00e5 st\u00f8tte utviklingen av autopilotsystemet. Denne avgj\u00f8relsen demonstrerte hvor viktig selskapet mener AI-teknologi er for fremtiden, samt hvor mye verdi oppstarter med fokus p\u00e5 kunstig intelligens-teknologi kan ha p\u00e5 markedet.<\/p>\n

Utover det selvkj\u00f8rende systemet, planlegger Tesla ogs\u00e5 \u00e5 distribuere kunstig intelligens som en del av sitt virtuelle kraftverkprosjekt<\/a>. Dette gr\u00f8nne energiprosjektet, ment \u00e5 supplere eller erstatte tradisjonelle kraftverk med solenergi til hjemmet, vil bruke AI-analyse for \u00e5 forutsi bruk og ettersp\u00f8rsel, slik at VPP-nettet kan foreta justeringer etter behov i timer med h\u00f8y ettersp\u00f8rsel.<\/p>\n

Hvordan AI fundamentalt vil forandre verden<\/h2>\n

Kunstig intelligens er ulikt noe annet verkt\u00f8y som noen gang er utviklet av menneskeheten. Ved \u00e5 la datamaskiner l\u00e6re og tenke p\u00e5 egenh\u00e5nd, har AI-systemer potensialet til \u00e5 hjelpe menneskelige arbeidere i selv de mest komplekse oppgavene. Ved \u00e5 kombinere menneskelig intellekt med stadig kraftigere AI, er teknologien klar til \u00e5 fundamentalt endre nesten alle omr\u00e5der av det moderne livet. Selv om det ville v\u00e6re umulig \u00e5 utforske hver eneste bruk av AI i en enkelt artikkel, finner du noen av de viktigste omr\u00e5dene som kunstig intelligens er satt til \u00e5 revolusjonere oppf\u00f8rt nedenfor.<\/p>\n

Helse og medisin<\/h3>\n

Det medisinske feltet er uten tvil et av omr\u00e5dene der AI kan ha st\u00f8rst grad av innvirkning. AIs applikasjoner i medisinske omgivelser begynner med diagnostikk. Ved \u00e5 skanne medisinske data for tydelige tegn p\u00e5 sykdom, har diagnostiske algoritmer vist seg \u00e5 n\u00f8yaktig diagnostisere tilstander tidligere<\/a> enn medisinske fagfolk. Imponerende nok kan denne teknologien fungere selv uten samarbeid fra en utdannet lege. I 2018 godkjente FDA bruken av et AI-diagnoseverkt\u00f8y for \u00e5 oppdage diabetisk retinopati<\/a> ved hjelp av skanninger av en pasients \u00f8yne. Dette systemet fungerer uavhengig av en spesialisert diagnostiker, og krever kun en lavere kvalifisert arbeider for \u00e5 ta skanningene. Slike systemer kan en dag muliggj\u00f8re raskere og mer n\u00f8yaktige diagnoser i en prim\u00e6rhelsetjeneste.<\/p>\n

Rollen til AI i medisin slutter imidlertid ikke med diagnostikk. Teknologien kan ogs\u00e5 brukes for \u00e5 gj\u00f8re legemiddeloppdagelsesprosessen b\u00e5de raskere og rimeligere. Ved \u00e5 bruke databaser med kliniske studier og akademiske forskningsartikler, kan AI-er raskt identifisere kandidatforbindelser<\/a> som er kjent for \u00e5 samhandle med patologien til en gitt sykdom. Ved\u00a0 \u00e5 sammenligne vevspr\u00f8ver<\/a> fra pasienter med og uten en spesifikk sykdom, kan AI-medisinoppdagelsessystemer ogs\u00e5 avdekke ny informasjon om hvordan sykdommen utvikler seg i menneskekroppen. Denne innsikten kan da gi anbefalinger om kjemiske forbindelser som kan vise seg \u00e5 v\u00e6re effektive, selv om de ikke tidligere har v\u00e6rt assosiert med den aktuelle tilstanden.<\/p>\n

