Begreberne AI, machine learning og deep learning bliver ofte brugt i flæng. I medier, i markedsføring og nogle gange også i faglige sammenhænge. Det kan give indtryk af, at der er tale om tre forskellige teknologier, der konkurrerer med hinanden. I virkeligheden er forholdet langt mere enkelt – og hierarkisk.
For at forstå forskellen er det nyttigt at se begreberne som lag oven på hinanden. Det gør det også lettere at forstå, hvad moderne AI-systemer faktisk gør, og hvorfor deres evner nogle gange bliver overvurderet.
Kunstig intelligens (AI): den brede ramme
Kunstig intelligens er det mest overordnede begreb i diskussionen om intelligente systemer. Når man taler om AI, taler man ikke nødvendigvis om én bestemt teknologi, men om et fælles mål: at få computere til at udføre opgaver, der normalt kræver menneskelig intelligens.
Det betyder, at AI i høj grad beskriver hvad systemet skal kunne, snarere end hvordan det er bygget.
Historisk set har AI dækket over mange forskellige tilgange. Tidlige AI-systemer var ofte regelbaserede. De fungerede ved, at mennesker på forhånd definerede en lang række hvis–så-regler, som systemet fulgte slavisk. Den type AI kunne være nyttig i velafgrænsede situationer, men havde svært ved at håndtere variationer og uforudsete tilfælde.
Moderne AI-systemer adskiller sig ved, at de i højere grad er data-drevne. I stedet for at få alle regler serveret på forhånd, bliver systemerne trænet til selv at finde mønstre i data. Det gør dem mere fleksible, men også mere afhængige af kvaliteten og mængden af de data, de arbejder med.
Det er vigtigt at understrege, at ikke al AI nødvendigvis er baseret på machine learning. Et system kan godt blive kategoriseret som AI, selvom det primært arbejder ud fra faste regler eller optimeringsalgoritmer. Det afgørende er, om systemet er designet til at efterligne eller understøtte menneskelige beslutninger på et bestemt område.
I praksis møder de fleste mennesker AI som en funktion, ikke som en selvstændig teknologi. Det kan være et system, der prioriterer sager i en offentlig forvaltning, foreslår indhold på en streamingtjeneste eller hjælper med at identificere mønstre i medicinske data. Fælles for disse systemer er, at de løser én klart afgrænset opgave og gør det inden for en ramme, som mennesker har defineret.
Når AI omtales som “intelligent”, handler det derfor ikke om bevidsthed eller forståelse, men om effektiv problemløsning inden for et snævert område. Det er en vigtig skelnen, fordi det hjælper med at holde forventningerne på et realistisk niveau og undgå, at AI bliver tillagt egenskaber, teknologien ikke besidder.
Set på den måde fungerer AI bedst som en overordnet kategori – en paraply, der samler mange forskellige teknikker og systemer under ét fælles formål. Machine learning og deep learning er to af de mest udbredte metoder i dag, men de giver først rigtig mening, når de bliver set som dele af denne bredere ramme.
Machine learning: når systemet lærer af data
Machine learning er i dag den mest udbredte tilgang inden for kunstig intelligens. Hvor klassiske IT-systemer følger faste regler, adskiller machine learning sig ved, at systemet selv lærer, hvordan en opgave bedst løses, ved at analysere data.
I praksis betyder det, at mennesket ikke programmerer alle svar på forhånd. I stedet definerer man et mål – for eksempel at genkende spam, forudsige efterspørgsel eller sortere ansøgninger – og lader systemet finde de mønstre i data, der fører til de mest præcise resultater.
En central pointe er, at “læring” i denne sammenhæng ikke handler om forståelse. Systemet opdager statistiske sammenhænge, ikke årsager eller mening. Det justerer sine interne parametre for at blive bedre til at ramme det ønskede output, men det har ingen viden om, hvorfor et bestemt svar er bedre end et andet.
