How does artificial intelligence learn? - Briana Brownell

Translator: Stine Flågan Reviewer: Thomas Bedin

Today, artificial intelligence helps doctors diagnose patients,

I dag hjelper kunstig intelligens leger med å diagnostisere pasienter,

pilots fly commercial aircraft, and city planners predict traffic.

piloter med å fly kommersielle fly, og byplanleggere med å forutsi trafikk.

But no matter what these AIs are doing, the computer scientists who designed them

Men uansett hva disse KI-ene gjør, så vet dataforskerne som designet dem

likely don’t know exactly how they’re doing it.

mest sannsynlig ikke helt hvordan de gjør det.

This is because artificial intelligence is often self-taught,

Det skyldes at kunstig intelligens ofte er selvlært,

working off a simple set of instructions

med utgangspunkt i et sett med instruksjoner

to create a unique array of rules and strategies.

for å skape en unik matrise av regler og strategier.

So how exactly does a machine learn?

Så, nøyaktig hvordan lærer en maskin?

There are many different ways to build self-teaching programs.

Det er mange måter å bygge programmer for selvlæring.

But they all rely on the three basic types of machine learning:

Men alle er avhengige av tre grunnleggende typer maskinlæring:

unsupervised learning, supervised learning, and reinforcement learning.

ikke-overvåket læring, overvåket læring og forsterkningslæring.

To see these in action,

For å se disse i aksjon

let’s imagine researchers are trying to pull information

kan vi forestille oss at forskere forsøker å trekke informasjon

from a set of medical data containing thousands of patient profiles.

ut fra et sett med medisinske data som inneholder tusenvis av pasientprofiler.

First up, unsupervised learning.

Først ut, ikke-overvåket læring.

This approach would be ideal for analyzing all the profiles

Denne tilnærmingen vil være ideell for å analysere alle profilene

to find general similarities and useful patterns.

for å finne generelle likheter og nyttige mønstre.

Maybe certain patients have similar disease presentations,

Kanskje visse pasienter har lignende sykdomsbilder,

or perhaps a treatment produces specific sets of side effects.

eller kanskje en behandling fører med seg et spesifikt sett med bivirkninger.

This broad pattern-seeking approach can be used to identify similarities

Denne brede, mønstersøkende tilnærmingen kan brukes til å identifisere likheter

between patient profiles and find emerging patterns,

mellom pasientprofiler, og finne nye mønstre

all without human guidance.

uten menneskelig veiledning.

But let's imagine doctors are looking for something more specific.

Men la oss si at man ser etter noe mer spesifikt.

These physicians want to create an algorithm

Disse legene ønsker å lage en algoritme

for diagnosing a particular condition.

for å diagnostisere en bestemt tilstand.

They begin by collecting two sets of data—

De begynner med å samle inn to datasett -

medical images and test results from both healthy patients

medisinske bilder og testresultater fra både friske pasienter

and those diagnosed with the condition.

og de som har fått diagnosen.

Then, they input this data into a program

Deretter legger de inn disse dataene i et program

designed to identify features shared by the sick patients

designet for å identifisere kjennetegn som deles av de syke pasientene,

but not the healthy patients.

men ikke de friske.

Based on how frequently it sees certain features,

Basert på hvor ofte programmet ser bestemte kjennetegn,

the program will assign values to those features’ diagnostic significance,

vil det bli tildelt verdier til disse kjennetegnenes diagnostiske relevans,

generating an algorithm for diagnosing future patients.

noe som genererer en algoritme for diagnostisering av fremtidige pasienter.

However, unlike unsupervised learning,

I motsetning til ikke-overvåket læring

doctors and computer scientists have an active role in what happens next.

har leger og dataforskere en rolle i hva som skjer videre.

Doctors will make the final diagnosis

Leger stiller den endelige diagnosen,

and check the accuracy of the algorithm’s prediction.

og kontrollerer nøyaktigheten av algoritmens beregning.

Then computer scientists can use the updated datasets

Deretter kan dataforskerne benytte oppdaterte datasett

to adjust the program’s parameters and improve its accuracy.

til å justere parameterne og forbedre programmets nøyaktighet.

This hands-on approach is called supervised learning.