Selv i det h\u00f8ye innsatsomr\u00e5det kirurgi, oppdager helsepersonell og forskere forbedrede roller for kunstig intelligens. Ved \u00e5 l\u00e6re av tidligere kirurgiske planer, kan AI-er hjelpe kirurger ved \u00e5 foresl\u00e5 nye kirurgiske planer<\/a> for lignende tilfeller. Integrering av kunstig intelligens kan ogs\u00e5 forbedre kirurgiske roboter<\/a> betraktelig, slik at de kan utf\u00f8re et bredere og mer komplekst spekter av oppgaver for mer effektivt \u00e5 hjelpe den overv\u00e5kende menneskelige kirurgen.<\/p>\n

Til slutt kan AI-prediktiv analyse en dag v\u00e6re i stand til \u00e5 identifisere potensielle epidemier og hjelpe spesialister p\u00e5 infeksjonssykdommer med \u00e5 koordinere responser. Denne evnen ble demonstrert i begynnelsen av COVID-19-pandemien, da en h\u00e5ndfull AI-programmer ga tidlige advarsler<\/a> om et mulig utbrudd av luftveissykdom i Wuhan, Kina, mer enn en uke f\u00f8r WHO offisielt anerkjente begynnelsen av utbruddet. Med fremtidige forbedringer kan slike prediktive analyseprogrammer gi tidligere og mer handlingskraftig innsikt i nye helsetrusler. Lignende systemer kan ogs\u00e5 brukes til \u00e5 forberede sykehus til \u00e5 h\u00e5ndtere et stort antall pasienter ved \u00e5 optimalisere ressursbruken<\/a> og la sykehuspersonalet planlegge for scenarier med h\u00f8y ettersp\u00f8rsel p\u00e5 forh\u00e5nd.<\/p>\n

Sett under ett viser disse bruksomr\u00e5dene en rolle for AI i det medisinske feltet som strekker seg fra forskning til praktisk pasientbehandling. Enhver av disse teknologiske fremskrittene ville v\u00e6re ekstremt nyttige alene, men deres kollektive utvikling vil revolusjonere medisinske fagfolks evne til \u00e5 forst\u00e5 og h\u00e5ndtere menneskelige sykdommer.<\/p>\n

N\u00e6ringsliv og finans<\/h3>\n

Akkurat som i helsevesenet er AI satt til \u00e5 endre og optimalisere praktisk talt alle deler av den moderne forretningsverdenen. Virkningene av kunstig intelligens i virksomheten begynner med \u00e5 gi datadrevet innsikt for beslutningstaking<\/a>. Fra \u00e5 allokere ressurser i markedsf\u00f8ringskampanjer til \u00e5 bestemme hvilken kandidat de skal ansette for en jobb, AI-analyse kan hjelpe bedrifter til \u00e5 ta bedre og mer l\u00f8nnsomme valg. Disse systemene er spesielt godt egnet for arbeidsplassens stadig mer digitale natur, ettersom moderne virksomheter genererer enorme mengder data som AI-algoritmer kan l\u00e6re av for \u00e5 optimalisere forretningsdriften.<\/p>\n

Kunstig intelligenss evne til raskt \u00e5 analysere hvordan komplekse systemer fungerer, gj\u00f8r den ogs\u00e5 perfekt egnet for forsyningskjedestyring<\/a>. De siste ti\u00e5rene har globale forsyningskjeder vokst seg lengre og mer komplekse enn noen gang f\u00f8r. Ved \u00e5 bruke kunstig intelligens kan imidlertid bedrifter proaktivt forutsi ettersp\u00f8rsel, gj\u00f8re varehus mer effektive og optimalisere leveringsruter for \u00e5 sikre at forsyningskjeden g\u00e5r s\u00e5 jevnt og raskt som mulig. I f\u00f8lge en fersk unders\u00f8kelse utf\u00f8rt av McKinsey and Company\u00a0 forventer 61 prosent av bedriftene<\/a> \u00e5 se besparelser i forsyningskjedestyring som et resultat av AI-integrasjon.<\/p>\n

