Kunstig intelligens (AI) er et computerprograms eller en maskines evne til at tænke og lære. Det er også et forskningsområde, hvor man forsøger at gøre computere "intelligente". De arbejder af sig selv uden at være kodet med kommandoer. John McCarthy fandt på navnet "Artificial Inteligencence" i 1955.

Udtrykket "kunstig intelligens" betyder i almindelighed et program, der efterligner menneskelig kognition. I det mindste nogle af de ting, som vi forbinder med andre hjerner, f.eks. indlæring og problemløsning, kan udføres af computere, men ikke på samme måde som vi gør. Andreas Kaplan og Michael Haenlein definerer kunstig intelligens som et systems evne til at fortolke eksterne data korrekt, lære af disse data og bruge denne læring til at nå specifikke mål og opgaver gennem fleksibel tilpasning.

En ideel (perfekt) intelligent maskine er en fleksibel agent, der opfatter sit miljø og foretager handlinger for at maksimere sine chancer for at nå et mål eller en målsætning. Efterhånden som maskinerne bliver mere og mere kompetente, fjernes de mentale evner, der engang blev anset for at kræve intelligens, fra definitionen. F.eks. opfattes optisk tegngenkendelse ikke længere som et eksempel på "kunstig intelligens": det er blot en rutineteknologi.

I dag bruger vi begrebet AI til at forstå menneskelig tale, konkurrere på højt niveau i strategiske spilsystemer (f.eks. skak og go), selvkørende biler og fortolkning af komplekse data. Nogle mennesker anser også AI for at være en fare for menneskeheden, hvis den fortsætter med at udvikle sig i det nuværende tempo.

Et ekstremt mål for AI-forskningen er at skabe computerprogrammer, der kan lære, løse problemer og tænke logisk. I praksis har de fleste anvendelser imidlertid valgt at fokusere på problemer, som computere kan klare godt. Søgning i databaser og udførelse af beregninger er ting, som computere er bedre til end mennesker. På den anden side er det at "opfatte sine omgivelser" i nogen reel forstand langt ud over den nuværende databehandling.

AI omfatter mange forskellige områder som datalogi, matematik, lingvistik, psykologi, neurovidenskab og filosofi. På sigt håber forskerne at kunne skabe en "generel kunstig intelligens", som kan løse mange problemer i stedet for at fokusere på et enkelt problem. Forskerne forsøger også at skabe kreativ og følelsesmæssig kunstig intelligens, som muligvis kan føle medfølelse eller skabe kunst. Der er blevet forsøgt mange tilgange og værktøjer.

Med udgangspunkt i managementlitteraturen inddeler Kaplan og Haenlein kunstig intelligens i tre forskellige typer af AI-systemer: analytisk, menneskeligt inspireret og humaniseret kunstig intelligens. Analytisk kunstig intelligens har kun karakteristika, der er i overensstemmelse med kognitiv intelligens, der genererer kognitiv repræsentation af verden og bruger læring baseret på tidligere erfaringer til at informere fremtidige beslutninger. Menneskeinspireret kunstig intelligens har elementer fra både kognitiv og følelsesmæssig intelligens, idet den ud over kognitive elementer også forstår menneskelige følelser og tager dem med i sin beslutningstagning. Humaniseret AI viser karakteristika ved alle typer kompetencer (dvs. kognitiv, følelsesmæssig og social intelligens) og er i stand til at være selvbevidst og selvbevidst i interaktioner med andre.

Hvordan virker AI i praksis?

Der findes mange teknikker og tilgange inden for AI. De mest udbredte i dag er baseret på maskinlæring (ML), hvor systemer lærer mønstre fra data i stedet for at blive eksplicit programmeret. Under maskinlæring finder man blandt andet:

  • Superviseret læring — modellen trænes på mærkede eksempler (input-output-par) for at forudsige output på nye data.
  • Usuperviseret læring — modellen finder strukturer eller grupperinger i umærkede data (f.eks. klyngedannelse).
  • Forstærkningslæring — en agent lærer at handle i et miljø ved at modtage belønninger eller straf, f.eks. i spil eller robotstyring.
  • Dybe neurale netværk (deep learning) — særligt effektive inden for billedgenkendelse, talegenkendelse og sprogforståelse.