Denne praktiske tilnærmingen kalles overvåket læring.

Now, let’s say these doctors want to design another algorithm

La oss si at legene ønsker å designe enda en algoritme

to recommend treatment plans.

til å anbefale behandlingsplaner.

Since these plans will be implemented in stages,

Siden disse planene vil bli implementert i etapper,

and they may change depending on each individual's response to treatments,

og de kan endres avhengig av den enkeltes respons på behandlingen,

the doctors decide to use reinforcement learning.

bestemmer legene seg for å bruke forsterkningslæring.

This program uses an iterative approach to gather feedback

Dette programmet bruker en iterativ metode for å høste erfaringer

about which medications, dosages and treatments are most effective.

om hvilke medisiner, doser og behandlinger som er mest effektive.

Then, it compares that data against each patient’s profile

Deretter sammenlignes data med hver enkelt pasientprofil

to create their unique, optimal treatment plan.

for å lage en unik, optimal behandlingsplan.

As the treatments progress and the program receives more feedback,

Etter hvert som behandlingene utvikles og man får flere tilbakemeldinger,

it can constantly update the plan for each patient.

kan programmet kontinuerlig oppdatere planen for hver enkelt pasient.

None of these three techniques are inherently smarter than any other.

Ingen av disse tre teknikkene er i seg selv smartere enn de andre.

While some require more or less human intervention,

Noen krever mer eller mindre menneskelig inngripen,

they all have their own strengths and weaknesses

og alle har sine egne styrker og svakheter

which makes them best suited for certain tasks.

som gjør dem best egnet til bestemte oppgaver.

However, by using them together,

Men ved å bruke dem sammen,

researchers can build complex AI systems,

kan forskere bygge komplekse AI-systemer,

where individual programs can supervise and teach each other.

der individuelle programmer kan overvåke og lære opp hverandre.

For example, when our unsupervised learning program

For eksempel, når vårt ikke-overvåkede læringsprogram

finds groups of patients that are similar,

finner grupper av pasienter som er like,

it could send that data to a connected supervised learning program.

kan det sende disse dataene til et tilkoblet, overvåket læringsprogram.

That program could then incorporate this information into its predictions.

Dette programmet kan deretter bruke denne informasjonen i sine prognoser.

Or perhaps dozens of reinforcement learning programs

Eller kanskje dusinvis av forsterkende læringsprogrammer

might simulate potential patient outcomes

kan simulere potensielle pasientutfall

to collect feedback about different treatment plans.

for å innhente erfaringer fra ulike behandlingsplaner.

There are numerous ways to create these machine-learning systems,

Det finnes mange måter å lage slike maskinlæringssystemer,

and perhaps the most promising models

og kanskje de mest lovende modellene

are those that mimic the relationship between neurons in the brain.

er de som etterligner forholdet mellom nevroner i hjernen.

These artificial neural networks can use millions of connections

Disse kunstige nevralnettverkene kan bruke millioner av koblinger

to tackle difficult tasks like image recognition, speech recognition,

til å løse vanskelige oppgaver som bildegjenkjenning, talegjenkjenning,

and even language translation.

og til og med språkoversettelse.

However, the more self-directed these models become,

Men jo mer selvstyrte disse modellene blir,

the harder it is for computer scientists

desto vanskeligere blir det for dataforskere

to determine how these self-taught algorithms arrive at their solution.

å finne ut hvordan disse selvlærte algoritmene kommer frem til løsningen.

Researchers are already looking at ways to make machine learning more transparent.

Forskere ser allerede på måter for å gjøre maskinlæring mer transparent.

But as AI becomes more involved in our everyday lives,

Men etter hvert som KI blir en større del av hverdagen vår,

these enigmatic decisions have increasingly large impacts

har disse gåtefulle beslutningene stadig større innvirkning

on our work, health, and safety.

på arbeid, helse og sikkerhet.

So as machines continue learning to investigate, negotiate and communicate,

Så mens maskinene fortsetter å lære å undersøke, forhandle og kommunisere,

we must also consider how to teach them to teach each other to operate ethically.

må vi også vurdere hvordan vi kan lære dem å lære hverandre å arbeide etisk.