Det er imidlertid viktig \u00e5 merke seg at AIs innflytelse i n\u00e6ringslivet ikke slutter med logistikk, planlegging og analyser. I de kommende \u00e5rene vil kunstig intelligens sannsynligvis ha like stor tilstedev\u00e6relse p\u00e5 fabrikkgulvene som i bedriftens styrerom. Den samme McKinsey-unders\u00f8kelsen nevnt ovenfor antydet at 64 prosent av virksomhetene forventer \u00e5 se besparelser i produksjonsvirksomheten som et resultat av AI. I stor grad vil disse besparelsene v\u00e6re et resultat av prediktive vedlikeholdssystemer<\/a> som overv\u00e5ker utstyrsytelsen og planlegger vedlikehold for \u00e5 minimere nedetid. Generative algoritmer kan ogs\u00e5 brukes til \u00e5 optimalisere digitale produktdesign<\/a>, og potensielt fange opp designfeil tidlig og derved redusere lengden og kostnadene for prototypingprosessen.<\/p>\n

AI er ogs\u00e5 klar til \u00e5 ha en massiv innvirkning p\u00e5 den \u00f8konomiske siden av forretningsverdenen. Det mest fremtredende eksemplet p\u00e5 dette er Fintech-industrien, der AI allerede blir utnyttet for \u00e5 tilby rimelige, tilgjengelige finansielle tjenester i stor skala. Fra investeringer til kredittbeslutninger<\/a> spiller AI en stadig st\u00f8rre rolle i finanslivet. Etter hvert som tiden g\u00e5r og algoritmene fortsetter \u00e5 forbedres, er det sannsynlig at kunstig intelligens vil bli brukt til \u00e5 optimalisere utl\u00e5n, h\u00e5ndtere finansiell risiko og til og med analysere historiske aksjemarkedsdata for<\/a> \u00e5 forbedre allokeringen av ressurser i investeringsportef\u00f8ljer.<\/p>\n

Som med det medisinske feltet, ser AI ut til \u00e5 ta p\u00e5 seg en ende-til-ende-rolle i forretningsverdenen. Fra og med produktdesign og slutter med leveringslogistikk, kan kunstig intelligens optimalisere praktisk talt hvert trinn i prosessen med \u00e5 levere varer og tjenester til forbrukere. Sammen vil disse utviklingene gj\u00f8re virksomheter mer smidige, mer lydh\u00f8re overfor endrede forbrukerkrav og mer l\u00f8nnsomme.<\/p>\n

Engineering<\/h3>\n

Som vi allerede har nevnt, kan AI spille en viktig rolle i \u00e5 optimalisere produktdesign. Teknologiens evner innen ingeni\u00f8rfag er imidlertid mye bredere. En av de viktigste rollene for denne nye teknologien er \u00e5 integrere datasett<\/a> fra flere ingeni\u00f8rprosjekter. Takket v\u00e6re sin evne til \u00e5 analysere enorme mengder data, kan AI hente nyttig innsikt fra flere prosjekter i samme selskap og levere denne innsikten til ingeni\u00f8rer som jobber med hvert prosjekt. Dette kan igjen forbedre samarbeidet og koordineringen mellom ingeni\u00f8rer med ansvar for hver enkelt del av en st\u00f8rre prosjekteringsinnsats.<\/p>\n

AI kan ogs\u00e5 frigj\u00f8re ingeni\u00f8rer til \u00e5 utf\u00f8re arbeid med h\u00f8y innflytelse ved \u00e5 automatisere tidkrevende oppgaver som normalt bremser designprosessen. I denne forstand vil avanserte AI-systemer integrere seg i den tekniske arbeidsflyten p\u00e5 omtrent samme m\u00e5te som tradisjonelle datast\u00f8ttet design (CAD)-programmer gjorde for ti\u00e5r siden.<\/p>\n

Den virkelige kraften til AI fra et ingeni\u00f8rperspektiv kommer imidlertid fra teknologiens evne til \u00e5 hjelpe ingeni\u00f8rer og forskere med \u00e5 utvikle nye materialer for spesialisert bruk. AI kan st\u00f8tte avansert materialvitenskap ved \u00e5 modellere nye materialer<\/a> og forutsi egenskapene deres. Denne evnen til n\u00f8yaktig \u00e5 forutsi egenskapene til et nytt materiale vil gj\u00f8re det mulig for materialforskere \u00e5 produsere nye materialer raskere enn konvensjonelle forskningsmetoder tillater i dag. Dette vil igjen utvide utvalget av materialer tilgjengelig for ingeni\u00f8rer for deres prosjekter.<\/p>\n

