AI står för Artificiell Intelligens (AI) och är en teknik som gör att datorer eller maskiner kan imitera en människas förmåga att utföra (ett arbete), bete sig eller fungera. AI kan lära sig från historisk data och har möjligheten att känna igen mönster. AI är ett samlingsbegrepp för många olika underkategorier som ex. maskininlärning. Det sägs att termen AI myntades redan år 1956, maskininlärning år 1959 och djupinlärning år 1985 [1].

Maskininlärning (ML) är ett fält som växt mycket under de senaste åren. ML handlar kort om att använda maskiner för att imitera människans kapacitet och beteende. Det kan anses att teknologin används för att svara på frågor och ge mening från data, typ sammanfläta statistik och datavetenskap för att få datorer eller maskiner att utföra en specifik uppgift. ML anses vara själva grunden för AI. ML använder algoritmer för att göra framtida prediktioner med hjälp av historisk data [1].

Användningsområden är ex. Spamfilter, virtuella assistenter så som ex. Siri och Alexa [1].

Djupinlärning (DL) är en väldigt populär del av ML. Den kombinerar AI och ML och använder Artificell Neuron Nätverk (ANN) i flera lager och ska efterlikna hur människans eget neuronnätverk fungerar. Nätverket innehåller noder och lager som kommunicerar med varandra för att förstå och analysera mottagen data [1]. Det finns olika komplexiteter för ANN och när det används flera dolda lager med fler komplexa kopplingar mellan neuronerna så räknas det som DL [2]. DL är en del av ML men mer komplex och behöver mer data och beräkningskraft [1].

Användningsområden för DL är ansiktsigenkänning och rekommendationssystem (ex. förslag på nästa köp/låt) [1].

ML och DL modeller beskrivs ofta som svarta lådor pga av att det snabbt blir väldigt komplexa och det blir svårt att få en översikt på vad modellen har lärt sig, det finns modeller för att försökta komma åt detta och förstå hur modellerna gör sina förutsägelser [2].

Referenser

1. H. Alaskar and T. Saba, “Machine Learning and Deep Learning: A Comparative Review,” Algorithms for Intelligent Systems, pp. 143–150, 2021, doi: https://doi.org/10.1007/978-981-33-6307-6_15.
2. M. Pichler and F. Hartig, “Machine learning and deep learning—A review for ecologists,” Methods in Ecology and Evolution, vol. 14, no. 4, Feb. 2023, doi: https://doi.org/10.1111/2041-210x.14061.