Kunstig intelligens (AI)- Hvad er det

Kunstig intelligens - Begrænsninger

Det hævdes at AI er klogere end gennemsnitsmennesket. Men hvad forstås ved at være klog? AI er af natur 100 % logisk. Alle udregninger eller opslag er baseret på logik. AI har ikke egenskaber som empati, dovenskab, vrede, glæde, kærlighed. AI foretager ikke irrationelle handlinger eller går noget bare for sjov. Modsat hvad nogle hævder, så kan AI ikke udvikle følelser, for AI besidder ikke intuition. Alt AI er logik, baseret på eksisterende viden.

Der forskes i Artificial General Intelligence – AGI – som er et felt indenfor AI, hvor man forsøger at skabe selvlærende systemer. De første resultater forventes i løbet af 2025 og så vil det vise sig hvad AGI kan på det tidspunkt. Men den følelsesmæssige del af mennesket er ikke en del af AGI, så der vil være en mangel i AGI i forhold til den menneskelige intelligens.

Måske er AI klogere end mennesket hvad logik angår, men mennesker besidder egenskaber, der går ud over logik og som gør at os i stand til at observere med flere egenskaber end blot logik. Hvilket kan resultere i svar, som logik ikke kan fremkomme med.

AI kan foretage logiske beregninger og opslag, som er hurtigere end mennesker. Men AI kan ikke opfinde nye ting af sig selv og AI stiller ikke spørgsmål ved de processer, som udføres i dag. Mennesker har en nysgerrighed, ærgerlighed, dovenskab eller anden drive, der gør at vi stiller spørgsmål ved tingenes tilstand. Og det er de spørgsmål, som gør at vi finder på nye ting.

For AI har det ingen betydning at toiletpapiret er foldet på en speciel måde eller der ligger et stykke chokolade i sengen, når du ankommer til et hotel. AI kan ikke skelne imellem om chokoladen skal være en marsbar eller et stykke eksklusivt chokolade. Hvor imod vi som mennesker vil antage et den ene chokolade er glemt af tidligere gæst og den anden er en særlig gave til os fra hotellet. Ting, som AI ikke kan vurdere og som har betydning.

Pointen er at AI er godt, men kun til det, som det er beregnet til. Hvis vi arbejder med projekter, hvor vi udvikler nye ting, så vil AI kunne hjælpe os med beregninger, input og opslag, men den vil ikke kunne udvikle nye produkter af sig selv. Det kræver menneskeligt input.

Arbejder vi med projekter, som er gentagelser af tidligere projekter – altså ikke noget nyudvikling – og hvis projekterne gentages tilpas mange gange, så kan det betale sig at undersøge en eller anden form for brug af AI. Oftest vil en projekt skabelon være den billigste og mest effektive løsning.

Ved nyudvikling hvor det er nødvendigt med analyser og sammenligninger med andre produkter, kan AI også være nyttigt. Men det er den menneskelig vurdering, der tæller. AI frembringer kun lister, statistikker og beregninger. Vi som mennesker, har den irrationelle del af hjernen, som AI ikke besidder, og som kan se nye muligheder og ideer hvor logikken ikke kan se noget. Og det er det, som er forskellen i nyudvikling – noget, som ikke kunne lade sig gøre før, er pludselig en mulighed.

Overvågning af projekters fremdrift er oplagt til at lade AI løse. Ligesom automatisk planlægning både af omkostninger og tidsplaner kan vise sig at være besparende.

Sådan bruger du kunstig intelligens i projekter

Projektbehandling er udvikling af kendte eller skabelse af nye produkter eller tjenester. Virksomheder arbejder ofte med projekter, der ligner hinanden, da virksomheden har ekspertise inden for et specifikt område, og derfor vil det være muligt at inddrage AI i projektudviklingen.

AI stiller ikke spørgsmål om løsninger - "er det ikke en svær metode". AI kan løse trivielle problemer, såsom mønstergenkendelse, verifikation af regler osv. AI vil derfor kun være nyttig, hvis der er tilstrækkelige data til rådighed, og vi kan genkende data. Eller reglerne for data er velkendte (såsom fysikkens love).

AI gør kun, hvad du beder den om. Den foreskriver ikke nye metoder eller stiller spørgsmål til en løsning. Ved velkendte eller definerede problemer er det en fordel at bruge AI. I et projekt kan AI bruges til at aflaste teamet fra at udføre alle de rutinemæssige opgaver.

Til specifikke opgaver som automatisk planlægning, budgetberegninger og aktivitetsovervågning kan det være en stor fordel at bruge AI. I programmering kan AI foreslå kode og i mekanisk konstruktion kan AI hjælpe med mekaniske beregninger.

Omkostningerne ved at udvikle AI-løsninger kan være høje og tage tid. Derfor skal det overvejes, om det er økonomisk rentabelt for virksomheden at udvikle AI-løsninger til konkrete projekter. Hvis virksomheden har en stor omsætning på projekter, hvor der er store ligheder mellem projekterne, kan det måske betale sig.

Ofte vil en simpel AI-løsning såsom en projektskabelon være den bedste løsning. Jo mere logik du kan indbygge i skabelonen, jo lettere bliver projektet at gennemføre. Og jo mere rigid bliver løsningen. Derfor er den velegnet til projekter med stor ensartethed.