L\u00f8se samfunnsproblemer<\/h3>\n

I tillegg til det enorme potensialet i privat sektor, har AI ogs\u00e5 en stor rolle \u00e5 spille for \u00e5 l\u00f8se presserende problemer som det moderne samfunnet st\u00e5r overfor. Selv om l\u00f8sninger p\u00e5 disse problemene har unng\u00e5tt regjeringen og akademiske eksperter i flere ti\u00e5r, kan AI v\u00e6re et kritisk verkt\u00f8y for \u00e5 hjelpe menneskeheten med \u00e5 takle noen av sine st\u00f8rste utfordringer.<\/p>\n

F\u00f8rst og fremst blant disse er selvf\u00f8lgelig klimaendringene. AI-teknologi er unikt posisjonert for \u00e5 hjelpe forskere og offentlige beslutningstakere til \u00e5 forst\u00e5 klimaendringer ved \u00e5 lage mer n\u00f8yaktige modeller<\/a> av effektene. Disse modellene kan ogs\u00e5 brukes til \u00e5 bestemme hvilke handlinger og retningslinjer som mest sannsynlig vil redusere atmosf\u00e6riske niv\u00e5er av karbondioksid, slik at regjeringer kan gripe inn p\u00e5 m\u00e5lrettede, virkningsfulle m\u00e5ter. Teknologien kan ogs\u00e5 p\u00e5virke karbonutslipp direkte ved \u00e5 optimalisere str\u00f8mforbruket<\/a> og drive raskere fremskritt innen gr\u00f8nn energiteknologi.<\/p>\n

N\u00e5r det gjelder mer verdslige menneskelige anliggender, kan AI ogs\u00e5 v\u00e6re et kritisk verkt\u00f8y i den p\u00e5g\u00e5ende globale innsatsen for \u00e5 begrense offentlig korrupsjon<\/a>. P\u00e5 omtrent samme m\u00e5te som prediktiv analyse kan brukes til \u00e5 oppdage svindel i transaksjoner i privat sektor, kan AI-systemer brukes til \u00e5 avdekke upassende bruk av ressurser i offentlig sektor. Det kan ogs\u00e5 v\u00e6re mulig \u00e5 redusere sjansen for at korrupt aktivitet oppst\u00e5r i utgangspunktet ved \u00e5 automatisere systemer som tidligere var avhengige av mennesker. Slik automatisering vil begrense mulighetene for korrupt aktivitet ved \u00e5 eliminere det potensielt up\u00e5litelige menneskelige elementet og sikre at offentlige midler ble fordelt riktig.<\/p>\n

Selv om dens rolle i dette omr\u00e5det sannsynligvis vil v\u00e6re mindre, kan kunstig intelligens v\u00e6re i stand til \u00e5 st\u00f8tte innsatsen for \u00e5 \u00f8ke tilgangen til rimelige boliger. AI-systemer som mer n\u00f8yaktig modellerer risiko<\/a> og kan ta utl\u00e5nsbeslutninger autonomt, vil redusere kostnadene ved \u00e5 initiere l\u00e5n. Ved \u00e5 bruke data utover en enkel kredittscore for \u00e5 ta kredittbeslutninger, kan algoritmer ogs\u00e5 hjelpe personer som ikke er kredittverdige i tradisjonell forstand med \u00e5 finansiere boligkj\u00f8p.<\/p>\n

