Kunstig intelligens går raskt inn i alle områder av våre digitale liv, plukker de sosiale medierhistoriene vi ser, identifiserer våre venner og kjæledyr på bilder, og til og med sørger for at vi unngår ulykker på veien. Hvis du vil forstå AI skjønt, må du starte med vilkårene som ligger til grund for det.

Og så presenterer vi TechRadar-ordlisten for AI: Fem av nøkkelordene og setningene du vil vite for å få tak i denne stadig bedre teknologien - og for å holde slutten på samtalen neste gang emnet avleser rundt middagsbordet.

Først, skjønt, en ansvarsfraskrivelse - ikke alle er enige om den nøyaktige definisjonen av noen av disse ordene, slik at du kanskje ser dem brukt annerledes andre steder på nettet. Hvor mulig har vi forsøkt å holde fast ved de mest brukte definisjonene, men med en så raskt voksende og ny teknologi vil det alltid være uoverensstemmelser.

  • Her er Microsofts ambisiøse AI-planer i detalj

1. Algoritmer

Ah, den berømte (eller beryktede) algoritmen. Algoritmer er sett med regler som dataprogrammer kan følge, så hvis en av dine beste venner legger inn et bilde av deg på Facebook, sier reglene at det skal gå oppe på toppen av nyhetsfeeden. Eller hvis du trenger å komme fra A til B på Google Maps, kan en algoritme hjelpe deg med å trene den raskeste ruten.

Reglene blir etterfulgt av datamaskiner, men vanligvis sett av mennesker - så det er Facebook-ingeniører som velger hva som gjør en historie viktig eller hvilke veier som er raskeste. Hvor AI begynner å komme inn, er å tilpasse disse algoritmer ved hjelp av maskinlæring, slik at programmer begynner å tilpasse disse reglene for seg selv. Google Maps kan gjøre dette hvis det begynner å få tilbakemeldingsdata som en bestemt vei er stengt.

Når billedgjenkjennelsessystemer blir feil, er det for eksempel et eksempel på en algoritme eller et sett av regler på jobben - de samme reglene er brukt, men feil resultat er nådd, slik at du får en kattlignende hund i stedet for en faktisk katt. På mange måter er algoritmer byggeblokkene til maskinlæring (se nedenfor).

2. Kunstig intelligens

Bare hva er kunstig intelligens uansett? Definisjoner er forskjellige avhengig av hvem du spør, men i videste forstand er det noen form for intelligens som er kunstig opprettet. Åpenbart.

Så når Siri svarer på deg som et ekte menneske, er det kunstig intelligens. Og når Google Photos ser ut til å vite hva en katt ser ut, er det også kunstig intelligens. Og Anthony Daniels gjemmer seg inne i sin C-3PO dress er også kunstig intelligens, på en måte - illusjonen av en snakkende, tenkrobot som faktisk styres av et menneske.

Definisjonen er egentlig så bred, så du kan se hvorfor det ofte er forvirring om hvordan det skal brukes. Det er mange forskjellige typer og tilnærminger til AI, så sørg for at du forstår forskjellene - når noe er beskrevet som å ha AI innebygd, kan det bety at et bredt spekter av teknologier er involvert.

3. Dyp læring

Dyp læring er en type eller en delmengde av maskinlæring (se nedenfor), og det er derfor de to begrepene ofte blir jumbled opp, og kan riktig brukes til å beskrive samme AI i mange tilfeller. Det er maskinlæring, men designet for å være enda mer intelligent, med mer nyans og flere lag, og ment å fungere mer som den menneskelige hjerne gjør.

Dyp læring har blitt gjort mulig ved to viktige teknologiske fremskritt: mer data og kraftigere maskinvare. Derfor er det bare nylig kommet i mote, selv om dets opprinnelige røtter går tilbake tiår. Hvis du tenker på det som maskinlæring opp til 11, kan du forstå hvorfor det blir smartere ettersom datamaskiner blir kraftigere.

Dyp læring bruker ofte nevrale nettverk (se nedenfor) for å legge til dette ekstra lag av intelligens. For eksempel kan både dyp læring og maskinlæring gjenkjenne en katt i et bilde ved å skanne et million kattbilder - men mens maskinlæring må bli fortalt hvilke funksjoner som utgjør en katt, kan dyp læring finne ut hva en katt ser ut til seg selv , så lenge det er nok rå data å jobbe fra.


4. Maskinlæring

Programmeringsprogramvare og maskinvare for å gjøre budgivning er alt bra og bra, men maskinlæring er neste trinn, og det er akkurat det det høres ut som. Det er maskinene som lærer for seg selv, i stedet for å ha alt spesielt stavet ut for dem hver gang.

Et av de mest kjente eksemplene er med bildegjenkjenning. Gi et maskininnlæringssystem nok bilder av en katt, og det vil etter hvert kunne se en katt i et nytt bilde av seg selv uten noen hint fra en menneskelig operatør. Du kan tenke på det som AI-nettverk som går utover deres opprinnelige programmering, først etter å ha blitt trent på dataene.

Googles AlphaGo-program er et annet godt eksempel: lært av mennesker, men i stand til å ta egne beslutninger basert på trening. Hva AlphaGo også viser er at mange typer AI er veldig spesifikke - at motoren er fantastisk å spille Go, men vil være ved siden av ubrukelig i en selvkjørende bil.

5. Nevrale nettverk

Nært knyttet til ideen om dyp læring (se ovenfor), prøver nevrale nettverk å etterligne prosesser i den menneskelige hjerne, eller så mye av den menneskelige hjerne som vi forstår på dette punktet. Igjen har utviklingen av nevrale nettverk bare vært mulig i de siste årene med high-end prosessorer.

I hovedsak betyr det mange lag. I stedet for å se på et bilde og avgjøre om det er et kattebilde - for eksempel, vurderer det neurale nettverket ulike forskjellige egenskaper av bildet og kattene, og tildeler ulike nivåer av betydning for hver av dem, før de tar en endelig beslutning. Sluttresultatet er en kattegjenkjenningsmotor som er mye mer nøyaktig (derfor hvorfor bildegenkjenning har blitt mye bedre de siste årene).

Hvis du ikke kan forstå ideen helt, må du ikke bekymre deg - neuralnett er ikke et konsept du kan forstå fullt ut fra en kort trepunktsdefinisjon. Men hvis du tenker på det som et annet maskinlæringsverktøy, designet for å skape noen av finessene av menneskelig intelligens, så har du det grunnleggende.

Techradar sin AI Uke er brakt til deg i forbindelse med Ære.