Kunskap om AI och GDPR
Träning av AI-modeller
Det är viktigt med träning av AI-modeller för att de ska ge så goda resultat som möjligt. Det finns flera olika metoder för att träna AI-modeller.
Träning av AI-modeller
Genom att träna en AI-modell ska den därefter kunna utföra en specifik uppgift. En generell utgångspunkt är ju mer data den får tillgång till, desto bättre resultat kan den producera. Däremot spelar fler faktorer in i resultatet också.
Exempelvis kvalitet på datan och inlärningssystem i modellen. Tänk på att använda relevant data för syftet med AI-modellen.
Korrekt märkning av data
För att en AI-modell ska fungera på ett ändamålsenligt sätt vid övervakad inlärning, spelar korrekt märkning av datan en stor betydelse.
Exempel på olika träningsmetoder som kan användas för AI-modeller
Övervakad inlärning
Detta är en inlärningsmetod som innebär att man ger AI-modellen märkt data (det korrekta svaret). Exempelvis ge 1000 bilder på bilar och lastbilar, för att AI-modellen ska kunna känna igen skillnaden mellan dem.
Oövervakad inlärning
Detta avser en algoritm som själv måste hitta mönster, utan att den har blivit tränad till förutbestämda svar. Med andra ord används omärkt data vid träningen av AI-modellen.
Förstärkningsinlärning
Detta är en form av maskininlärning som handlar om att en algoritm lär sig att fatta optimala beslut. Det sker genom att handlingar värderas positivt eller negativt utifrån det önskade slutresultatet eller målet.
Semiövervakad inlärning
Detta är en kombination av övervakad och oövervakad inlärning. Normalt används en mindre mängd märkt data och en större mängd omärkt data för lärdom och därmed kunna förutspå resultat.
Resultatet gällande träningen av AI-modellen
Resultatet av maskininlärning, även inkluderat djupinlärning och förstärkningsinlärning, blir en AI-modell. Observera att AI-modellen sällan lagrar träningsdatan. Istället består den av en representation av datan som modellen har använt för att träna på. I vissa fall är det däremot möjligt att återkalla träningsdatan.
Vad är skillnaden mellan en statisk AI-modell och en dynamisk AI-modell?
Det kan vara bra att veta skillnaden mellan en statisk AI-modell och en dynamisk AI-modell, för att veta vilken som passar bäst när man ska utveckla en AI-modell.
Statisk AI-modell
Om en AI-modell använder en statisk modell, tränas den till att ge ett resultat som inte kommer att ändras. Med andra ord producerar den samma resultat hela livscykeln. På så sätt kan man ha bättre kontroll över modellen under användningen.
Dynamisk AI-modell
En dynamisk AI-modell kan, till skillnad från en statisk modell, själv använda data för att förbättra och utveckla sig själv. En nackdel är att man har mindre kontroll över ändringarna, än vid användning av statiska AI-modeller.
Mer info o AI
AI-förordningen i EU
AI har haft och kommer att fortsätta ha stor påverkan för företag. Det finns många fördelar med att använda AI-modeller i allt från att skapa en bra kundprofil, rekrytering, effektivisera kommunikation och mycket mer. Däremot finns det också risker med användningen av AI. EU har skapat AI-förordningen för att skapa en trygg och etiskt hållbar miljö för både medborgarna samt för innovation inom AI. AI-förordningen delar bland annat in riskerna i fyra kategorier, en av dem är avser AI-modeller med oacceptabel risk och sådana är förbjudna. GDPR och AI-förordningen gäller parallellt med varandra.