Denne klumme er et debatindlæg og er alene udtryk for skribentens synspunkter.
”Mennesker har drømme. Selv hunde har drømme, men ikke dig, du er bare en maskine. En imitation på livet. Kan en robot skrive en symfoni? Kan en robot skabe et smukt kunstværk ud af et lærred?”
Dette kendte citat stammer fra filmen ”I, Robot”, der er inspireret af Isaac Asimovs (science-fiction forfatter) samling af noveller, og citatet rejser nogle spørgsmål, som den nuværende teknologi allerede kan besvare.
Softwareprogrammer, der har maskinlæringskapacitet, kan komponere sonater, sange og klassiske melodier og kan endda male billeder på niveau med avanceret kunst.
Den intelligente maskine eller robot, som kan træffe selvstændige beslutninger, vækkes mere og mere til live foran øjnene af os.
Igen liv i drømmene om maskinlæring
Idéen om intelligente maskiner udvikledes allerede i 1950-tallet, hvor forskningen inden for kunstig intelligens nåede sit højdepunkt.
Dengang var forventningen, at smarte applikationer, maskiner og robotter inden for kort tid skulle tjene samfundet i det daglige.
Mange er af den opfattelse, at denne målsætning var før sin tid og ikke kunne realiseres eftersom der ikke var tilstrækkelig stærk datakraft til at kunne understøtte AI-udviklingen på det tidspunkt.
Derfor blev forskningen inden for kunstig intelligens i lang tid lagt på hylden.
I dag, årtier senere, er tankerne nu vakt til live igen og applikationer med maskinlæringsfunktioner tager allerede nu over flere steder i vores liv.
Udover de førnævnte kunstværker, findes der applikationer til ansigtsgenkendelse, oversættelse af samtaler i taleopkald (for eksempel Skype Translator), delebilstjenester (for eksempel Uber), diagnostiske medicinske værktøjer, intelligente it-sikkerhedsløsninger og meget mere.
Velkommen til Deep Learning
Mens vi står på tærsklen til en spændende genfødsel af maskinlæring, er et andet koncept, kaldet deep learning, kommet til.
Forskellen mellem machine learning og deep learning lærer os noget om den fremtid, som computerverden bevæger sig mod.
Algoritmer til maskinlæring har behov for input af data, men de har også behov for et menneske som mellemmand til at ”instruere” dem i en serie regler og klassificeringer, så de lærer at skelne og identificere, hvad der kræves af dem.
Hvis vi eksempelvis uploader billeder af katte og instruerer algoritmen i, at det er en kat, begynder algoritmen efterhånden selv at kunne identificere nye billeder, den ikke tidligere er stødt på.
Men inden for deep learning er der ikke behov for et menneske som mellemmand til input af data.
Alt hvad der er behov for, er en større koncentration af data, så softwaren kan lære at definere, klassificere og identificere katten.
Bedre end et mennneske
Takket være deep learning har computere i dag nået en hurtigere og langt mere præcis billedgenkendelsesevne end noget menneske.
Tænk på hvor afgørende dette kan være i forbindelse med at identificere cancervækst på røntgenbilleder. Det kan være forskellen mellem liv eller død.
Man kan argumentere for, at deep learning er nærmere den type af kunstig intelligens, som forskerne drømte om for årtier siden, og det kan endda være samme intelligens, som Isaac Asimov og mange andre science-fiction forfattere skrev om.
Uanset hvad er det en revolution, der kommer til at forme fremtiden for vores liv i de kommende årtier.
Dette kræver unægtelig mere datakraft og mere data, men til gengæld bliver det muligt at løse problemer som maskiner i dag ikke kan håndtere.
Deep learn som et barn
Nøglen til fremgangen i deep learning i sin nuværende anden cyklus ligger i evnen til at bearbejde enorme informationsmængder, da deep learning-algoritmer præsterer bedre i forhold til hvor mange eksempler, de ”kan lære”.
Jo flere eksempler vi fodrer deep learning med, jo bedre er algoritmens nøjagtighed.
Læringsmetoden for deep learning (et kunstigt neuralt netværk) kan sammenlignes med den menneskelige hjerne, der lærer af sine erfaringer.
Tænk på et lille barn, der begynder at lære om verden, om objekter, dyr, mad og alt muligt andet.
Hvis vi igen ser på eksemplet omkring katte, som nævnt ovenfor, så er det sådan, at jo flere billeder, barnets mor viser af forskellige katteracer med forskellige typer pels, udseende, katte i forskellige positioner, med forskellige baggrunde og i forskellige størrelser, jo mere præcist vil barnet være i stand til at identificere og differentiere imellem dem i forhold til andre dyr.
Behov for hurtig databehandling
Det er på den måde, deep learning-algoritmerne lærer nyt.
Jo flere eksempler på katte, der lægges ind, jo større er softwarens præcision og den vil kunne identificere enhver katterace i alle størrelser og situationer, selvom det ikke er en kat i klassisk forstand (eksempelvis hvis det i stedet er et øre eller en hale, der stikker frem bag en sofa).
Men til forskel for den menneskelige hjerne kan algoritmen lære nyt på en mere decentraliseret og parallel måde kombineret med evnen til at bearbejde betydeligt flere eksempler sammenlignet med noget menneske.
Derfor kræver de avancerede beregningsværktøjer i deep learning nogle stærke grafikprocessorer (GPU’er), der er i stand til at arbejde parallelt, samt muligheden for at lagre og få adgang til enorme datamængder hurtigt og til en økonomisk fornuftig pris.
Det er her, at it-cheferne i fremtiden vil ’shine’ ved deres valg af den rette software og hardware.
Nysgerrigheden på deep learning er bestemt tilstede i dag og nye former for databehandling ligger lige rundt om hjørnet, når vi ved, hvordan vi bedst udnytter vores dataressourcer.
Vi er ikke langt fra at kunne køre med førerløse biler, bruge programmer til at besvare vores e-mails eller få velfunderede og intelligente råd om investeringer fra bots.
Grundlaget for deep learnings succes ligger i lagringsinfrastrukturen og softwaren.
Fremtiden er her allerede og der er uanede muligheder.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os noget tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.