AI og maskinlæring: Ordliste og begreper

ai assistant keywordcluster
AI assistant keywordcluster

Ordliste knyttet til kunstig intelligens for norske virksomheter

Her er en liste med viktige begreper du må lære deg som vi bruker underveis i våre artikler og vårt kurs knyttet til profesjonell bruk av kunstig intelligens

  1. AI (Artificial Intelligence): Kunstig intelligens – datasystemer som kan utføre oppgaver som normalt krever menneskelig intelligens.
  2. LLM (Large Language Model): Store språkmodeller – avanserte AI-systemer trent på enorme mengder tekstdata for å forstå og generere menneskelig språk.
  3. Machine Learning: Maskinlæring – en underkategori av AI der systemer lærer fra data uten å være eksplisitt programmert.
  4. Deep Learning: Dyp læring – en type maskinlæring basert på kunstige nevrale nettverk med flere lag.
  5. NLP (Natural Language Processing): Naturlig språkbehandling – AI-felt fokusert på interaksjon mellom datamaskiner og menneskelig språk.
  6. Generativ AI: AI-systemer som kan skape nytt innhold, som tekst, bilder eller lyd.
  7. ChatGPT: En populær chatbot utviklet av OpenAI, basert på GPT (Generative Pre-trained Transformer) arkitektur.
  8. Prompt Engineering: Kunsten å formulere effektive instruksjoner eller spørsmål til AI-systemer for å få ønskede resultater.
  9. AI-hallusinasjon: Når en AI genererer feilaktig eller oppdiktet informasjon som virker plausibel.
  10. DPIA (Data Protection Impact Assessment): Personvernkonsekvensvurdering – en prosess for å identifisere og minimere personvernrisikoer ved databehandling.
  11. GDPR (General Data Protection Regulation): EUs personvernforordning som regulerer behandling av personopplysninger.
  12. AI Act: EUs lovverk for regulering av kunstig intelligens.
  13. Risikoklassifisering: Kategorisering av AI-systemer basert på deres potensielle risiko, som definert i AI Act.
  14. Høyrisiko-AI: AI-systemer som potensielt kan ha betydelig innvirkning på folks rettigheter eller sikkerhet.
  15. Dataminimering: Prinsippet om å begrense innsamling og behandling av personopplysninger til det som er nødvendig.
  16. Bias i AI: Skjevheter eller fordommer i AI-systemer, ofte et resultat av skjevheter i treningsdata eller algoritmer.
  17. Etisk AI: Utvikling og bruk av AI-systemer i samsvar med etiske prinsipper og verdier.
  18. Explainable AI (XAI): AI-systemer som kan forklare eller gi innsikt i sine beslutningsprosesser på en måte mennesker kan forstå.
  19. AI Governance: Rammeverk og praksis for å sikre ansvarlig utvikling og bruk av AI i en organisasjon.
  20. Transfer Learning: En maskinlæringsteknikk der en modell trent på én oppgave brukes som utgangspunkt for en annen relatert oppgave.
  21. Federated Learning: En maskinlæringsteknikk der modellen trenes på distribuerte datasett uten å dele rådataene.
  22. Edge AI: AI-prosessering som skjer på enheter nær datakilden, i stedet for i skyen.
  23. AutoML: Automatisert maskinlæring – bruk av AI for å optimalisere maskinlæringsmodeller.
  24. Transformer: En type nevral nettverksarkitektur som er grunnlaget for mange moderne språkmodeller.
  25. Fine-tuning: Prosessen med å tilpasse en pre-trent modell til en spesifikk oppgave eller domene.
  26. Sentiment Analysis: Bruk av NLP for å identifisere og kategorisere meninger uttrykt i tekst.
  27. Computer Vision: AI-felt fokusert på hvordan datamaskiner kan oppnå høynivåforståelse fra digitale bilder eller videoer.
  28. Reinforcement Learning: En type maskinlæring der en agent lærer å ta beslutninger gjennom prøving og feiling i et miljø.
  29. AI Ethics Board: En gruppe eksperter som gir veiledning om etiske spørsmål knyttet til AI-utvikling og -bruk.
  30. Responsible AI: Praksiser for å sikre at AI-systemer er pålitelige, etiske, og respekterer menneskerettigheter.
  31. Autonomi*: Autonomi i AI er graden av selvstendighet et intelligent system har til å oppfatte sitt miljø, ta beslutninger og handle for å nå spesifikke mål, uten konstant menneskelig veiledning eller kontroll
  32. Adaptivitet**: Adaptivitet i AI refererer til et systems evne til å endre sin atferd, struktur eller funksjonalitet basert på nye data, erfaringer eller endringer i miljøet, med mål om å forbedre sin ytelse eller oppnå bedre resultater over tid.

