Grunnleggende KI-konsepter

Machine Learning / Maskinlæring (ML)

Maskinlæring er bruk og utvikling av datasystemer som kan lære og tilpasse seg ved hjelp av algoritmer og statistiske modeller som analyserer og identifiserer mønstre i data. Basert på denne mønstergjenkjenningen kan systemene predikere fremtidige hendelser eller resultater. Dette gjør det mulig for organisasjoner å automatisere beslutningsprosesser og hente verdifull innsikt fra store datamengder.

Neural Network (NN) / Artificial Neural Network (ANN)

Nevrale nettverk, også kalt kunstige nevrale nettverk (ANN), er modeller innen kunstig intelligens som er inspirert av hvordan hjernen fungerer. De består av mange sammenkoblede enheter, eller «noder», som samarbeider for å gjenkjenne mønstre i data. På en forenklet måte kan man si at nevrale nettverk prøver å etterligne hvordan nerveceller i hjernen kommuniserer for å løse problemer, ta beslutninger og lære av erfaring.  

Recurrent Neural Networks (RNN)

RNN, kan på norsk oversettes til tilbakevendende eller gjentagende nevrale nettverk, og er en type nevralt nettverk som husker tidligere informasjon for å ta bedre beslutninger over en sekvens med data. RNN behandler data steg for steg, noe som er nyttig for oppgaver som å predikere neste ord i en setning, eller tidsseriedata (datapunkter samlet inn over tid).

Backpropagation / Tilbakepropagering

Tilbakepropagering er en metode som hjelper et nevralt nettverk med å lære under trening, ved å rette opp feil. Tilbakepropagering gjør dette ved å justere det nevrale nettverkets interne parametere, slik at det blir bedre til å gjøre riktige prediksjoner over tid.

Deep Learning / Dyp læring (DL)

Dyp læring er en type maskinlæring basert på kunstige nevrale nettverk (ANN), som bruker flere lag med prosessering for å trekke ut stadig mer avanserte egenskaper fra data. Mens tradisjonelle maskinlæringsmodeller bruker enkle nevrale nettverk med ett eller to beregningsnivåer benytter dype læringsmodeller seg ofte av hundrevis eller tusenvis av lag for å trene opp modeller. Dette gjør det mulig for organisasjoner å automatisere komplekse oppgaver som krever gjenkjenning av mønstre i store datasett.

Reinforcement Learning (RL)

Forsterkende læring er en metode der en agent lærer adferd gjennom prøving og feiling i samspill med et dynamisk miljø (et miljø som stadig endrer seg eller reagerer på handlingene til agenten). Denne metoden er særlig vanlig innen robotikk, for eksempel ved navigering i ukjente omgivelser. En populær teknikk for å forbedre forsterkende læring er ved hjelp av menneskelig tilbakemelding, også kjent som Reinforcement Learning with Human Feedback (RLHF). Dette er en teknikk som forbedrer ytelsen til en kunstig intelligens ved å involvere mennesker som gir tilbakemelding på hvor gode resultatene den produserer er.

Supervised Learning

Veiledet læring er en type maskinlæring der en KI-modell trenes på et merket datasett, det vil si at hvert datapunkt er koblet til en korrekt utdata (etikett/label). Et praktisk eksempel på veiledet læring er svindeldeteksjon basert på tidligere klassifiserte og merkede historiske data.

Unsupervised Learning

Ikke-veiledet læring er en type maskinlæring der KI-modeller trenes på data som ikke er merket. Et eksempel på dette er bruk av ikke-veiledet læring til å analysere store mengder dokumenter og gruppere disse i klynger for videre analyse.

Large Language Model (LLM)

Store språkmodeller kan sees på som hjernen i generativ KI. Dette er en språkmodell som benytter selvovervåket maskinlæring på enorme mengder tekst, designet for naturlig språkbehandling og -produksjon. LLM-er er kjernen bak samtaleagenter som ChatGPT. De er ideelle for å bygge agenter som trenger omfattende kunnskap og forståelse.

Small Language Model (SLM)

Små språkmodeller er KI-modeller som kan behandle, forstå og generere naturlig språk. Som navnet antyder er SLMs mindre i skala og omfang enn LLM-er. Små språkmodeller er mer transparent enn en LLM når det kommer til dataen de er trent opp på. SLM er også billigere og mer energieffektive.

Private LLM

Private LLM-er er klient- eller formålsspesifikke modeller som ofte er designet for å dekke spesifikke behov som offentlige LLM-er ikke kan møte. En privat LLM trenes på private organisasjonsdata, den er bygget for unike bruksområder og er ikke plassert i offentlig sky.

Transformer

Transformer er en type nevralt nettverksarkitektur som utmerker seg i behandling av data, og er assosiert med store språkmodeller (LLM). Denne arkitekturen gjør det mulig å utvikle generativ KI ved å effektivt forstå og produsere tekst, bilder og annen informasjon basert på mønstre i store datamengder. 

Generative Pre-trained Transformer (GPT)

GPT (best kjent fra ChatGPT, kjent som generativ forhåndstrent transformer på norsk) er en type kunstig intelligens utviklet av OpenAI som genererer menneskelignende tekst basert på innspill den mottar. GPT er designet for å forstå og produsere språk kreativt og kontekstuelt. Dette er et nyttig verktøy, men kommer også med sine ulemper. Siden GPT er laget for å produsere menneskelignende tekst, kan resultatene fremstå som overbevisende skrevet, men likevel være feilaktige (hallusinasjoner).

Natural Language Processing (NLP)

Prosessering av naturlig språk er et delområde innen datavitenskap og KI som bruker maskinlæring for å gjøre det mulig for datamaskiner å forstå og kommunisere på et selvvalgt naturlig språk, for eksempel norsk.

Denne artikkelen har introdusert sentrale begreper knyttet til KI. Vi vil fortsette å oppdatere listen etter hvert som nye buzzwords og konsepter dukker opp, slik at du alltid får tilgang til enkle og forståelige beskrivelser av relativt komplekse begreper.

Ønsker du å vite mer om vår KI-ekspertise i Deloitte så kan du lese mer her, eller ta kontakt med oss direkte. 

Se også våre andre artikler:

• Treningssett og instruks
• KI-systemer
• Etikk, styring og tillit
• Fallgruver og fremtidige trender

Se hele kildelisten