Et konkret eksempel er et system, der skal vurdere kreditværdighed. Modellen bliver trænet på historiske data om tidligere lån og tilbagebetalinger. Over tid lærer den, hvilke mønstre der ofte hænger sammen med høj eller lav risiko. Når systemet møder en ny ansøgning, sammenligner det den med de mønstre, det har lært, og giver et sandsynligt bud – ikke en forklaring.
Det betyder også, at machine learning-systemer i høj grad er afhængige af de data, de trænes på. Hvis data er mangelfulde, skæve eller forældede, vil systemets resultater afspejle det. Teknologien er derfor ikke objektiv i sig selv, men en afspejling af de valg og den virkelighed, mennesker har lagt ind i den.
Machine learning fungerer bedst i situationer, hvor opgaven er klart afgrænset, og hvor der findes store mængder relevante data. Det er en af grundene til, at teknologien har haft stor succes inden for områder som anbefalingssystemer, billedgenkendelse og prognoser, men har sværere ved komplekse, tvetydige opgaver, der kræver menneskelig vurdering.
I mange organisationer bliver machine learning brugt som et beslutningsstøtteværktøj. Systemet kan hurtigt analysere store datamængder og pege på mønstre, som mennesker ikke selv ville opdage, men det kræver stadig menneskelig dømmekraft at vurdere, hvordan resultaterne skal bruges i praksis.
Deep learning: en mere avanceret form for machine learning
Deep learning er en specialiseret og mere kompleks form for machine learning. Hvor klassiske machine learning-modeller ofte arbejder med udvalgte og strukturerede input, kan deep learning-systemer håndtere langt større og mere ustrukturerede datamængder, som tekst, billeder og lyd.
Kernen i deep learning er kunstige neurale netværk, der er inspireret af den måde, menneskets hjerne er opbygget på. Disse netværk består af mange lag, som hver især behandler data på forskellige niveauer. De tidlige lag kan for eksempel genkende simple mønstre, mens de senere lag samler disse til mere komplekse sammenhænge.
Et praktisk eksempel er billedgenkendelse. Et deep learning-system, der skal genkende ansigter, starter ikke med en forståelse af, hvad et ansigt er. I stedet lærer de første lag at genkende kanter og former. Senere lag kombinerer disse til øjne, næser og munde, og til sidst opstår et mønster, som systemet kan bruge til at identificere et ansigt. Hele processen foregår uden, at systemet har nogen forståelse af, hvad et ansigt betyder.
Det er netop denne evne til selv at udlede relevante træk fra rå data, der har gjort deep learning så effektiv. Tidligere krævede machine learning ofte, at mennesker på forhånd definerede, hvilke egenskaber systemet skulle kigge efter. Med deep learning kan meget af dette arbejde automatiseres.
Ulempen er, at deep learning-modeller ofte bliver svære at gennemskue. Det kan være vanskeligt at forklare præcist, hvorfor systemet når frem til et bestemt resultat. I praksis betyder det, at deep learning ofte optræder som en form for “sort boks”, hvor input og output er synlige, men de mellemliggende beslutninger er uklare.
Derudover kræver deep learning store mængder data og betydelig regnekraft. Det gør teknologien mindre egnet til små eller specialiserede opgaver, hvor datagrundlaget er begrænset. Til gengæld er den særdeles effektiv i situationer, hvor der findes mange eksempler og et klart mål.
I dag er det deep learning, der ligger bag mange af de AI-systemer, som har fået stor opmærksomhed i den offentlige debat. Det er også her, mange af de mest imponerende resultater opstår. Men selv de mest avancerede deep learning-modeller er stadig snævre systemer uden forståelse, bevidsthed eller evne til at overføre viden på tværs af domæner.
En enkel måde at huske forskellen på
En god måde at forstå forskellen mellem AI, machine learning og deep learning på er at tænke i niveauer. Ikke som konkurrerende teknologier, men som lag, der bygger oven på hinanden.
