Kunstig intelligens: At kunne se og forstå verden

Big Data kombineret med billedgenkendelse åbner for automatisering af videnstunge ekspertjobs. Nye løsninger fra Skyen viser vejen.

Det næste store spring fremad i anvendelsen af computere bygger på en cocktail af store datamængder, avancerede analyseværktøjer, masser af datakraft og en målrettet app, der kan leveres fra Skyen.

På papiret er de løsninger, der kan bygges ud fra denne cocktail, så smarte, at løsningerne får computere til at virke intelligente, og vi kalder derfor løsningerne for kunstig intelligens.

I virkeligheden er der stadig lang vej til, at computere bliver intelligente.

Men kombinationen af Big Data, smarte analyseredskaber og store mængder af rå datakraft har gjort det muligt at bygge løsninger, der udfordrer vores forståelse af, hvad en maskine kan forventes at kunne udføre.

Supercomputeren IBM Watson vakte i 2011 opsigt ved at stille op i Jeopardy på direkte TV og slå to af verdens bedste Jeopardy-spillere.

Siden har der været mange andre eksempler på enkeltstående bedrifter, der har rykket afgørende på vores forventninger til, hvad computere kan.

Men det har knebet med at få løsningerne bragt i drift ude på arbejdspladserne.

En af forklaringerne er, at der mangler nogle smarte apps, der gør teknologien anvendelig og nyttig for almindelige virksomheder.

Den britiske startup, Tractable, har udviklet nogle banebrydende løsninger inden for billedgenkendelse, som de så kombinerer med Big Data, analyseredskaber og store mængder rå datakraft fra Skyen.

Det er i sig selv ret imponerende teknologi, men der hvor Tractable især skiller sig ud fra konkurrenterne er, at virksomheden tydeligvis har tænkt meget over, hvordan deres teknologi kan bringes i anvendelse.

claim01En af de løsninger fra Skyen, som Tractable har fokus på, retter sig mod forsikringsbranchen, der i dag har store omkostninger forbundet med at gennemføre takseringer af beskadigede biler, der er blevet leveret ind til reparation på autoværksteder.

Taksering bygger på en stor viden og erfaring, som taksatoren har opbygget, ofte igennem mange års arbejde i branchen. Det er ikke en eksakt videnskab, og der indgår uvilkårligt et element af skøn i bedømmelsen. Det er med andre ord ikke noget, som umiddelbart lader sig omsætte til computer-kode.

Igennem mange år har forsikringsselskabernes taksatorer suppleret deres synsrapporter med fotos af de konkrete skader på bilerne, og har forsynet hvert enkelt foto med en detaljeret beskrivelse af skaden og en vurdering af, hvad det vil koste at udbedre den.

De tusinder af kommenterede billeder, der på denne måde er opsamlet, udgør en kæmpe base af viden, som selskabets taksatorer har lagt ind, bid for bid, igennem de sidste mange år.

Ved at “øve sig” på denne enorme mængde af eksisterende billeder og tilhørende kommentarer, kan Tractable “lære” at vurdere skader, der bliver vist på nye billeder.

Herefter kan Tractable bruges til at automatisere en stor del af taksator-arbejdet.

errorRate
Der er sket store fremskridt i anvendelse af computere til billedanalyse / Tranctable.io

Mange skader kan nu takseres korrekt af Tractable, udelukkende baseret på et eller to fotos, der sendes til en computer direkte fra autoværkstedet.

Løsningerne fra Tractable kan også bruges til at overvåge komplicerede industrielle produktionssystemer eller til at lokalisere fejl på store maskiner.

Ved at benytte eksisterende billeddokumentation kan systemet sikkert og hurtigt identificere enhver afvigelse, og give en alarm eller anden form for aktion.

Tractable har måske ikke begået den mest fancy app fra Skyen, som man kan komme i tanke om, men det opvejes rigeligt af dens praktiske anvendelighed.

Henvisninger og baggrund: 11.01.2016