Maskininlärning vs AI: Vad är skillnaden egentligen?
Alla pratar om AI, men de flesta menar egentligen maskininlärning. Här reder vi ut begreppen utan att göra det onödigt komplicerat.
Folk använder ju ofta "AI" och "maskininlärning" som om det vore exakt samma sak. Det är det faktiskt inte, även om skillnaden inte är fullt så dramatisk som vissa akademiker ibland vill göra gällande.
Den korta versionen
I grund och botten är AI själva målet, alltså att bygga system som kan utföra uppgifter vilka normalt sett kräver mänsklig intelligens. Maskininlärning är helt enkelt en metod för att nå dit. Det finns förstås andra metoder också, som regelbaserade system eller genetiska algoritmer, men maskininlärning är den teknik som har fungerat överlägset bäst under de senaste femton åren.
Man kan väl jämföra det med skillnaden mellan begreppen "transport" och "bil". Bilen är ju ett specifikt sätt att transportera sig på, och även om det finns många andra färdmedel är bilen just nu det allra vanligaste alternativet.
Hur maskininlärning fungerar
När vi pratar om traditionell programmering handlar det om att du skriver tydliga regler som datorn sedan följer till punkt och pricka. Ett exempel kan vara att systemet skickar en påminnelse om kunden inte har betalat inom trettio dagar.
Maskininlärning fungerar däremot på ett annat sätt, eftersom du istället ger datorn en stor mängd exempel så att den själv kan hitta mönstren. Du kanske matar in data från 50 000 kunder där vissa betalade sent och andra i tid, varpå systemet får i uppgift att lista ut vad de sena betalarna har gemensamt.
Det som gör den här metoden så användbar är att den kan identifiera samband som är alldeles för komplexa för att vi människor ska kunna formulera dem som enkla regler. Ingen kan ju skriva ner exakt vilka pixelmönster som definierar ett foto av en katt, men om du ger en modell tio miljoner bilder av katter kommer den nog att lösa uppgiften ändå.
Deep learning: maskininlärning på steroider
Om vi går ett steg djupare hittar vi deep learning, vilket är en specifik typ av maskininlärning som bygger på neurala nätverk med många lager. Det är just den här tekniken som ligger bakom de senaste årens stora framsteg inom områden som bildgenerering och moderna språkmodeller.
Hierarkin är alltså ganska logisk när man väl tittar på den. AI är det övergripande begreppet som innehåller maskininlärning, vilket i sin tur innehåller deep learning, där vi sedan hittar de stora språkmodellerna. Varje ny nivå är helt enkelt en delmängd av den som ligger ovanför.
Varför det spelar roll i praktiken
För de flesta företag är den exakta terminologin förstås mindre viktig än att faktiskt förstå vad verktygen kan åstadkomma i verksamheten. Det finns dock vissa situationer där den här skillnaden spelar en ganska stor roll.
När du köper in tjänster och en leverantör säger att de använder AI kan det betyda i princip vad som helst, från avancerad maskininlärning till enkla if-satser med en chattfunktion ovanpå. Därför är det väl värt att fråga specifikt vad de egentligen menar med begreppet.
När du planerar nya projekt måste du också tänka på att maskininlärning kräver väldigt mycket data för att fungera. Om du saknar historisk data att träna modellen på kommer tekniken helt enkelt inte att fungera, och då behöver du titta på andra lösningar.
När du sätter förväntningar är det viktigt att komma ihåg att maskininlärning ger sannolikheter snarare än absoluta sanningar. En modell som förutsäger kundbortfall med 80 % träffsäkerhet är ju bra, men den kommer alltså att ha fel i 20 % av fallen, vilket verksamheten måste vara beredd att hantera.
Generativ AI: den senaste utvecklingen
På senare tid har vi sett framväxten av generativ AI genom tjänster som ChatGPT och Claude. Denna teknik bygger på deep learning, som ju är en typ av maskininlärning och därmed en del av AI-paraplyet. Den stora skillnaden mot tidigare system är att generativa modeller faktiskt skapar helt nytt innehåll istället för att bara klassificera information eller göra förutsägelser.
Tidigare maskininlärning kunde till exempel konstatera att en bild föreställer en katt med 97 % sannolikhet.
Generativ AI kan istället ta fram en helt ny bild av en katt målad i akvarellstil.
Sammanfattning
Sammanfattningsvis kan du använda begreppet AI när du pratar om det breda fältet i allmänhet. Du bör använda maskininlärning när du specifikt menar system som lär sig från data, och generativ AI när du syftar på system som skapar nytt innehåll. Det är nog klokt att vara lite skeptisk mot personer som använder begreppen helt utbytbart, eftersom det ofta tyder på att de inte riktigt har koll på skillnaden.
Om du vill förstå mer om de stora språkmodellerna som driver dagens generativa AI kan du läsa vidare i vår artikel om vad en LLM är.
Vi pratar ju väldigt gärna om AI och hur det kan användas i praktiken. Oavsett om ni precis har börjat fundera på möjligheterna eller redan har konkreta planer på bordet, är det alltid roligt att bolla idéer. Det bästa med vårt jobb är faktiskt samtalen med människor som vill utforska tekniken men behöver en trygg sparringpartner att diskutera med. Börja smått och tänk stort är en bra filosofi, så boka en kostnadsfri rådgivning så tar vi det helt enkelt därifrån.