Ukens fagartikkel: Hektet på kunstig intelligens? AI er ikke svaret på absolutt alt

Kunstig intelligens er nesten blitt en nødvendighet i virksomheter. Det er viktigere å si at vi bruker AI enn å bruke det fornuftig. Pass deg så du ikke blir hektet, advarer Alessandra Cagnazzo.

Det er selvsagt ikke galt i seg selv å implementere maskinlæringsalgoritmer i selskapet ditt. Du er i din fulle rett til å se etter den beste løsningen på dine problemer.

Fra et akademisk ståsted er markedssuget etter kunstig intelligens også positivt. Det har skapt en synergi mellom akademia og det private næringsliv uten sidestykke, hvor forsknings- og utviklingsmidler sitter usedvanlig løst.

Så bruk maskinlæring hvis det er hva du trenger. Vil du ha kunstig intelligens, «go for it». Bare gjør det rett.

Ikke bli hektet

Og med rett mener jeg at du skal ha en klar forståelse av hvilket problem du prøver å løse. Om du, etter å ha tenkt deg om, kommer til at det finnes mer effektive ikke-AI-løsninger, velg disse. Ikke bli unødig hektet på AI-hypen.

Hvis, eller når, du er sikker på at det er en ML-løsning du trenger, må du finne de rette verktøyene. På nettet finner du massevis av ferdige algoritmer, allerede trente nevrale nettverk og jukseark.

Dette kan peke deg i retning av hvordan du bruker de ulike verktøyene, og kanskje et slikt verktøy er alt du trenger for å løse oppgaven. Mange av verktøyene er svært effektive for å løse spesifikke problemer. Et godt eksempel er bildegjenkjenning. Der finner du åpne algoritmer som er utrolig gode.

For andre typer problemer kan det vise seg at det ikke er gull, men gråstein du plukker med deg fra nettet. Og du skal vite at løsninger rett ut av (internett-)boksen kan være farlige om de ikke brukes med kyndighet. Noen av dem virker en stund, så slutter de å virke.

Derfor vil du i de fleste tilfeller finne at det beste er å lage, eller få noen til å lage, skreddersydde løsninger for deg, alternativt lete fram en proprietær løsning som gjør jobben.

Før du tar det skrittet bør du sette deg inn i hva som kreves for å skrive en maskinlæringsalgoritme.

Stikkord for hva du vil finne er Python, R, TensorFlow, GPU, Spark, Hadoop, lineær algebra, optimalisering.

Nødvendig forkunnskap

Som teoretisk fysiker vil jeg hevde at lineær algebra er obligatorisk forkunnskap. Programmeringsspråket Python er også en av mine favoritter, dels fordi det kan brukes som et startpunkt for å forstå de andre stikkordene.

Python er åpen kildekode med et utall bidragsytere, og maskinlæringsbibliotekene er svært omfattende.

Når du er kommet i gang med Python, vil det å skrive og trene ML-algoritmer gå veldig raskt. Og kan du Python står døren på gløtt til data science sin verden.

Python er også et kompetansekrav du vil stille dersom du skal ansette eller engasjere en data scientist.

Men husk: Rom ble ikke bygget på en dag, og dine AI og ML-systemer kan ikke bygges av data scientister alene. Du trenger både dataingeniører og utviklere, såvel som kunnskap om de aktuelle forretningsprosessene.

Alessandra Cagnazzo

Alessandra Cagnazzo er PhD i teoretisk fysikk og data scientist i AIMS Innovation AS. For øvrig er hun hjemmebrygger av øl og har fremragende italienske kokekunster.

Ukens fagartikkel

Hva skal til for å komme i gang med AI? Alessandra Cagnazzo gir litt av svaret, og advarer samtidig mot å tro at AI og ML løser alle problemer.

Artikkelen er del av en serie fagartikler hvor også DU er invitert til å bidra. Har du en fagartikkel du ønsker å dele, eller tanker om å lage en, send en mail til paal@dataforeningen.no.

Tips

For å tipse redaksjonen om saker, mennesker eller annet.
  • Hva handler det om og hvorfor er det viktig?

Publisert 4. juni 2019, og sist oppdatert 4. juni 2019.