Denne utvidede ordlisten gir en enda dypere forståelse av viktige konsepter innen AI og maskinlæring, som vil være nyttig for både du som leser dette og for bedriftsledere.

Selv om listen er omfattende, er det alltid rom for utvidelse eller oppdatering ettersom AI-feltet utvikler seg raskt. Noen områder som potensielt kunne utdypes eller legges til i fremtiden kunne være:

  1. Mer spesifikke AI-modeller eller -arkitekturer
  2. Nyere utviklinger innen AI-regulering
  3. Bransje-spesifikke AI-anvendelser

Men for formålet med å gi en solid grunnforståelse for kontorbruk i små og mellomstore bedrifter, mener vi at denne ordlisten er en fin start;)

*: Utvidet forklaring på autonomi:

  1. Selvstendige beslutninger: Et autonomt AI-system kan analysere situasjoner og ta beslutninger basert på sin programmering og lærte erfaringer.
  2. Tilpasningsevne: Det kan justere sin atferd basert på nye data og endringer i miljøet.
  3. Målrettet handling: Systemet arbeider mot forhåndsdefinerte mål, men velger selv hvordan det skal nå disse målene.
  4. Begrenset menneskelig inngripen: Mens mennesker setter de overordnede målene og rammene, opererer systemet selvstendig innenfor disse.
  5. Varierende grader: Autonomi er ikke binært, men eksisterer på et spekter fra lav til høy grad av selvstendighet.
  6. Etiske hensyn: Økt autonomi reiser viktige spørsmål om ansvar, sikkerhet og kontroll.

Autonome AI-systemer kan variere fra enkle chatbots til komplekse systemer som selvkjørende biler eller avanserte beslutningsstøttesystemer i bedrifter.

**: Forklaring:

  1. Kontinuerlig læring: Et adaptivt AI-system fortsetter å lære og forbedre seg etter at det er satt i drift, i motsetning til statiske systemer.
  2. Miljørespons: Systemet kan justere seg basert på endringer i sitt operasjonsmiljø eller input-data.
  3. Prestasjonsoptimalisering: Adaptivitet tillater AI å finne bedre løsninger eller strategier over tid.
  4. Fleksibilitet: Adaptive systemer kan håndtere nye situasjoner eller problemer som ikke var eksplisitt programmert.
  5. Feedback-basert justering: Systemet bruker tilbakemeldinger (enten fra miljøet eller mennesker) for å justere sin atferd.
  6. Robusthet: Adaptivitet kan gjøre AI-systemer mer robuste mot endringer og uforutsette omstendigheter.
  7. Personalisering: I mange applikasjoner kan adaptivitet føre til mer personaliserte brukeropplevelser.

Eksempler på adaptive AI-systemer inkluderer:

  • Anbefalingssystemer som lærer brukerpreferanser over tid
  • Chatbots som forbedrer sine svar basert på brukerinteraksjoner
  • Maskinlæringsmodeller som oppdateres med nye data for å opprettholde nøyaktighet

Adaptivitet er en nøkkelegenskap som gjør AI-systemer mer fleksible, effektive og nyttige i dynamiske miljøer.