Artificiell intelligens: Del 6

Källa: Tillhandahållen bild; Författare: Stephen Whitelaw;

Klassificering

Klassificering är en AI-uppgift där systemet placerar något i en kategori. Exempel på detta är att sortera e-postmeddelanden i skräppost och icke-skräppost, identifiera om en recension är positiv eller negativ, eller avgöra om en röntgenbild ser normal eller onormal ut. Klassificering är en av de vanligaste tillämpningarna av maskininlärning.

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Claude

Claude är en avancerad familj av stora språkmodeller som utvecklats av Anthropic. Den är utformad för att vara säker, noggrann och tillförlitlig och innehåller specialiserade verktyg som Claude Code (ett verktyg för agentbaserad kodning), Claude Design och Claude Science för forskning. Claude har fått sitt namn efter den berömde Claude Shannon, en matematiker, datavetare och informationsteorins fader.

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Molnbaserad AI

Cloud AI avser AI-tjänster som tillhandahålls via internet av stora dataleverantörer. Istället för att köpa dyr hårdvara kan företag få tillgång till AI-modeller, lagringsutrymme och datorkraft via molnplattformar. Detta gör AI mer tillgängligt, men väcker också frågor om dataintegritet, säkerhet, kostnader och beroende av stora teknikföretag.

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Klusteranalys

Clustering är en metod inom maskininlärning som grupperar liknande objekt utan att i förväg få information om de korrekta kategorierna. En detaljhandlare kan till exempel använda clustering för att identifiera grupper av kunder med liknande köpvanor. Clustering är användbart för att upptäcka mönster, men de grupper som identifieras behöver fortfarande tolkas av människor.

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Kognitiv databehandling

Kognitiv databehandling är ett äldre och bredare begrepp för system som är utformade för att efterlikna aspekter av mänskligt tänkande, såsom inlärning, resonemang och språkförståelse. Det används ofta i affärssammanhang. Idag talar man oftare om AI, maskininlärning och generativ AI, men grundidén kvarstår: att använda datorer för att stödja komplexa uppgifter av mänsklig karaktär.

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Datorseende

Datorseende är den gren av AI som hjälper datorer att tolka bilder och video. Det används inom medicinsk bildbehandling, ansiktsigenkänning, självkörande bilar, kvalitetskontroll, jordbruk, säkerhet och sportanalys. Datorseendesystem kan vara kraftfulla, men de kan misslyckas när belysning, vinklar, bakgrunder eller förhållanden i verkligheten skiljer sig från träningsdata.

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Konfidensvärde

Ett konfidensvärde är ett tal som visar hur säker ett AI-system är på sitt resultat. En bildklassificerare kan till exempel ange att den är 92 % säker på att en bild föreställer en hund. Konfidensvärden kan vara användbara, men de är inga garantier. Vissa AI-system är överdrivet säkra även när de har fel, vilket är anledningen till att kalibrering och testning är viktigt.

Källa: Tillhandahållen bild; Författare: Stephen Whitelaw;

Kontextfönster

Kontextfönstret är den mängd information som en språkmodell kan beakta samtidigt. Det kan omfatta användarens fråga, tidigare konversationer, uppladdad text eller hämtade dokument. Ett större kontextfönster gör det möjligt för modellen att hantera längre dokument och mer bakgrundsinformation. Men även med ett stort kontextfönster kan modellen fortfarande missa detaljer eller prioritera viss information framför annan. Många inom branschen tror att vi kanske är på väg mot oändliga kontextfönster – det vill säga något som användaren inte längre behöver ta hänsyn till.

Källa: Tillhandahållen bild; Författare: Stephen Whitelaw;

Konvolutionellt neuralt nätverk

Ett konvolutionellt neuronnätverk, eller CNN, är en typ av neuronnätverk som är särskilt användbart för bilder. CNN:er upptäcker mönster såsom kanter, former, texturer och objekt. De spelade en viktig roll i datorseendets framväxt. Även om nyare arkitekturer nu också används, förblir CNN:er viktiga inom bildanalys, medicinsk bildbehandling och visuell igenkänning.

Källa: Tillhandahållen bild; Författare: Stephen Whitelaw;

Korpus

Ett korpus är en samling text eller data som används för analys eller träning. En språkmodell kan till exempel tränas på ett korpus som innehåller böcker, artiklar, webbplatser, kod och annat skriftligt material. Kvaliteten och sammansättningen av korpuset påverkar i hög grad modellens beteende. Om korpuset innehåller fel, partiskhet eller föråldrad information kan modellen lära sig detta också.

Källa: Tillhandahållen bild; Författare: Stephen Whitelaw;

Kostnadsfunktion

En kostnadsfunktion, även kallad förlustfunktion, mäter hur felaktig en modell är under träningen. Modellen försöker minska detta fel över tid. Om en AI till exempel förutsäger bostadspriser mäter kostnadsfunktionen skillnaden mellan förutsagda och faktiska priser. Träning är i grunden processen att justera modellen för att minimera denna förlust.

Källa: Tillhandahållen bild; Författare: Stephen Whitelaw;

Korsvalidering

Korsvalidering är en teknik som används för att testa hur väl en modell presterar på olika delar av datamängden. Istället för att träna och testa endast en gång delas datamängden upp på flera olika sätt. Detta hjälper till att avslöja om modellen presterar konsekvent eller om den endast fungerar bra vid en slumpmässig uppdelning. Korsvalidering minskar risken för att överskatta modellens verkliga prestanda.

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Anpassad modell

En anpassad modell är en AI-modell som är anpassad för en specifik organisation, uppgift eller datamängd. Ett sjukhus kan till exempel behöva en modell som är tränad på sina egna kliniska dokument, eller en advokatbyrå kan behöva en modell som är anpassad för att utforma juridiska dokument. Anpassade modeller kan vara mer relevanta än generella modeller, men de kräver noggrann datahantering, testning och styrning.

Källa: Tillhandahållen bild; Författare: Stephen Whitelaw;

AI för cybersäkerhet

AI för cybersäkerhet använder maskininlärning och automatisering för att upptäcka, förebygga eller bemöta digitala hot. Den kan hjälpa till att upptäcka ovanligt nätverksbeteende, phishingförsök, skadlig programvara eller misstänkta inloggningar. Samtidigt kan angripare också använda AI för att skapa mer övertygande bedrägerier eller automatisera attacker. AI är därför både ett defensivt verktyg och en ny utmaning inom cybersäkerhet.