L\u00f8ftet om generell kunstig intelligens<\/h3>\n

S\u00e5 revolusjonerende som mulighetene diskutert ovenfor kan virke, er de alle realistisk oppn\u00e5elige med snever kunstig intelligens. Hvis generell AI noen gang oppn\u00e5s, kan dens evner utvides langt utover det som har blitt diskutert s\u00e5 langt. Futurister tror at en generell kunstig intelligens kan oppn\u00e5 tilsynelatende umulige m\u00e5l som \u00e5 f\u00e5 slutt p\u00e5 kriger eller \u00e5 utrydde menneskelig fattigdom<\/a>. Noen tenkere er enda mer dristige, og antyder at utviklingen av generell kunstig intelligens kan v\u00e6re et springbrett mot \u00e5 gj\u00f8re mennesker digitalt ud\u00f8delige<\/a> ved til slutt \u00e5 la menneskelig bevissthet kj\u00f8re p\u00e5 maskinvare.<\/p>\n

Hvordan henger det hele sammen?<\/h3>\n

Som du kan se, er det praktisk talt ikke noe omr\u00e5de i det daglige livet som AI ikke vil ha i det minste noen effekt p\u00e5 ettersom teknologien forbedres og bruken blir mer vanlig. Fra arbeid og helse til \u00e5 l\u00f8se noen av verdens st\u00f8rste problemer, kunstig intelligens vil jobbe sammen med menneskelig oppfinnsomhet for \u00e5 forbedre nesten alle aspekter av livene v\u00e5re. Som et resultat vil de kommende ti\u00e5rene v\u00e6re en periode med raske endringer og store muligheter for b\u00e5de samfunn, bedrifter og enkeltpersoner til \u00e5 utnytte kraften til AI.<\/p>\n

Hvordan AI kan grensesnitt med andre nye teknologier<\/h2>\n

S\u00e5 klart som det er at AI har et enormt l\u00f8fte selv i sin n\u00e5v\u00e6rende tilstand, vil dens virkelige kraft bli hentet frem av andre banebrytende teknologiske utviklinger. I denne delen vil vi diskutere AIs forhold til tingenes internett, kvantedatabehandling og 5G-kommunikasjonsnettverk. Selv om disse teknologiene er revolusjonerende i sine egne rettigheter, har de ogs\u00e5 integrerte deler \u00e5 spille for \u00e5 la kunstig intelligens n\u00e5 sitt fulle potensial.<\/p>\n

Internet of Things (Iot)<\/h3>\n

I l\u00f8pet av de siste \u00e5rene har antallet Internett-tilkoblede enheter \u00f8kt enormt. I tillegg til smarttelefoner og datamaskiner har hverdagsting fra termostater til vaskemaskiner f\u00e5tt internettilgang. Samlet er dette verdensomspennende nettverket av enheter kjent som tingenes internett, eller IoT. Ved utgangen av 2019 besto IoT av rundt 7,6 milliarder enheter over hele verden<\/a>.<\/p>\n

N\u00e5r de kombineres med AI, kan disse IoT-enhetene bli langt mer effektive og nyttige enn de er i dag. AI-algoritmer kan brukes til \u00e5 forbedre effektiviteten i driften<\/a> ved \u00e5 analysere data fra IoT-enheter p\u00e5 arbeidsplassen. P\u00e5 samme m\u00e5te kan tilkoblede enheter p\u00e5 arbeidsplassen kommunisere med AI-systemer som kan forutsi og redusere risiko f\u00f8r de har en sjanse til \u00e5 for\u00e5rsake alvorlige forretningsforstyrrelser.<\/p>\n

AI kan ogs\u00e5 brukes for \u00e5 forbedre IoT-enheter selv. AI-systemer integrert i droner, roboter, selvkj\u00f8rende biler og andre smarte enheter kan tillate dem \u00e5 fungere uavhengig og utf\u00f8re oppgaver som normalt vil kreve menneskelig kontroll. Gjennom slike enheter kan AI faktisk samhandle med den fysiske verden, i stedet for bare \u00e5 gi innsikt basert p\u00e5 digitale data.<\/p>\n

