AI (= Artificial Intelligence), ML (= Machine Learning) og PA (= Predictive Analytics) er tre hypede begreber inden for .. ja, efterhånden alt.
Men hvad er forskellen på de tre begreber? Og er der forskel? Det korte svar på det andet spørgsmål er ”ja, nej, deromkring”.
Hvad er så forskellen?
De tre begreber er kommet og gået hen over mange år. AI bliver ofte brugt til at dække over alle begreber, fordi det lyder ”smartest”. ML bruges dog også i flæng. PA hænger tæt sammen med især ML. Lad os starte med PA; Predictive Analytics.
Predictive Analytics tager i bund og grund udgangspunkt i historiske data, finder et mønster i disse og kommer så med bud på, hvad der kan ske i fremtiden.
Machine Learning gør det samme, men kan eventuelt selv handle på, hvad der kan ske, blive ved med at lære og forstå fx afvigelser, så fremtidsbuddene bliver mere præcise.
Artificial Intelligence er næste niveau og handler i høj grad om at adaptere måden, hvorpå et menneske tænker og føler. AI tager dog ikke beslutninger på baggrund af følelser, men på baggrund af data – uden endnu at forstå de menneskelige konsekvenser heraf. Et tænkt banalt eksempel kunne være ”fyr x antal mennesker i x afdeling og maksimer profit”. Det betyder faktisk noget for mennesker at fyre og blive fyret, men indtil videre handler AI primært på data, algoritmer og beregninger. AI er en avanceret udgave af ML og kan potentielt fungere som ”sparringspartner”, når der skal tages beslutninger på baggrund af data.
Hvad skal du bruge det til?
Uanset om det hedder AI eller ML eller PA, så bliver det i højere grad en del af vores liv. Og heldigvis for det (hvis brugt med omtanke).
Tag nu Googles nye AI-maskine som eksempel. De har lavet en algoritme til AI, eller snarere ML og PA, på 91.000 mammografier; røntgenbilleder taget i jagten på brystkræft. Algoritmen kunne fortælle, hvilke kvinder der udviklede brystkræft efter to til tre år, og var generelt bedre til at stille diagnoser end seks konkurrerende radiologer bygget af kød og blod. Algoritmen reducerede både falske positiver, hvor patienter med urette får at vide, at de har kræft, såvel som falske negativer, hvor sygdommen er til stede, men ikke bliver diagnosticeret.
Det kan man da kalde bedre brug af data.
Googles maskine tog historiske data, tyggede på dem og kunne efterfølgende lave Predictive Analytics ift udvikling af kræft i nær fremtid. Takket være Machine Learning blev Googles maskine løbende klogere og kunne diagnosticere mere præcist.
AI-delen er der dog ikke helt endnu. Googles maskine kan ikke håndtere de følelser, der er forbundet med en sådan diagnose ligesom den næppe kan overlevere nyheden til patienten med den rette mængde empati. Men AI er et lækkert buzzword, som flere køber ind på. Og ”ægte” AI findes også i et vist omfang med stemmestyring og ansigtsgenkendelse, hvor AI kan aflæse humør og følelser på baggrund af stemmeføring og ansigtsudtryk (og så arbejdes der med AI bag lukkede døre hos visse organisationer, som vi endnu ikke ved så meget om).