Så här går processen till i stora drag

Data är nyckeln

När man ska träna en AI-modell behövs stora mängder relevanta data. Ju mer och bättre data, desto mer har AI:n möjlighet att ”lära sig”. Den insamlade datan behöver förberedas för att vara användbar för AI-modellen. Det kan innebära att oönskad information rensas bort, data normaliseras eller konverteras till ett format som modellen kan förstå.

Denna data kan vara textform, bilder, ljud eller andra former av information beroende på den specifika uppgiften. Om du vill skapa en AI som känner igen katter på bilder, behöver du mata den med tusentals bilder av katter (och icke-katter) så att den kan förstå skillnaden.

Maskininlärning och Neurala nätverk

Maskininlärning är den mest använda tekniken inom AI. Istället för att skriva regler för exakt hur AI:n ska bete sig, låter man den själv hitta mönster i datan. Tänk dig det som att AI:n försöker pussla ihop vad som är ”typiskt” för det den ska lära sig.

Neurala nätverk är en särskild typ av maskininlärning, inspirerad av hur människans hjärna fungerar. Här används ”noder” som liknar neuroner, som tillsammans bearbetar information och lär sig saker som språk, bilder, ljud osv.

Träning av AI-modellen

Under träningsfasen matas den förberedda datan in i AI-modellen. Modellen anpassar sina interna parametrar baserat på mönstren och sambanden som identifieras i datan. Träningsprocessen innebär att optimera modellen för att göra korrekta förutsägelser eller fatta rätt beslut.

AI:n tränas först på en del av datan, och testas sedan på nya data för att se om den har lärt sig rätt. Det är lite som att plugga inför ett prov – först övar du, sen testas du på något nytt.

Validering och finjustering

Efter träningsfasen valideras modellen med ytterligare data som den inte har sett tidigare för att säkerställa att den kan generalisera väl. Modellen kan sedan finjusteras för att förbättra dess prestanda och undvika överanpassning till träningsdata.

På så sätt kan AI:n förbättras baserat på vilket resultat man får. Den kanske ändrar sina interna ”regler” (vikter i neurala nätverk) för att bli bättre med tiden.

Utvecklingen går fort framåt

Utvecklingen inom AI går svindlande fort och blir ett allt viktigare verktyg inom många verksamheter. Samtidigt florerar en hel del missförstånd kring vad dagens AI egentligen kan göra och kring vad som ligger runt hörnet.

Å ena sidan underskattar många hur långt AI har kommit och hur användbart det kan vara – många framsteg sker utan att vi märker dem. Å andra sidan överskattar många AI och missar att det som rapporteras i media bygger på pressmeddelanden från företag som gärna överdriver hur bra deras system egentligen är.

Lär dig mer om detta

Nu har du möjlighet att få en ordentlig genomgång av hur du använder dig av machine learning och AI i R. På vår onlinekurs den 23–24 april går vi igenom hur man tränar olika typer av modeller för maskininlärning och utvärderar deras prediktiva prestanda. Vi kommer också att diskutera hur moderna AI-system fungerar och bygga modeller för analys av text och bilder.

Machine learning

Utvärdering av prediktiva modeller: test-training-splits, korsvalidering
Regulariserad regression (lasso)
Nearest neighbours modeller
Beslutsträd, random forests och boosted trees

Artificial intelligence

Djupa neurala nätverk
Användning av AI-modeller för analys av textdata
Användning av AI-modeller för analys av bilder

Kursledare

Måns Thulin

Uppskattad utbildare med stor statistisk bredd

Måns är docent i statistik och jobbar sedan 2010 som konsult och föreläsare inom dataanalys: statistik, maskininlärning och artificiell intelligens. Bland klienterna finns storbolag såväl som myndigheter och mindre företag över hela Europa. Han har publicerat mer än 40 vetenskapliga artiklar, där han använt avancerad statistisk analys och artificiell intelligens för att lösa problem som rör allt från antibiotikaresistens till medicinsk diagnostisering, kärnbränslehantering och mjölkningsrobotar. Måns har 13 års erfarenhet av undervisning vid bland annat Uppsala universitet och University of Edinburgh och är författare till boken Modern Statistics with R. 2015 tilldelades han Cramérpriset för bästa doktorsavhandling i statistik.

Måns pedagogiska målsättning är att hjälpa alla kursdeltagare att förstå statistikens metoder – statistik ska kännas logiskt och inte som svartkonst.