AI, en alsidig mester, fra sygdomsforudsigelse til forbedring af tilgængelighed for handicappede

Kunstig intelligens tog fart sidste år og har ikke efterladt nogen branche urørt i sin kølvand. Det var lanceringen af ChatGPT, der fik interessen for AI‑underfeltet, generativ AI, til at eksplodere, og alle begyndte at bruge teknologien både som forbruger og tjenesteudbyder.  

Ifølge en McKinsey‑undersøgelse bruger flertallet af organisationer (55 %) nu AI i mindst én forretningsfunktion. Det giver mening, da AI påvirker alt fra salg, markedsføring og kundeservice til sikkerhed, data, teknologi og andre processer.

Et kig på AI og dets evne til at transformere industrier

AI, et koncept der har eksisteret siden 1950’erne, er maskinernes intelligens. Det er maskinens evne til at udføre kognitive funktioner på samme måde som mennesker. 

Menneskelig intelligens er det, der adskiller os fra andre levende væsener. Det er evnen til at lære nye ting, ræsonnere, tilpasse sig, løse problemer, planlægge, improvisere og handle. Intelligens er grundlaget for den menneskelige oplevelse, og nu genskaber vi den kunstigt i videnskabelige bestræbelser. Som følge heraf viser nutidens AI‑systemer nogle af disse træk ved menneskelig intelligens, herunder læring, ræsonnement, problemløsning og perception.

Så AI er simpelthen simuleringen af menneskelig intelligens i maskiner. Maskinlæring (ML) er en underkategori af AI, der refererer til computerprogrammers evne til at lære af data og tilpasse sig uden menneskelig assistance. 

Derefter er der dyb læring, som muliggør denne automatiske læring via enorme datamængder såsom tekst, billeder eller video, som er for store til mennesker. Dyb læring bruger neurale netværk, som er baseret på den måde, neuroner interagerer i den menneskelige hjerne — for at absorbere data og behandle dem. Tre typer af kunstige neurale netværk, der anvendes her, omfatter feed‑forward neurale netværk, konvolutionelle neurale netværk og rekurrente neurale netværk.

Maskinlæring og dyb læring gør det muligt for AI at udføre mere komplekse opgaver ved at behandle data, der gør dem i stand til at opdage mønstre, give anbefalinger og forudsigelser samt tilpasse sig nye data og erfaringer.

Klik her for listen over de 5 bedste AI‑ og digitale biotekvirksomheder.

AI’s brede anvendelsesområder, der ryster industrier

Alle fremskridt inden for AI‑teknologi gennem årene har gjort det muligt at anvende den på tværs af forskellige industrier og finde anvendelse i næsten alle forretningssektorer. 

Til at begynde med hjælper chatbots med at forbedre brugeroplevelsen online. Natural Language Processing (NLP) bruges til at få samtalen til at lyde menneskelig og personlig. Disse AI‑drevne assistenter kan også have realtidsinteraktion med kunder. Ifølge Servion Global Solutions vil 95 % af kundens interaktioner blive drevet af AI inden 2025. 

Inden for medier og underholdning bringer AI en ny æra af effektivitet og kreativitet. Fra kunstnere til filmskabere og spiludviklere udnytter indholdsskabere AI‑algoritmernes kraft til at generere manuskripter og fortællinger. 

AI bruges desuden til at muliggøre realtidsoversættelse af sprog i tekster, videoer, podcasts og andre multimedieformater, så indholdet bliver tilgængeligt for et bredere publikum. På dette grundlag analyserer teknologien sproglige nuancer og ansigtsbevægelser for at hjælpe med læbesynkroniseret oversættelse. Dette beriger seeroplevelsen og transformer, hvordan audiovisuelle indhold synkroniseres på tværs af forskellige sprog.

Desuden hjælper syntetiske skuespillere, der portrætterer en virkelig person i digitale miljøer, kundecentrerede reklamekopier og autonomt genererede nyhedsartikler og resuméer som andre måder, AI hjælper medieindustrien på.

Denne teknologi påvirker også vores livsstil, primært gennem autonome køretøjer. Virksomheder som Tesla (TSLA ), Toyota og Audi bruger maskinlæring til at bygge selvkørende biler, levere førerassistenter og i sidste ende fjerne behovet for en menneskelig operatør. I denne sektor anvendes AI også til spam‑filtre, ansigtsgenkendelse og til at give tilpassede anbefalinger for øget engagement. 

AI gør også sit indtog dybere i uddannelsessektoren for at hjælpe med at forbedre fakultetets produktivitet ved at automatisere administrative opgaver såsom personlige beskeder, håndtering af tilmeldinger og andre rutineopgaver. Det hjælper desuden med at personalisere læringsmateriale, skabe smart indhold og levere stemmeassistenter til ekstra læringsmateriale eller assistance.