Kunstig intelligens er den brede ramme. Det er målet om at få computere til at udføre opgaver, som normalt kræver menneskelig intelligens. AI siger altså noget om hvad systemet skal kunne, ikke nødvendigvis hvordan det gør det.
Machine learning er en af de vigtigste metoder til at opnå dette mål. Her lærer systemet af data i stedet for at følge faste regler. Machine learning beskriver derfor hvordan mange moderne AI-systemer fungerer i praksis.
Deep learning er en mere avanceret form for machine learning. Den adskiller sig ved at kunne arbejde med meget store datamængder og komplekse mønstre, men til gengæld er modellerne ofte mindre gennemsigtige og mere ressourcekrævende.
Man kan opsummere forholdet sådan:
- AI er paraplyen
- Machine learning er værktøjet
- Deep learning er den mest avancerede variant af værktøjet
Eller sagt på en anden måde:
Alle deep learning-systemer er machine learning.
Alle machine learning-systemer er AI.
Men ikke al AI er machine learning, og ikke al machine learning er deep learning.
Denne måde at tænke på gør det lettere at afkode teknologidebatten. Når et produkt eller en løsning bliver markedsført som “AI”, kan det i praksis dække over alt fra simple regelbaserede systemer til meget avancerede deep learning-modeller. Uden denne skelnen kan det være svært at vurdere, hvad teknologien reelt kan – og hvad der mest er forventninger.
Huskereglen hjælper også med at holde forventningerne realistiske. Jo længere man bevæger sig ned i lagene, desto mere specialiseret bliver teknologien. Det, der på overfladen kan ligne generel intelligens, er ofte resultatet af meget målrettet træning inden for et snævert område.
Hvorfor forskellen betyder noget i praksis
At kende forskellen mellem kunstig intelligens, machine learning og deep learning er ikke kun relevant for teknikere eller forskere. Det har direkte betydning for, hvordan teknologien bliver forstået, anvendt og vurderet i praksis – både i organisationer og i den offentlige debat.
Når AI bliver omtalt som én samlet størrelse, opstår der ofte urealistiske forventninger. Et system, der er meget dygtigt til én specifik opgave, bliver let opfattet som mere generelt intelligent, end det er. I virkeligheden er de fleste løsninger baseret på machine learning eller deep learning, som er optimeret til snævre formål og fungerer bedst inden for klart definerede rammer.
For beslutningstagere og medarbejdere betyder det, at spørgsmålet ikke bør være, om man bruger AI, men hvilken type AI man bruger – og til hvad. Et deep learning-system kan være effektivt til at analysere billeder eller store tekstmængder, men det er ikke nødvendigvis det rigtige valg til opgaver, der kræver gennemsigtighed, forklarbarhed eller menneskelig vurdering.
Forskellen har også betydning for ansvar og forventninger. Jo mere komplekst et system er, desto sværere kan det være at forklare, hvordan det når frem til sine resultater. Det stiller krav til, hvordan teknologien implementeres, og hvem der har det endelige ansvar for beslutninger, der bliver truffet med støtte fra AI.
I arbejdssammenhænge kan en mere præcis forståelse af begreberne gøre det lettere at se, hvordan teknologien faktisk kan bruges konstruktivt. I stedet for at tale om erstatning af jobs, bliver fokus flyttet mod, hvordan AI kan understøtte konkrete arbejdsopgaver og ændre arbejdets indhold. Det giver et mere realistisk billede af, hvad teknologien betyder i hverdagen.
Endelig bidrager skelnen mellem AI, machine learning og deep learning til en mere nuanceret debat om teknologiens fremtid. Den gør det muligt at diskutere muligheder og begrænsninger på et oplyst grundlag – uden at falde i hverken dommedagsfortællinger eller ukritisk begejstring.
Med den forståelse på plads bliver det også lettere at gå et skridt videre og se nærmere på, hvordan disse systemer konkret bliver trænet, og hvorfor data spiller en så afgørende rolle. Det er netop her, den praktiske virkelighed bag AI for alvor begynder.
Be the first to comment