Quantum Computing<\/h3>\n

Kvantedatabehandling er kanskje den teknologien som holder st\u00f8rst l\u00f8fte n\u00e5r den brukes sammen med AI. Dette skyldes den enorme beregningskraften som gj\u00f8r at disse enhetene kan behandle data raskere enn noen konvensjonell datamaskin noensinne kunne h\u00e5pe p\u00e5. I dag kan den raskeste kvantedatamaskinen i verden fullf\u00f8re en beregning p\u00e5 omtrent 200 sekunder<\/a> som ville tatt en konvensjonell superdatamaskin \u00e5rtusener \u00e5 utf\u00f8re. Gitt at denne teknologien fortsatt er i sin tidlige fase, er det liten tvil om at de kommende \u00e5rene vil bringe enda raskere og kraftigere kvantedatamaskiner.<\/p>\n

Takket v\u00e6re denne sterkt forbedrede hastigheten, kunne kvanteberegning tillate AI-algoritmer \u00e5 l\u00f8se store, komplekse problemer<\/a> som for \u00f8yeblikket vil kreve uoverkommelige dataressurser. Med denne teknologien kan AI brukes p\u00e5 selv de mest kompliserte utfordringene.<\/p>\n

Bortsett fra \u00e5 bare l\u00f8se spesifikke problemer gitt til det, kan et AI-system drevet av en kvantedatamaskin ogs\u00e5 finne tidligere uoppdagede m\u00f8nstre<\/a> i selv de st\u00f8rste datasettene. Disse m\u00f8nstrene kan deretter brukes til \u00e5 utlede nyttig innsikt som ikke umiddelbart ville v\u00e6re \u00e5penbar for et menneske, og utvide det potensielle utvalget av l\u00f8sninger generert av AI.<\/p>\n

5G kommunikasjon<\/h3>\n

For \u00e5 fullt ut frigj\u00f8re potensialet til kunstig intelligens som fungerer sammen med IoT-enheter, m\u00e5 store mengder data overf\u00f8res raskt. Det er her 5G-nettverk kommer inn i bildet. Med overf\u00f8ringshastigheter p\u00e5 opptil 10 gigabit per sekund<\/a>, kan 5G-teknologi h\u00e5ndtere de enorme datamengdene som IoT-enheter snart vil levere til AI-algoritmer.<\/p>\n

Interessant nok forventes dette forholdet \u00e5 l\u00f8pe begge veier. Mens 5G-nettverk vil st\u00f8tte AI ved \u00e5 tillate fri flyt av data, er det sv\u00e6rt sannsynlig at disse nettverkene selv vil bli administrert av AI-systemer<\/a>. Ved \u00e5 bruke prediktiv analyse drevet av AI, kunne telekommunikasjonsselskaper forutsi trafikktopper og allokere ressurser deretter. Dette er bare ett eksempel p\u00e5 hvordan AI kan danne symbiotiske relasjoner med andre teknologier n\u00e5r de utvikler seg sammen.<\/p>\n

Ulempene med kunstig intelligens-teknologi<\/h2>\n

Til tross for alt det lover, har AI-teknologien ogs\u00e5 visse ulemper. Mens kritikk av teknologien spenner vidt og bredt, er to av de vanligste problemene som reises rundt utbredt bruk av AI potensialet til \u00e5 automatisere tradisjonelt trygge jobber og et fenomen kjent som black box-problemet.<\/p>\n

De utilsiktede \u00f8konomiske konsekvensene av AI<\/h3>\n

Siden AI f\u00f8rst ble en realitet, har kritikere hevdet at det vil erstatte mennesker og for\u00e5rsake massive tap av arbeidsplasser. Selv om effekten av kunstig intelligens p\u00e5 sysselsettingen sannsynligvis er overdreven, er det en viss sannhet i ideen om at teknologien kan forstyrre arbeidsmarkedet og midlertidig fortrenge arbeidere i visse roller.<\/p>\n

For \u00e5 forst\u00e5 den fulle effekten av disse forskyvningene, er det f\u00f8rst viktig \u00e5 se p\u00e5 hvor bred AI-automatisering kan v\u00e6re. Tradisjonelt har automatisering hatt sin st\u00f8rste innvirkning i produksjonssektoren, der den har tillatt arbeidere \u00e5 bruke mindre tid p\u00e5 enkle, repeterende oppgaver. AI, p\u00e5 den annen side, har potensial til \u00e5 automatisere oppgaver som tidligere krevde menneskelig tanke. Fagfolk innen helsevesen, juss og ingeni\u00f8rfag<\/a> er blant dem hvis jobb sannsynligvis vil bli utsatt for den neste b\u00f8lgen av teknologiske endringer p\u00e5 arbeidsplassen.<\/p>\n