Dette er kun toppen af isbjerget, da AI har et enormt anvendelsesområde, herunder inden for navigation for præcis og detaljeret information, i HR for at lette processen, i landbrug for at hjælpe med at høste afgrøder hurtigere og i større mængder, i spil for at skabe menneskelignende NPC’er og i finans for at forbedre en bred vifte af tjenester.

Desuden finder AI anvendelse i datasikkerhed for at identificere ukendte trusler, fejlidentifikation, trusselsforebyggelse og genkende uklassificerede handlinger. Ud over at hjælpe med trafikstyring, samkørsel og ruteplanlægning i rejsebranchen, yder AI også støtte i kvalitetskontrol, inspektion og forsyningskædestyring.

Derefter er der robotteknologi, hvor AI almindeligvis bruges til at registrere forhindringer og forudplanlægge ruter. Snart vil kunstig generel intelligens (AGI) også blive en realitet, hvilket betyder, at maskiner vil have intelligensen til at udføre og løse intellektuelle opgaver, som kun mennesker kan udføre i dag. Organisationer som OpenAI arbejder på at skabe en teknologi, der overgår menneskelig intelligens.

AI for at gøre internettet mere tilgængeligt

Som vi påpegede, ændrer AI næsten alle sektorer, og selv da er det ikke hele omfanget af dets anvendelse. For eksempel udvikler forskere fra Ohio State University en AI‑agent, der skal gøre internettet mere tilgængeligt for personer med handicap. Denne AI‑agent vil kunne navigere i internettets komplekse system for at udføre komplekse opgaver på enhver hjemmeside ved hjælp af enkle sprogbefalinger.  

Ifølge undersøgelsen, der blev præsenteret på den 37. konferencen om neurale informationsbehandlingssystemer (NeurIPS) i december, er der stigende barrierer for at få adgang til internettet, som vi er afhængige af i vores daglige liv og arbejde. For at fjerne sådanne forhindringer og mindske uligheden, især for personer med handicap, brugte undersøgelsen information fra live‑sites og skabte web‑agenter.

Disse online AI‑hjælpere udnytter en dyb‑læringsalgoritme og store sprogmodeller (LLM’er) til at fungere på samme måde som vi mennesker, når vi surfer på internettet. Den oprettede model kan forstå layoutet såvel som funktionaliteten på forskellige hjemmesider blot ved at bruge sin evne til at behandle og forudsige sprog.

For at udvikle denne løsning oprettede teamet først datasættet Mind2Web til generelle web‑agenter. Forskerne brugte 137 forskellige virkelige hjemmesider til mere end 2.000 åbne opgaver, såsom at følge berømtheder på sociale medier, bestille internationale fly og planlægge tests hos DMV, for at træne deres agenter.

Ifølge studiets medforfatter Yu Su, som er assisterende professor i datalogi og ingeniørvidenskab ved Ohio State, var det i høj grad på grund af modellens evne til at tilpasse sig den komplekse og dynamiske natur af nutidens hjemmesider og håndtere det konstant udviklende internet, at deres agenter var en succes. Su sagde:

“Det er kun blevet muligt at gøre noget som dette på grund af den nylige udvikling af store sprogmodeller som ChatGPT.” 

Siden chatbotten blev offentlig i november 2022, har millioner af mennesker brugt den til at skabe indhold. For nylig afslørede OpenAI’s administrerende direktør Sam Altman, at den seneste version af chatbotten GPT‑5 vil blive udgivet i år med videofunktionalitet og større nøjagtighed. Ifølge Altman vil AI ikke kun ændre måden, vi arbejder på, men teknologiske fremskridt vil “hjælpe med at accelerere den videnskabelige opdagelsesrate dramatisk.”

Ud over Mind2Web introducerede forskere ved Ohio State også en ramme kaldet MindAct, som bruger både små og store sprogmodeller til at udføre opgaver. Ved at bruge begge modeller fandt teamet, at deres ramme kan overgå andre almindelige modelleringsstrategier og forstå forskellige koncepter ret godt.

Når modellen er forfinet, kan den bruges sammen med både åbne og lukkede LLM’er som Flan‑T5 eller GPT‑4, bemærkede undersøgelsen, som er støttet af National Science Foundation, US Army Research Lab og Ohio Supercomputer Center.

Midt i alt dette fremhævede undersøgelsen det etiske problem ved at skabe fleksibel AI, som, selvom den kan være ekstremt hjælpsom for mennesker på mange måder, som f.eks. at surfe på nettet, kan gøre internettet til et hidtil uset kraftfuldt værktøj ved at forbedre systemer som ChatGPT.

