AI. To bogstaver, som dukker op overalt. I nyhederne, i reklamer, i software, i biler – ja endda i køleskabe. Men selvom ordet bruges konstant, er det langt fra sikkert, at vi alle mener det samme, når vi siger ‘AI’. Så hvad er AI egentlig?
På den ene side er AI avancerede systemer, der kan skrive tekster, genkende billeder eller føre samtaler næsten som mennesker. For andre er det enhver form for automatisering, der virker bare en smule smartere end før. Og netop dér begynder forvirringen.
Faktisk er AI ikke én bestemt teknologi. Det er et meget bredt begreb, som dækker over alt fra simple regler og automatiske beslutninger til komplekse systemer, der kan lære af data og tilpasse sig over tid. Dermed gør det begrebet både spændende – og problematisk.
I dette blogindlæg prøver jeg derfor ikke at give én perfekt og endegyldig definition på AI. I stedet vil jeg give dig et overblik og nogle værktøjer til at forstå, hvad der menes, når nogen taler om AI og AI styring. Vi starter med at kigge på, hvad er AI helt konkret, hvordan det hænger sammen med f.eks. Machine Learning, og hvorfor det faktisk er vigtigt at være en smule kritisk, når ordet bliver brugt.
For hvis alt kan kaldes AI, så mister ordet hurtigt sin betydning.
Machine Learning
For at forstå, hvad AI er, er det næsten umuligt at komme uden om at forstå Machine Learning – ofte forkortet til ML. Desuden tænker mange automatisk på Machine Learning, når de hører ordet AI, og det er der en god grund til.
Til sammenligning fungerer traditionel software typisk efter faste regler. En programmør fortæller computeren præcis, hvad den skal gøre: Hvis A sker, så gør B. Maskinen følger reglerne slavisk – hver gang.
Derimod vender Machine Learning den tilgang på hovedet.
Derimod giver man systemet en stor mængde data og lader det selv finde mønstre i dem, i stedet for at programmere alle reglerne direkte. Systemet “lærer” altså af eksempler. Det betyder, at vi ikke nødvendigvis kan pege på én konkret regel, der forklarer, hvorfor systemet træffer en bestemt beslutning – kun at beslutningen er baseret på det, det har lært.
For eksempel er spamfiltre i e-mails et klassisk eksempel. I stedet for at have en lang liste med faste regler som “hvis mailen indeholder ordet gratis, så er det spam”, bliver systemet trænet på tusindvis – eller millioner – af mails. Som følge heraf lærer det selv, hvilke mønstre der typisk kendetegner spam, og hvilke der ikke gør.
Machine Learning er altså ikke magi
Det er statistik, matematik og data – bare brugt på en måde, der gør det muligt for computere at forbedre sig selv, uden at nogen manuelt justerer reglerne hele tiden.
Men her opstår også et vigtigt spørgsmål, som vi skal kigge på som det næste:
Er AI ML?
Godt spørgsmål – og det korte svar er: ja, men ikke nødvendigvis.
(ML) Machine Learning er uden tvivl en af de vigtigste og mest udbredte teknikker inden for AI i dag. Når vi taler om chatbots, billedgenkendelse, anbefalingssystemer på Netflix eller Spotify og meget af den AI, der fylder i medierne, så er Machine Learning næsten altid en central del af teknologien.
Ikke desto mindre er AI et større begreb end ML.
For at besvare spørgsmålet ‘hvad er AI’, kan vi starte med en bred definition. Ifølge IBM er AI teknologi, der gør det muligt for computere og maskiner at simulere menneskelig læring, forståelse, problemløsning, beslutningstagning, kreativitet og autonomi. Det er en bred definition – og med vilje. Den siger nemlig ikke noget om, hvordan det opnås, kun hvad systemet kan.
Machine Learning er én måde at opnå det på
…men ikke den eneste.
Derudover findes der også:
- Regelbaserede systemer, hvor adfærden er defineret af faste “hvis–så”-regler.
Ekspertsystemer, som var meget udbredte før Machine Learning for alvor, slog igennem.
Optimerings- og planlægningsalgoritmer, der kan finde den bedste løsning ud fra givne kriterier.
Alligevel kan disse systemer opfylde dele af. IBM’s definition – for eksempel problemløsning og beslutningstagning – uden at de lærer af data. De er altså AI, men ikke Machine Learning.
Dog er problemet, at Machine Learning i dag fylder så meget i debatten, at begreberne ofte bliver brugt synonymt. Når nogen siger “vores produkt bruger AI”, mener de ofte “vores produkt bruger Machine Learning” – og nogle gange betyder det bare, at noget er automatiseret.
Så næste gang du hører ordet AI, er det værd at spørge dig selv:
Eksempler i dagligdagen
Hvis vi har brug for en termostat – hvorfor køber vi så et AI-drevet temperaturstyringssystem?
Faktisk betaler vi nogle gange mere for etiketten end for det, produktet faktisk gør.