For eksempel vil en virksomhed, der udvikler og producerer transportbånd, have stor viden om transportbånd. De vil kunne udvikle en skabelon i form af en parameterbaseret løsning til design af transportbånd, som er fleksibel og anvendelig til flere projekter. Mekaniske beregninger, processer og godkendelser kan indbygges i projektskabelonen, og give virksomheden større indtjening.

Læs mere om projekt skabeloner

Projekt skabeloner

Hvordan man kan spare tid og omkostninger ved at genbruge viden fra tidligere projekter.

I projekter, hvor der kræves ny opfindelse, vil skabeloner, parameterløsninger og lignende standarder ikke være anvendelige. ChatGBT eller andre standard AI-løsninger kan bidrage til denne type projekter i form af informationssøgning og sammenligninger. AI vil ikke foreslå nye løsninger og er begrænset i forhold til analyse af projektet. Eksempelvis vil AI ikke kunne lave en 360 graders evaluering i forhold til teknisk, økonomisk og markedsanalyse. Det vil være en vurdering, der skal udføres af projektets styregruppe.

Det vil være en fordel at bruge AI i projektudvikling. Men det er ikke nødvendigvis rentabelt at bruge en AI-løsning, der er specifik for virksomheden.

Fordele ved AI

Følgende er nogle fordele ved AI:

• Anvendelse i detaljeorienterede job. AI passer godt til opgaver, der involverer identifikation af subtile mønstre og relationer i data, som kan blive overset af mennesker.
• Effektivitet i datatunge opgaver. AI-systemer og automatiseringsværktøjer reducerer dramatisk den tid, der kræves til databehandling.
• Tidsbesparelser og produktivitetsgevinster. AI og robotteknologi kan ikke kun automatisere operationer, men også forbedre sikkerheden og effektiviteten.
• Konsistens i resultater. Nutidens analyseværktøjer bruger AI og maskinlæring til at behandle store mængder data på en ensartet måde, samtidig med at de bevarer evnen til at tilpasse sig ny information gennem kontinuerlig læring.
• Tilpasning og personalisering. AI-systemer kan forbedre brugeroplevelsen ved at personalisere interaktioner og indholdslevering på digitale platforme.
• Tilgængelighed døgnet rundt. AI-programmer behøver ikke at sove eller holde pauser.
• Skalerbarhed. AI-systemer kan skaleres til at håndtere voksende mængder arbejde og data. Dette gør AI velegnet til scenarier, hvor datamængder og arbejdsbelastninger kan vokse eksponentielt.
• Accelereret forskning og udvikling. AI kan sætte farten op i F&U inden for områder som materialevidenskab. Ved hurtigt at simulere og analysere mange mulige scenarier kan AI-modeller hjælpe forskere med at opdage nye materialer eller forbindelser hurtigere end traditionelle metoder.
• Bæredygtighed og bevaring. AI og maskinlæring bruges i stigende grad til at overvåge miljøændringer, forudsige fremtidige vejrbegivenheder og styre bevaringsindsatsen.
• Procesoptimering. AI bruges til at strømline og automatisere komplekse processer på tværs af forskellige industrier.

Ulemper ved AI

Følgende er nogle ulemper ved AI:

• Høje omkostninger. Det kan være meget dyrt at udvikle AI. Opbygning af en AI-model kræver en betydelig forudgående investering i infrastruktur, beregningsressourcer og software til at træne modellen og gemme dens træningsdata. Efter indledende træning er der yderligere løbende omkostninger forbundet med modelslutning og omskoling.
• Teknisk kompleksitet. Udvikling, drift og fejlfinding af AI-systemer - især i virkelige produktionsmiljøer - kræver en masse teknisk knowhow. I mange tilfælde adskiller denne viden sig fra den, der er nødvendig for at bygge ikke-AI-software. For eksempel involverer opbygning og implementering af en maskinlæringsapplikation en kompleks, flertrins og yderst teknisk proces, fra dataforberedelse til algoritmevalg til parameterjustering og modeltest.
• Algoritmisk forudindtagethed. AI og maskinlæringsalgoritmer afspejler de skævheder, der er til stede i deres træningsdata - og når AI-systemer implementeres i skala, skalerer skævhederne også. I nogle tilfælde kan AI-systemer endda forstærke subtile skævheder i deres træningsdata ved at indkode dem i forstærkede og pseudo-objektive mønstre.
• Vanskeligheder med generalisering. AI-modeller udmærker sig ofte ved de specifikke opgaver, som de er uddannet til, men kæmper, når de bliver bedt om at løse nye scenarier. Denne mangel på fleksibilitet kan begrænse AI's anvendelighed, da nye opgaver kan kræve udvikling af en helt ny model. En NLP-model, der er trænet på engelsksproget tekst, kan for eksempel fungere dårligt på tekst på andre sprog uden omfattende yderligere træning.
• Sikkerhed. AI-systemer er modtagelige for en lang række cybertrusler, herunder forurening af data og modstridende maskinlæring. Hackere kan for eksempel udtrække følsomme træningsdata fra en AI-model eller narre AI-systemer til at producere forkert og skadeligt output.