Home » Andet » Nu tager de lærenemme maskiner over
Nu tager de lærenemme maskiner over

Nu tager de lærenemme maskiner over

Share

Vi har nået det punkt, hvor det er blevet nemt og relativt billigt at føje maskinlæring-stemmekontrol eller gestusgenkendelse til noget så dagligdags som et fjernsyn. Moderne apparater er allerede forbundet med husets trådløse hub; det er en nem sag at hægte vores stemmekommandoer til en server, der kører et af de populære maskinlæring-frameworks.

Dem er der dusinvis af, herunder Googles TensorFlow og Amazons Machine Learning. Her oversætter et neuralt netværk hurtigt din kommando og fører den tilbage til dit fjernsyn. Det lyder som trylleri: Nu kan man bede fjernsynet om at skrue ned for lyden med stemmen eller med en gestus, så man slipper for at trykke på en knap. For ti år siden ville det have været vanskeligt og imponerende; nu er der intet mærkeligt i det.

Et hold hos MIT har udviklet RF-Pose, der er er system, som bruger trådløse signaler til at spore folk – også igennem vægge. Det er trænet til at bruge et kamera og radiosignaler.

Digitale assistenter og biler

Vi har også hurtigt vænnet os til virtuelle eller digitale assistenter. De har kun været på markedet siden 2011 – den første var Apples Siri på iPhone 4S.

Disse digitale assistenter holder sig ikke til vores hjem. Der er planer om at indføre dem i biler og på kontoret, og man kan bygge dem ind i andre enheder. Var det noget med et køleskab, man kan tale med? Disse assistenter nøjes heller ikke med at tale til os.

Google har demonstreret Google Duplex, der kan foretage telefonopkald for en. I øjeblikket kan den kun håndtere dagligdags opgaver som at bestille bord på en restaurant. Systemets stemme lyder naturlig, og den kan endda krydre med et “øh” og “æh” indimellem. Men i skrivende stund kun på engelsk. Om der kommer en dansk version – og i givet fald hvornår – ved vi endnu ikke.

Adobes kommende Cloak-feature kan fjerne udvalgte elementer fra videoer. Det er slut med tidskrævende og ikke særlig spændende redigering billede for billede. Alligevel er resultaterne ganske imponerende.

En af de største og mest offentlige anvendelser af maskinlæring i den virkelige verden er den førerløse bil. Dette projekt forbruger i øjeblikket milliarder af dollars til forskning, og mere end en halv snes af verdens største firmaer er involverede, fra giganter som Google og traditionelle bilproducenter som Ford til en ny generation af firmaer, herunder Tesla og Uber. Det er en kolossal test af teknologien.

Se også:  Hvis pattegrise kunne elske AI ville de sikkert gøre det

Der findes myriader af potentielle omstændigheder, som kan ryste et system, og de er ofte uventede. Da Volvo afprøvede sit system i Australien, konstaterede man, at det blev forvirret over kænguruers færden. Hoppede de frem eller tilbage? Tilsyneladende blev dyrenes spring registreret som bevægelser både mod og fra bilen.

Maskinlæring bliver snart noget, der nynner i baggrunden, hvor den hjælper med at drive stort set alt, hvad der har en netforbindelse – fra banker til kommunalkontorer. Vi kan se frem til bots i vores spil og til assistenter, der foreslår, at vi bestiller en pizza, fordi en algoritme har regnet ud, at vores adfærdsmønster indikerer, at dette er en sandsynlig reaktion på den firetimers spilsession, den har konstateret. Og hvem ved – måske får vi en skønne dag en version af Windows, som kan opdage og korrigere programfejl undervejs.

Smarte, dumme computere

Uanset hvor “smarte” maskinerne bliver, er de stadig lidt dumme. Et treårs-barn forveksler ikke et foto af en kage med et foto af en hund. Mange eksisterende maskinlæringssystemer har et begrænset virkefelt. De sigter på specifikke problemer, for eksempel forbedring af søgemaskineresultater eller styring af en bil igennem trafikken.