AI kan hurtigt komme til at lyde abstrakt og teknisk, men i praksis møder de fleste af os allerede AI flere gange om dagen – ofte uden at tænke over det. Nogle gange er det avanceret Machine Learning, andre gange er det langt mere simple systemer, der bare virker intelligente på overfladen.
For at gøre begrebet mere håndgribeligt, lad os starte med et par eksempler fra hverdagen.
Tjenester som Netflix og Spotify foreslår indhold baseret på, hvad du tidligere har set eller lyttet til. Din e-mail sorterer automatisk spam fra. Din telefon kan genkende ansigter i billeder og foreslå at samle dem i albums. Fælles for disse er, at de forsøger at træffe beslutninger, som ellers ville kræve menneskelig vurdering.
Imidlertid er ikke alt, der kaldes AI, lige komplekst.
Derfor giver det mening at skelne mellem simple og mere avancerede former for AI. Og i øvrigt bruger alle overnævnte tjenester Machine Learning
Fiktivt eksempel på en simpel AI
Forestil dig et varmesystem i et hus, der automatisk justerer temperaturen. Systemet er programmeret med en regel: Hvis temperaturen falder under 20 grader, tænder varmen. Hvis den kommer over 22 grader, slukker den igen.
Med andre ord reagerer systemet på sine omgivelser og træffer beslutninger uden menneskelig indblanding.
Ganske vist opfylder systemet nogle af kriterierne i AI-definitionen: det træffer beslutninger og handler autonomt. Men det lærer ikke, tilpasser sig ikke nye mønstre og bliver ikke bedre over tid. Det følger blot de regler, det er blevet givet.
Her gør AI ikke systemet bedre – kun mere kompliceret.
En simpel termostat løser problemet. Alt andet er overkill.
Termostat – eller AI-styret temperaturkontrol
Og vigtigst af alt: der er ingen god grund til at bruge en mere kompleks teknologi her. En simpel regelbaseret løsning er både billigere, mere gennemsigtig og lettere at vedligeholde. At erstatte den med Machine Learning eller “rigtig AI” ville ikke gøre systemet bedre – bare mere kompliceret.
Derfor er vi her ved grænsen for, hvornår det giver mening at bruge ordet AI. Eksemplet viser, hvordan noget, der altid har eksisteret, i dag kan få et nyt og mere “fancy” label, selvom teknologien i praksis er den samme.
Fiktivt eksempel på en kompleks AI
Lad os kigge på et eksempel, som godt nok er fiktivt, men som ikke ligger langt fra en realistisk fremtid. Hvis man forestiller sig en stadig mere decentral og demokratiseret el-infrastruktur – noget der allerede bevæger sig i den retning i lande som Danmark – bliver behovet for mere intelligente styringssystemer hurtigt tydeligt.
Forestil dig nu et system, der styrer energiforbruget i et helt boligkvarter. Systemet indsamler løbende data om vejr, energipriser, beboernes forbrugsmønstre og historiske data. På baggrund af disse data lærer systemet, hvornår det bedst kan lagre energi, hvornår det skal fordele den, og hvordan belastningen på elnettet kan reduceres.
Her er der tale om et system, der:
Lærer af data over tid
Tilpasser sin adfærd til ændrede forhold
Træffer komplekse beslutninger uden faste regler
Dette er et eksempel på AI, hvor Machine Learning spiller en central rolle. Systemet kan ikke beskrives med en simpel liste af regler, fordi det konstant justerer sig selv baseret på nye input.
Man kan dog også forestille sig en kompleks AI, der ikke bruger Machine Learning. For eksempel et avanceret planlægningssystem, der via matematiske modeller og optimeringsalgoritmer finder den bedst mulige løsning inden for meget stramme rammer. Det lærer ikke nødvendigvis af data, men kan stadig løse ekstremt komplekse problemer.
Begge dele kan med rette kaldes AI – men de er fundamentalt forskellige.
Hvad er AI i praksis — og hvorfor er det vigtigt at forstå?
På papiret er definitionen på AI relativt klar. Men som eksemplerne viser, dækker ordet over alt fra simple regelbaserede systemer til ekstremt komplekse modeller, der lærer og tilpasser sig over tid. Det betyder, at to produkter begge kan markedsføres som “AI” – selvom de teknologisk set næsten ikke har noget med hinanden at gøre.
Derfor er det vigtigt ikke bare at høre ordet AI, men at se på sammenhængen, det bliver brugt i – og ikke mindst hvem afsenderen er.
Endvidere er afsenderen i mange tilfælde en sælger.
AI er blevet et moderne buzzword. Et ord, der signalerer innovation, fremtid og intelligens – præcis som ord som moderne, high-tech, smart, eksklusiv og intelligent er blevet brugt førhen. Ordene lyder imponerende, men siger i sig selv meget lidt.
Vi er måske selv en del af problemet. Ikke fordi vi ikke spørger – men fordi vi tror, at et fancy ord automatisk giver mere værdi for pengene. Tænk over det: Hvis vi har brug for en termostat, hvorfor så købe et AI-drevet temperaturstyringssystem? I så fald betaler vi for etiketten, ikke for hvad produktet er, eller hvordan det fungerer. Er det virkelig for meget forlangt at være lidt mere nysgerrig? Se vores priser og hvad der er inkluderet.
