Hvorfor maskinlæring (machine learning) og kunstig intelligens nu?
Selvom maskinlæring har eksisteret i mange årtier, er det først i de senere år, at metoderne har fået gennemslag. Det har en multifaktoriel forklaring, som følger:
- Adgang til data. For et par år siden eksisterede data ikke. Patientjournaler fandtes kun i papirform, besøgsstatistik blev knap nok indsamlet på hjemmesider, mobiltelefoner lagrede ingen data osv. I dag lagres og organiseres enorme mængder data. Din computer/mobiltelefon har allerede lagret oplysninger om, hvor længe du har brugt på denne side, hvor du befinder dig lige nu, alle sider du har besøgt i dag, alle søgetermer du har brugt i Google osv. Det er også først nu, at de fleste virksomheder har indset, at data er blandt det mest værdifulde, de har. For en virksomhed kan den rette udnyttelse af data gøre forskellen mellem konkurs og børsnotering. For en forsker kan den rette udnyttelse af data føre til sensationelle opdagelser. Data er i dag blevet sin vægt værd i diamanter, og der er utrolige mængder data til rådighed.
- Lagring af data. Organisering og lagring af data er kompliceret. Denne teknologi har udviklet sig hastigt i de forløbne årtier. Lagringskapacitet, hastighed og adgang til databaser er steget eksplosivt.
- Hardware. I en computer foregår beregningerne i en processor. Ud over processoren har computeren også en hukommelse. Processorernes hastighed er blevet fordoblet hvert andet år siden 1970 (denne fordobling af hastigheden hvert andet år kaldes Moores lov).
- Forbedrede algoritmer. Der findes mange forskellige metoder til maskinlæring. Selvom principperne for maskinlæring ser de samme ud i dag som for 50 år siden, er algoritmerne blevet optimeret betydeligt gennem årene. Der er foretaget adskillige geniale forbedringer, hvoraf backpropagation er en af dem. Backpropagation er en mekanisme, der gør, at maskinlæringen justerer og kalibrerer modellen automatisk.
- Demokratisering af AI. For 10 år siden kunne kun større virksomheder skabe og bruge AI. I dag kan hvem som helst, ved hjælp af en almindelig personlig computer og temmelig beskedne programmeringskundskaber, bruge AI.
Grafikkortenes betydning
Branchen for computerspil er enorm. Millioner af børn og voksne spiller computerspil, og gennem årene er disse spil blevet stadig mere realistiske og dermed teknisk krævende. Store selskaber som NVIDIA og AMD investerer milliarder af dollars i at udvikle og forbedre grafikkort, hvilket har gjort det muligt for hvem som helst at spille computerspil med imponerende grafik. Grafikkort er faktisk også en type processor, og det viste sig, at grafikkort er fremragende til at udføre matematiske beregninger, især til machine learning. Derfor begyndte producenterne at tilpasse grafikkortet og softwaren, så de også kunne bruges til machine learning. Desuden blev det også muligt at koble mange grafikkort sammen og derved udnytte deres samlede kraft parallelt (beregningerne kan således fordeles på flere grafikkort og dermed fremskyndes betydeligt).
I dag koster grafikkortet NVIDIA Titan X cirka 10000 SEK, og med dette kort kan hvem som helst få 6,6 TFLOPS, hvilket svarer til en beregningskapacitet på 6,6 trillioner beregninger per sekund (hvilket er cirka 400 gange mere end processoren i en kraftig personlig computer). Denne kraft rækker til at skabe imponerende kunstig intelligens.
I dag er det ikke usædvanligt, at virksomheder og organisationer har egen infrastruktur, hvor hundredvis af grafikkort er koblet sammen. Cloudtjenester, som tilbydes af Amazon AWS, Google Cloud Computing og Microsoft Azure, gør det også muligt for hvem som helst at udnytte datacentre med enorm beregningskapacitet.
Den engelske betegnelse for grafikprocessor er GPU (Graphical Processing Unit) og for almindelig processor CPU (Central Processing Unit).
AI er stadig et lille barn
I dag findes forkortelsen AI overalt. Kloge og fremsynede mennesker mener nu, at størstedelen af borgerne burde tage et kursus i AI. Det er temmelig overraskende, eftersom ingen talte om AI for 10 år siden. I 2010 var neurale netværk (den type AI, der dominerer i dag, diskuteres senere) stadig relativt oversete, men der fandtes nogle forskergrupper, som ihærdigt forsøgte at bruge dem til at fortolke billeder. Geoffrey Hinton, Yoshua Bengio og Yann LeCun gjorde flere banebrydende fremskridt i 2010. Dan Ciresan demonstrerede i 2011 et neuralt netværk, der kunne fortolke billeder med imponerende præcision. I 2012 vandt Hinton og Krizhevsky den årlige ImageNet-konkurrence ved hjælp af et neuralt netværk, der fortolkede billederne korrekt i 83,6 % af tilfældene. Siden da har de neurale netværk fuldstændig domineret feltet computer vision, som er AI, der fortolker billeder og video. Det har efterhånden også vist sig, at de neurale netværk faktisk fungerer på alle perceptuelle opgaver, dvs. opgaver, der går ud på at fortolke lyd, billeder, video, tekst og andre signaler.