Andre tilgange

  • Symbolsk AI — arbejder med regler og logik (ekspert-systemer) og var dominerende i tidlige år.
  • Hybridmetoder — kombinerer symbolske metoder og statistiske læringsmetoder for at udnytte fordele ved begge.
  • Natural Language Processing (NLP) — teknikker til at analysere og generere menneskesprog (f.eks. chatbots og oversættelse).
  • Computer vision — metoder til at fortolke billeder og video (f.eks. ansigtsgenkendelse, medicinsk billedanalyse).

Typer af AI — kort oversigt

  • Smal (svag) AI — systemer designet til én opgave (fx taleassistenter, anbefalingssystemer). Det er den form for AI, vi ser mest af i dag.
  • Generel (stærk) AI — en hypotetisk maskine, der kan udføre enhver intellektuel opgave som et menneske. Dette er stadig et forskningsmål og ikke realiseret.
  • Superintelligens — et teoretisk niveau, hvor AI overgår menneskelig intelligens på næsten alle områder; emne for debat og bekymring.

Praktiske eksempler

  • Søgemaskiner og anbefalingssystemer (film, musik, shopping)
  • Taleassistenter og stemmegenkendelse (forstå menneskelig tale)
  • Autonome køretøjer og avancerede førerassistentsystemer (selvkørende biler)
  • Medicinsk billeddiagnostik og patientdataanalyse
  • Finansiel risikovurdering og handleroboter
  • Indholdsmoderation, oversættelse og automatiseret tekstproduktion

Kaplan & Haenlein — tre typer uddybning

  • Analytisk AI: Fokuserer på kognitive evner — opfatter verden gennem data, laver forudsigelser og anbefalinger. Eksempel: kreditrisikomodeller eller diagnosticeringsværktøjer.
  • Menneskeinspireret AI: Kombinerer kognition og visse aspekter af følelsesmæssig forståelse — kan genkende følelser og tilpasse sin adfærd. Eksempel: kundeservicechatbots, der tilpasser svar efter brugerens følelsesudtryk.
  • Humaniseret AI: Ville udvise kognitiv, følelsesmæssig og social intelligens og kunne være selvbevidst — dette er foreløbig teoretisk og ikke realiseret.

Etik, risici og udfordringer

AI rejser en række praktiske og etiske spørgsmål:

  • Bias og diskrimination: Modeller kan forstærke skævheder fra træningsdata.
  • Datasikkerhed og privatliv: Store datamængder kan misbruges eller kompromitteres.
  • Forklarbarhed: Mange modeller er sorte bokse, hvilket gør det svært at forstå beslutninger.
  • Arbejde og økonomi: Automatisering kan ændre jobmarkedet og kræver omstilling.
  • Sikkerhed og misbrug: Mulighed for fejlagtig eller ondsindet anvendelse (adversarial attacks, deepfakes).
  • Langsigtede risici: Debat om kontrol, ansvar og regulering ved mere avancerede systemer (AGI).

Regulering og ansvar

Flere lande og internationale organisationer arbejder på lovgivning og retningslinjer for ansvarlig AI. Centrale temaer er gennemsigtighed, ansvarlighed, dataminimering, retfærdighed og sikkerhed. Virksomheder og forskere opfordres til at følge etiske principper og indbygge sikkerhedstænkning i designfasen.

Fremtiden

Udviklingen af AI fortsætter hurtigt, men hvilke teknologier og anvendelser der dominerer de næste år, afhænger af forskning, lovgivning, økonomi og samfundets prioriteringer. Nogle potentielle trends er bedre samarbejde mellem mennesker og maskiner, mere energieffektive modeller, øget fokus på forklarbarhed og mere udbredt brug inden for sundhed, klima og uddannelse.

Opsummering: Kunstig intelligens er et bredt felt med praktiske anvendelser i dag og store ambitioner for fremtiden. Det omfatter teknikker fra statistik, datalogi og kognitionsforskning og rejser både muligheder og udfordringer — teknisk, etisk og samfundsmæssigt.