Det leder os videre til et mere praktisk spørgsmål:
Hvad skal man egentlig spørge om, når man bliver præsenteret for AI?
Hvad skal jeg så spørge om?
Når du støder på et produkt eller en tjeneste, der bliver markedsført som AI, er det oplagt første spørgsmål at stille:
Først: Hvad gør det her til AI?
Det er et rigtigt og vigtigt spørgsmål – men forvent ikke altid et klart svar. Desværre vil svaret ofte indeholde ord som automatisk, smart eller Machine Learning. Og så kan du ende med at være lige så uvidende som før, selvom du stillede spørgsmålet.
Derfor kan det betale sig at grave lidt dybere med opfølgende spørgsmål, som for eksempel:
Hvordan træffer systemet beslutninger?
Lærer det af nye data? Hvis ja, hvordan?
Hvilke begrænsninger har det?
Hvilke data er det baseret på, og hvor kommer de fra?
Som en forsker eller teknologientusiast kan du fortsætte med at bore dig dybere ned i teknologien – helt indtil du rammer firmaets hemmelige sauce: Det, der gør deres AI til noget særligt, men som de ikke deler med nogen
Omvendt, hvis et firma åbent forklarer præcis, hvordan deres AI virker, afslører de samtidig ofte hele deres konkurrencemæssige fordel. Derfor vil der næsten altid være et niveau, hvor detaljerne bliver hemmelige.
Vil du vide mere om, hvad er AI? Find svar i vores FAQ.
Vi siger ikke, at virksomheder skal dele deres hemmeligheder – nej!
Vi siger, at med respekt for den enkelte virksomheds innovation og kreativitet kan vi som brugere stadig stille spørgsmål, og det bør vi gøre. Samtidig er det vores penge, vores investering – og nogle gange endda vores tillid – vi giver til disse løsninger.
Så hvorfor er det overhovedet vigtigt at stille spørgsmålene, hvis man ikke kan nå helt ind til kernen?
Fordi du stadig risikerer at købe noget, der er langt mere simpelt, end det bliver præsenteret som.
Fordi det giver dig et bedre grundlag for at vurdere, om produktet faktisk kan løse dit problem, eller om det primært er et fancy buzzword.
Tre spørgsmål
Vores opfordring er at stil dig selv tre grundlæggende spørgsmål, hver gang AI bliver nævnt:
Udfylder det mine krav?
Virker firmaet til at have styr på, hvad de snakker om?
Hvad kan det ikke?
Følgelig er især det sidste vigtigt.
Som med alle andre reklameord gælder det, at det ofte er ordet – ikke produktet – der sælger. At kende begrænsningerne hjælper dig med at skelne mellem hype og funktionalitet
Ofte stillede spørgsmål om AI
Konklusion: Hvad er AI — og hvad skal du tage med dig?
AI er både fascinerende og forvirrende.
Nærmere bestemt dækker det over alt fra simple regelbaserede systemer til komplekse, selv-lærende modeller. Machine Learning er en vigtig del af AI, men langt fra hele historien – og ikke alt, der markedsføres som AI, er lige avanceret.
Frem for alt er det vigtigste, du kan tage med dig som læser, er at bevare kritisk sans:
- Spørg altid, hvad der gør noget til AI. Det første svar vil ofte være vagt – grav lidt dybere.
- Se på begrænsningerne. Hvad kan teknologien ikke? Det er her, du afslører forskellen mellem hype og reel funktionalitet.
- Vurder afsenderen. Et firma med styr på deres teknologi kan forklare deres produkt på en forståelig måde, selvom nogle detaljer holdes hemmelige.
Husk, hvad er AI?
Det er ikke et magisk ord, men et bredt begreb, der kan betyde mange forskellige ting afhængigt af kontekst og formål. Hvis du stiller de rigtige spørgsmål og er bevidst om, hvad du køber eller bruger, får du ikke bare et smartere produkt – du undgår også at lade dig imponere af fancy buzzwords alene.
Altså handler det i sidste ende om at forstå, hvad teknologien kan, og hvad den ikke kan, så du kan træffe bedre beslutninger – uden at lade dig blænde af den hemmelige sauce. Og hvis en termostat er nok, så er AI ikke løsningen.
I vores næste kapitel vil vi forklare, så enkelt som muligt, hvad vores løsning, Epicore, er – og hvad den ikke er.
Hvis du foretrækker at lytte og stille spørgsmål direkte til folkene bag, kan du deltage i et 30 minutters webinar. Følg blot linket nedenfor for at tilmelde dig. Vi sender dig datoerne for de næste webinarer.
Indtil da — køb ikke det AI‑intelligente temperaturstyringssystem, hvis det eneste, du har brug for, er en simpel termostat!
De kommende uger ruller vi en serie af webinarer og indhold ud. Ikke for at sælge jer noget. For at hjælpe jer med at forstå, hvad I faktisk køber, når nogen siger "AI."
Tilmeld dig nu