Maskinintelligens

Maskinintelligens är förmågan hos maskiner att utföra uppgifter som normalt kräver mänsklig intelligens. Systemen kan tolka omgivningen, lära av data eller regler och fatta beslut baserat på information de samlar in. Begreppet används ofta som synonymt med artificiell intelligens och omfattar allt från smala, uppgiftsinriktade system till teoretiska planer mot mer generell intelligens.

Historiskt betraktas maskinintelligens ofta som synonymt med artificiell intelligens. Forskningen började under 1950-talet med tankar om maskiners tänkande och generalisering. Tidiga arbeten fokuserade på symbolbaserade metoder, spelteori och logik. Från 1990-talet och framåt växte maskininlärning som ett viktigt område, och under 2000-talets ledde ökade beräkningskrafter och stora datamängder till framsteg inom djupinlärning.

Teknikerna bakom maskinintelligens inkluderar maskininlärning, artificiella neurala nätverk, djupinlärning och probabilistiska metoder. System tränas på stora datamängder och optimeras för att förutsäga, kategorisera eller fatta beslut. Vanliga komponenter är dataförberedelse, modellering, träning, validering och övervakning. Resultat mäts ofta med precision, återkallelse eller andra prestandamått, beroende på tillämpning.

Användningsområden för maskinintelligens är breda och inkluderar bild- och röstigenkänning, naturlig språkbehandling, robotik, rekommendationssystem, finans- och sjukvårdssektorn. Forskningen tenderar att vara smalt fokuserad, där systemen uppvisar mycket goda resultat inom väl avgränsade uppgifter men saknar generell förståelse eller förmåga att överföra kunskap mellan domäner.

Utmaningar inkluderar säkerhet, bias och integritet, transparens samt ansvar vid beslut. Likaså finns risker som felaktiga beslut, överanpassning och problem med förklarbarhet. Regulatoriska och etiska frågor ligger i fokus när företag och samhälle använder maskinintelligens i kritiska sammanhang.