“På den ene side har vi et stort potentiale til at forbedre vores effektivitet og tillade os at fokusere på den mest kreative del af vores arbejde,” sagde Su og tilføjede, “Men på den anden side er der et enormt potentiale for skade.” Dette kan forekomme i form af spredning af misinformation eller misbrug af finansielle oplysninger.

Ifølge Su bør vi alle være “ekstremt forsigtige” med hensyn til disse risici og arbejde sammen for at afbøde dem. Han påpegede, at fremskridt inden for AI gennem kontinuerlig forskning vil hjælpe samfundet med at opleve betydelig vækst i de kommende år.

AI’s store rolle i sundhedssektoren 

Et andet område, hvor AI viser sig at være en game‑changer, er sundhedssektoren, hvor den forbedrer forskellige aspekter af denne industri.  

Sundhedssektoren er en vigtig del af vores liv for at forebygge sygdomme og forbedre livskvaliteten. Dog står branchen over for ineffektive processer og stigende medicinske omkostninger. Her kan AI fuldstændigt ændre sundhedssektoren ved at strømline processer og hjælpe med at forske i livsreddende lægemidler ved at kombinere historiske data og medicinsk intelligens. På denne måde kan organisationer reducere deres FoU‑omkostninger, mens de øger output.

AI‑aktiverede virtuelle assistenter hjælper derimod folk ved at reducere unødvendige hospitalsbesøg og spare sundhedspersonales tid i processen. Chatbots kan også bruges til at planlægge patientaftaler, give information, udfylde patientoplysninger og håndtere forsikringshenvendelser. 

Medicinske institutioner kan yderligere analysere patienter for at opdage indsigter og foreslå handlinger med større nøjagtighed for at sænke dødeligheden og øge patienttilfredsheden. Patientdata, såsom medicinsk historie og genetisk profil, kan også bruges til at levere personlig medicin og de bedste behandlingsplaner. Hospitaler kan også bruge AI til markedsundersøgelser for at optimere tjenester og skabe optimale markedsføringsstrategier for brand‑styring og markedsføring.

Oven i købet bruges teknologien til at bygge sofistikerede maskiner, der kan opdage sygdomme og hjælpe med at analysere kroniske tilstande for at sikre tidlig diagnose. 

For nylig offentliggjorde en ny undersøgelse finansieret af Swedish Brain Foundation, Swedish Foundation for Strategic Research, Swedish Research Council og andre, der brugte maskinlæring til at forudsige svær multipel sklerose (MS). MS er en kronisk sygdom i centralnervesystemet, som er uforudsigelig, med en progression der varierer betydeligt fra person til person.

Det menes at være en autoimmun lidelse, hvilket betyder, at immunsystemet angriber personens egen krop. Ved MS angribes et fedtstof kaldet myelin, hvilket beskadiger nerver i hjernen og rygmarven. Dette skyldes, at myelin omgiver og isolerer nerveaksonerne for at tillade signaloverførsel, som påvirkes, når den beskadiges.

Så for at finde en måde at opdage sygdommen på et tidligt stadium, gik forskere fra Linköping University, Karolinska Institutet og University of Skövde sammen om denne undersøgelse.

Forskerne analyserede omkring 1.500 proteinsamples ved hjælp af maskinlæring. Det var faktisk den første undersøgelse, der målte så mange proteiner med proximity extension assay (PEA), en yderst følsom metode, i kombination med next‑generation sequencing (NGS). Teknologien tillader mere præcis måling af meget små mængder, hvilket er særligt vigtigt, da disse proteiner ofte er til stede i meget lave niveauer.

Undersøgelsen fandt, at en kombination af 11 proteiner kan forudsige både kortsigtet – et specifikt protein kaldet neurofilament let kæde (NfL) var en pålidelig indikator – og langsigtet sygdomsaktivitet og handicapresultater. Denne kombination af proteiner blev senere bekræftet i en separat gruppe af MS‑patienter.

Desuden skal disse proteiner måles i cerebrospinalvæske i stedet for i blodet for at få et bedre billede af, hvad der foregår i centralnervesystemet. Disse proteiner kan yderligere bruges til at skræddersy behandlinger for hver patient afhængigt af den forventede sværhedsgrad af MS.

Klik her for at lære om den voksende synergi mellem AI og neurovidenskab.

Virksomheder der leder AI‑vejen 

Med AI som normen og indtægterne fra AI‑softwaremarkedet på verdensplan forventet at nå 126 milliarder dollars i 2025, hopper alle på denne bølge. Men nogle virksomheder gør et stort indtryk i sektoren med innovative maskinlæringsimplementeringer:

1. Microsoft

Tech‑giganten tilbyder en forretnings‑AI‑assistent, Office 365 Copilot. Microsoft (MSFT ), som er den største investor i OpenAI, lancerede for nylig et AI‑drevet værktøj, “Reading Coach.”