It-giganter som Google har sat sig tungt på markedet for kunstig intelligens, men den gode nyhed er, at de også har demokratiseret teknologierne, så de nu er tilgængelige for alle.
Det skaber helt nye muligheder for danske virksomheder.
Det er især de seneste års udvikling inden for deep learning, der har sat gang i en industriel udvikling. Deep learning er en maskinlæringsteknik, der kan bruges inden for bl.a. talegenkendelse og billedanalyse.
Demokratisering af teknikkerne
Det store gennembrud inden for de sidste 5-6 år skyldes især, at der er kommet en masse annoterede data, som vi genererer via vores smartphones og deling af billeder på sociale medier. Når data er annoterede, er det en måde at fortælle computeren, at et billede indeholder en kat eller en hund – og ofte også hvorhenne i billedet. Men der er også sket en masse på algoritme- og hardwaresiden, så computerne er blevet hurtigere og bedre til at træne neurale netværk. Det har gjort det muligt at bruge de her teknikker, der ellers er gamle.
Sådan lyder det fra Henrik Pedersen, Team Leader i Visual Computing Lab på Alexandra Instituttet, der i øjeblikket i samarbejde med NVIDIA Deep Learning Institute (DLI) kører en række hands-on kurser i, hvordan man kommer i gang med at bruge deep learning inden for computer vision. NVIDIA er en af verdens største producenter af GPU-baserede grafikkort, men i dag er hardware til kunstig intelligens deres primære forretning.
Kurserne bliver afholdt i Aarhus den 21. august og København den 22. august.
“Der er kommet databaser med billeder inden for alle mulige kategorier. Det skyldes bl.a., at der er opstået en delingskultur med, at man lægger annoterede billeder ud og dermed laver databaser og gør værktøjerne til en hyldevare. Der findes fx databaser med menneskers bevægelser i forbindelse med sportsudøvelse, og så kan man relativt let træne et neuralt netværk, der kan analysere golfsving eller dansetrin,” forklarer han.
Nemt at komme i gang
En anden vigtig pointe er, at teknikkerne ikke kræver domænekendskab. Man skal ikke vide en masse om computer vision. Hvis du har billeder af hunde og katte, så findes der en hyldevare, der kan trænes op til at skelne mellem hunde og katte. Det nye med deep learning er, at man kan begynde at arbejde med komplekse programmer i kraft af, at man har dataene til rådighed.
“Det er oplagt, hvis du er en virksomhed, som ligger inde med unikke data. Det kan være mikroskopbilleder af kræftceller. Ved at annotere dem kan du træne et neuralt netværk til at kunne skelne mellem kræft- og ikke-kræftceller. Hvis du har annoteret dine data fx ved at inddele dem i passende kategorier, kan du komme hurtigt i gang.”