Det næste skridt bliver en mere generaliseret tilgang, hvor sund fornuft og forståelse for menneskelig adfærd og interaktion er målet. Maskiner, der ikke blot kan bestille mad til os, men som også kan gennemføre en tilfredsstillende konversation.

Se også:  Nu får høreapparatet kunstig intelligens. Hvabehar?

Menneskelig kognitiv udvikling giver os nogle spor. Vi lærer ikke kun af vores fejl; vi bliver hjulpet på vej af interne instinkter, af naturen og af vores opvækst. Blandt de mennesker, der forsker på dette felt, finder vi Intelligence Quest, som har til huse på MIT, og Allen Institute for Artificial Intelligence. Men også herhjemme er institutioner som DTU og Teknologisk Institut langt fremme.

Med tusinder af billeder i et neuralt netværk kan man lave livagtige, kunstige billeder. Disse eksempler er genereret af Nvidia ved hjælp af et GAN (Generative Adversarial Network).

Den næste generation af maskinlæringssystemer vil kunne reagere på den uforudsigelige verden med mere menneskelig, sund fornuft. Når systemet til den tid ser en kage, der er formet som en hund, tager det ikke fejl.

Inden længe vil vi med nogen munterhed se tilbage på fortidens “dumme” computere med deres ufleksible logik. I 1980’erne dannede John Gage fra Sun Microsystems udtrykket “Netværket er computeren”. Han havde ret, men der gik år, før det slog an. I dag betragter vi enhver uforbundet maskine som invalid. Nu kan vi måske føje et ord til udsagnet: “Det neurale netværk er computeren.”

Hardware-racet er i gang

Intel kom lidt sent i gang med maskinlæring, men det rodede
man bod på med en hurtig række opkøb, herunder Nervana Systems.

Man kan køre maskinlæring-applikationer på stort set enhver processor. De trives imidlertid bedst på en chip, der kan kværne enorme mængder af simple beregninger med lavt strømforbrug. Det minder om kryptovaluta-minedrift. Traditionelle x86-processorer er ikke særlig velegnede til dette formål. Nvidias Tesla-gpu har været et populært valg, for den er hardware, der egner sig vældig godt til opgaven.

Google har besluttet sig for at hoppe på vognen og udvikle sin egen hardware. I 2016 hørte vi om Tensor Processing Unit. Google arbejder hurtigt. Googles TPU’er er endnu ikke kommercielt tilgængelige, men man kan leje adgang via en cloudtjeneste.

Intel er klar med Nervana-chippen i år og høster dermed de første frugter af købet af Nervana Systems i 2016. Det er en specialudviklet maskinlæring-chip. IBM har sin Power9-chip, som er tilgængelig for tredjepartsfirmaer eller via IBM’s cloudtjene-ster. Verdens hurtigste computer, Summit, indeholder 9216 af dem. I øvrigt har Apple sin neurale engine, der er en del af A11-processoren til iPhone.

TAGS
deep fake
Kunstig intelligens
Maskinlæring

DEL DENNE
Share

Seneste Tech test
Seneste konkurrencer

Mest populære
Populære
Nyeste
Tags

Find os på de sociale medier

Modtag dagligt IT-nyhedsbrev

Få gratis tech-nyheder i din mail-indbakke alle hverdage. Læs mere om IT-UPDATE her

Find os på FaceBook

Alt om DATA

Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
redaktion@altomdata.dk

Datatid TechLife

Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
redaktion@datatid.dk

Audio Media A/S

CVR nr. 16315648,
Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
info@audio.dk
Annoncesalg / Prislister:
Lars Bo Jensen: lbj@audio.dk Telefon: 40 80 44 53
Annoncer: Medieinformation


Alt om DATA, Datatid TechLife  © 2019
Privatlivspolitik og cookie information - Audio Media A/S