Selv om det er bred enighet om at mange jobber vil m\u00f8te en viss grad av automatisering som f\u00f8lge av kunstig intelligens i n\u00e6r fremtid, varierer estimatene for antall jobber som vil g\u00e5 tapt mye. Ekstreme estimater tyder p\u00e5 at s\u00e5 mye som 30 prosent<\/a> av dagens globale arbeidsstyrke kan bli fordrevet av teknologiske endringer innen 2030. Andre anslag er imidlertid mye mer moderate.<\/p>\n

Black Box-problemet<\/h3>\n

En av de vanskeligste utfordringene AI st\u00e5r overfor er det s\u00e5kalte black box-problemet<\/a>. Dette fenomenet oppst\u00e5r n\u00e5r avansert AI, for eksempel et dypl\u00e6ringssystem, brukes p\u00e5 komplekse problemer. Ofte vil algoritmen fungere som en "svart boks", som tar input og genererer utdata for \u00e5 l\u00f8se problemer p\u00e5 en m\u00e5te som selv menneskelige AI-designere ikke kan forst\u00e5 fullt ut. Med andre ord, selv menneskene som er ansvarlige for \u00e5 lage AI-systemer er noen ganger ute av stand til \u00e5 forklare hvordan eller hvorfor de kommer til konklusjonene de gj\u00f8r.<\/p>\n

Black box-problemet byr p\u00e5 flere problemer for implementering av stadig mer avansert kunstig intelligens. Uten en skikkelig forst\u00e5else av hvordan en AI l\u00f8ser problemet den har f\u00e5tt, er det mye mindre sannsynlig at mennesker stoler p\u00e5 svaret systemet gir. I noen tilfeller gir AI-systemer useri\u00f8se resultater p\u00e5 grunn av mangel p\u00e5 relevante input. Takket v\u00e6re black box-problemet kan disse resultatene virke umulige \u00e5 skille fra riktige svar, siden det ikke er noen god m\u00e5te \u00e5 fortelle hvordan systemet n\u00e5dde sin konklusjon. Som et resultat har black box-problemet dype implikasjoner for n\u00f8yaktigheten til AI-systemer og menneskelig tillit til dem.<\/p>\n

I noen tilfeller er selvf\u00f8lgelig un\u00f8yaktige resultater eller mangel p\u00e5 menneskelig tillit sm\u00e5 problemer. En AI-drevet chatbot som ikke klarer \u00e5 gi et relevant svar p\u00e5 et kundesp\u00f8rsm\u00e5l, for eksempel, er upraktisk, men relativt ufarlig. I viktigere oppgaver<\/a> m\u00e5 mennesker imidlertid ha et h\u00f8yt niv\u00e5 av tillit f\u00f8r AI-teknologi kan realisere sitt fulle potensial. En forbruker som tror at en autonom bil sannsynligvis vil gj\u00f8re en feil og for\u00e5rsake en trafikkulykke, vil sannsynligvis ikke velge \u00e5 kj\u00f8pe den bilen. Slik mangel p\u00e5 menneskelig tillit kan i betydelig grad holde tilbake adopsjonen og utviklingen av kunstig intelligens.<\/p>\n

Dette problemet kan til og med f\u00f8re til at maskiner utvikler skjevheter som har virkelige effekter. AI-systemer som brukes til \u00e5 evaluere risikoniv\u00e5er i det juridiske systemet, har for eksempel som kjent utvist rasemessig skjevhet<\/a> ved \u00e5 merke medlemmer av minoritetsgrupper som mer sannsynlig \u00e5 beg\u00e5 forbrytelser i fremtiden. Selv om det er kjent at AI-algoritmer tar disse beslutningene basert p\u00e5 datainndataene de er trent med og gitt til \u00e5 evaluere, gj\u00f8r black box-problemet det vanskelig \u00e5 fjerne denne skjevheten fra systemet.<\/p>\n

