Autofuldførelse på smartphones er praktisk, men nogle gange fører det til utilsigtede fejl. Lad os tage et kig på, hvordan AI-autofuldførelse fungerer og dets begrænsninger.
Hvis du nogensinde har brugt en smartphone, har du sandsynligvis været frustreret over autofuldførelse. Autofuldførelse er en gren af kunstig intelligens (AI), der er designet til at gøre folks liv lettere, så hvorfor synes vi det er frustrerende? Autofuldførelses besvær minder os om virkeligheden af kunstig intelligens. Kunstig intelligens blev først foreslået af John McCarthy i 1956.
Det refererer til computerprogrammers evne til at lære og ræsonnere som mennesker. Kunstig intelligens er mest værdifuld, når den anvendes på andre videnskabelige og sociale områder. AlphaGo, som fik verdensomspændende opmærksomhed sidste år, er et eksempel på kunstig intelligens anvendt på Go. Ud over disse banebrydende spil transformerer AI også industrier som sundhedspleje, finans, transport og mere. For eksempel i sundhedsvæsenet udvikles AI-systemer til at hjælpe med at diagnosticere og planlægge behandling for patienter, og i finanssektoren bruges algoritmer til at analysere markedsdata og foreslå investeringsstrategier.
I virkeligheden findes kunstig intelligens inden for mange forskellige områder og har forskellige grader af intelligens. Derfor kan AI kategoriseres i to typer: stærk AI og svag AI. Stærk AI er AI, der rent faktisk kan tænke og løse problemer. Svag kunstig intelligens er, når systemet ikke har sansning, men det efterligner sansning. Du kan tænke på AI, der naturligt kan tale til mennesker, som stærk AI, og AI, der kun kan analysere data som svag AI. I filmen "Iron Man" er Tony Starks assistent Jarvis en stærk AI, mens AI såsom autofuldførelse på smartphones er en svag AI.
Så hvad er det, der gør AI til en unik teknologi? Det er machine learning, eller 'machine learning'. Maskinlæring er "området for udvikling af algoritmer og teknikker, der gør det muligt for computere at lære." I 1959 definerede Arthur Samuel første gang maskinlæring som "studieområdet, der udvikler algoritmer, der gør det muligt for maskiner at lære af data og udføre adfærd, der ikke er specificeret i kode." Maskinlæring fokuserer på at lave forudsigelser baseret på egenskaber lært fra træningsdata.
I den nuværende kommercialiserede kunstig intelligens opnås maskinlæring primært gennem en metode kaldet mønstermatching. Mønstermatching er en måde at finde ud af, hvad du allerede ved om et problem og derefter prøve en kendt løsning. Din smartphones autofuldførelsesfunktion er et eksempel på mønstermatchning. Den lærer om de tegn, der skrives, og matcher dem med den tilsvarende tekst. Denne teknologi har dog sine begrænsninger. Mange mennesker bruger mønstertilpasning på deres smartphones til at rette grammatikfejl, såsom at udelade en øvre strofe eller autofuldførelse af utilsigtede ord.
Et andet eksempel på mønstermatching er Facebooks indholdsanbefalinger. Hvis du nogensinde har været på Facebook, har du sikkert lagt mærke til, at efter at have set en video i dit nyhedsfeed, anbefales andre videoer under videoen. Dette eksempel illustrerer dog også begrænsningerne ved mønstertilpasning. Når den anbefaler indhold, bliver den ved med at gøre det samme over for brugerne. Du ved ikke, hvordan brugerne reagerer på dine anbefalinger, og du får ikke meget feedback.
Det er her mønstergenkendelse kommer ind for at overvinde begrænsningerne ved mønstertilpasning. Mønstergenkendelse betyder, at software registrerer nye mønstre ved at overvåge brugeradfærd. Mens mønstermatching anvendes på alle brugere på én gang, identificerer og korrigerer mønstergenkendelse mønstre på en bruger-til-bruger-basis. Nuværende applikationer inkluderer automatisk postgenkendelse og automatisk fingeraftryksidentifikation. Nogle smartphones har allerede en brugerspecifik autofuldførelsesfunktion. Den indsamler information om de tegn, du skriver, og analyserer, hvad der kommer næste gang. I modsætning til traditionel mønstermatchning er autofuldførelse brugerspecifik, hvilket gør det lidt mere bekvemt for os.
Ligesom mønstertilpasning gav plads til mønstergenkendelse, bliver systemet ved med at blive bedre, men det tager en del tid at krydse kløften. Den kæmper stadig med at forstå komplekse sætninger, og i tilfælde af talegenkendelse formår den ikke at genkende forskellige accenter og udtaler. Disse problemer bliver kun bedre, efterhånden som der indsamles flere data. For nu er de fleste af vores virkelige situationer svag AI, og forskning i stærk AI er i gang. AI er pludselig i høj kurs, men dens fremskridt kan være langsommere, end vi tror.
Dette teknologiske fremskridt er mere end blot et teknologisk gennembrud; det bringer også sociale og etiske spørgsmål med sig. AI vil sandsynligvis forstyrre arbejdsmarkedet, da det gradvist erstatter menneskelige job, og vi er nødt til at overveje og forberede os på de sociale konsekvenser af disse teknologiske fremskridt. Det er vigtigt at forberede sig på fremtiden, og hvordan AI vil ændre vores liv.