Kan AI overvinne disse utfordringene?<\/h3>\n

Samlet sett gj\u00f8r fordelene med AI det ekstremt verdt \u00e5 finne l\u00f8sninger p\u00e5 problemene den presenterer. Heldigvis er disse utfordringene ikke s\u00e5 uoverkommelige som de ser ut p\u00e5 overflaten. N\u00e5r det gjelder black box-problemet, er st\u00f8rre \u00e5penhet<\/a> ang\u00e5ende den indre funksjonen til algoritmer et sannsynlig grunnlag for en l\u00f8sning. Ved \u00e5 la mennesker lettere skjelne hvordan et AI-system kom til en gitt konklusjon, kan gjennomsiktige systemer l\u00f8se eller i det minste vesentlig redusere black box-problemet.<\/p>\n

N\u00e5r det gjelder de \u00f8konomiske omveltningene for\u00e5rsaket av AI-automatisering, er det viktig \u00e5 huske p\u00e5 at nye jobber vil bli skapt etter hvert som gamle blir foreldet. Dette konseptet, kjent formelt innen \u00f8konomi som kreativ \u00f8deleggelse<\/a>, har holdt seg i andre perioder med massiv teknologisk endring. Faktisk er det noen estimater som tyder p\u00e5 at AI vil v\u00e6re en netto skaper av arbeidsplasser. En rapport fra World Economic Forum fra 2018 fant at AI-teknologi ville skape 133 millioner arbeidsplasser<\/a>innen 2022 og fortrenge bare 75 millioner eksisterende arbeidere. Forutsatt at disse anslagene er korrekte, vil nettoeffekten av AI-automatisering v\u00e6re en gevinst p\u00e5 rundt 58 millioner jobber. Hvis jobbtrening gj\u00f8res tilgjengelig for \u00e5 hjelpe fordrevne arbeidere med \u00e5 finne nye roller i den moderne \u00f8konomien, kan kunstig intelligens \u00e5pne for nye, bedre betalte jobber for millioner av mennesker over hele verden.<\/p>\n

Fremtiden til AI<\/h2>\n

Som du kan se, er mulighetene knyttet til kunstig intelligens de kommende \u00e5rene intet mindre enn enorme. Denne teknologien har kraften til \u00e5 transformere bransjer, skape nye m\u00e5ter \u00e5 jobbe p\u00e5 og til og med l\u00f8se noen av de st\u00f8rste problemene samfunnet v\u00e5rt st\u00e5r overfor. Selv om ingen n\u00f8yaktig kan forutsi hver bruk som AI vil ha m\u00e5neder eller \u00e5r fra n\u00e5, er det ekstremt klart at AI vil v\u00e6re en av drivkreftene i den globale \u00f8konomien i overskuelig fremtid.<\/p>\n

Opptakskilde: datarecovery.com<\/a><\/div><\/p>\n","protected":false},"excerpt":{"rendered":"

I l\u00f8pet av de siste \u00e5rene har kunstig intelligens blitt en st\u00f8rre og st\u00f8rre del av hverdagen. En gang bare f\u00f4r for science fiction-b\u00f8ker, brukes AI n\u00e5 i bransjer som spenner fra markedsf\u00f8ring til helsetjenester. Innen 2025 forventes det globale markedet for AI-programvare alene \u00e5 vokse til 126 milliarder dollar. Selv om AI er ganske [\u2026]<\/p>\n","protected":false},"author":1,"featured_media":160697,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_wp_rev_ctl_limit":""},"categories":[2842],"tags":[3060],"class_list":["post-161242","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-windows","tag-affiai-no"],"_links":{"self":[{"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/posts\/161242","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/comments?post=161242"}],"version-history":[{"count":1,"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/posts\/161242\/revisions"}],"predecessor-version":[{"id":316665,"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/posts\/161242\/revisions\/316665"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/media\/160697"}],"wp:attachment":[{"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/media?parent=161242"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/categories?post=161242"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/howto.mediadoma.com\/no\/wp-json\/wp\/v2\/tags?post=161242"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}