Vi lever i en tid av förändring där tekniken ständigt flyttar fram gränserna. För att hålla sig aktuell och relevant är det viktigt att förstå de aktuella trenderna. AI är inte bara en teknologi som ökar mänsklig produktivitet, det har även förmågan att vara en game changer inom kreativitet och effektivitet som vänder upp och ner på befintliga affärsmodeller. 

Gartners hypekurva är en grafisk representation av mognaden, förankringen och tillämpningen av specifika teknologier. Hypekurvan för Artificiell Intelligens (AI) 2023 ger en djupgående översikt över var olika AI-teknologier står idag.

I den här artikeln bjuder jag på en sammanfattning av trenderna inom AI och ger dig en kort beskrivning av varje trend. Nu kör vi…

Faserna av hypekurvan

Hypekurvan är uppdelad i fem huvudfaser:

Innovation Trigger: Här börjar nya teknologier dyka upp, och media börjar rapportera om dem.

Peak of Inflated Expectations: I det här skedet finns det mycket spänning och några framgångsrika implementationer, men många projekt misslyckas också.

Trough of Disillusionment: Här minskar intresset då experiment och implementationer inte lever upp till förväntningarna.

Slope of Enlightenment: Företag börjar förstå de praktiska tillämpningarna av teknologin, vilket leder till mer stabila och fördelaktiga implementationer

Plateau of Productivity: Tekniken blir mainstream, och dess fördelar blir allmänt accepterade.

Varför det är viktigt att förstå hypekurvan?

Att förstå hypekurvan hjälper företag och investerare och att:

• Prioritera investeringar genom att bedöma teknikernas mognad.
• Undvika fallgropar kopplade till överhajpade, omogna teknologier.
• Identifiera möjligheter inom områden som är redo för tillväxt.

PS: Det hjälper även dig som individ att hålla dig relevant i en tid då tekniken ständigt flyttar fram gränserna. 

Så, vad betyder alla dessa termer inom AI? Här kommer en kort beskrivning av varje trend på kurvan… 

Artificial general intelligence (AGI) är den (för närvarande hypotetiska) intelligensen hos en maskin som kan utföra vilken intellektuell uppgift som helst som en människa kan utföra.

AI engineering är grundläggande för att organisationer ska kunna leverera skalbara AI-lösningar. Disciplinen skapar sammanhängande utveckling, leverans och operationella AI-baserade system.

Autonomic systems är självhanterande fysiska eller mjukvarusystem som utför domänbegränsade uppgifter och som uppvisar tre grundläggande egenskaper: autonomi, inlärning och agentur.

Cloud AI services tillhandahåller verktyg för att bygga AI-modeller, API:er för förbyggda tjänster och associerad programvara som möjliggör utveckling/träning, driftsättning och användning av maskininlärningsmodeller (ML) som körs på förbyggd infrastruktur som molntjänster.

Composite AI refererar till den kombinerade tillämpningen (eller fusionen) av olika AI-tekniker för att förbättra effektiviteten i inlärningen och bredda nivån av kunskapsrepresentationer. Den löser ett bredare utbud av affärsproblem på mer effektiva sätt.

Computer vision är en uppsättning tekniker som innefattar att fånga upp, bearbeta och analysera bilder och videor från den verkliga världen för att extrahera meningsfull, kontextuell information från den fysiska världen.

Data-centric AI är en metod som fokuserar på att förbättra och berika träningsdata för att driva bättre AI-resultat. Data-centric AI behandlar också datakvalitet, integritet och skalbarhet.

Edge AI refererar till användningen av AI-tekniker inbäddade i icke-IT-produkter, IoT-endpoints, gateways och edge-servrar. Det omfattar användningsfall för konsument-, kommersiella och industriella applikationer, såsom autonoma fordon, förbättrade diagnostiska förmågor inom medicin och videoanalys.

Intelligent applications använder inlärd anpassning för att autonomt svara på människor och maskiner.

Model operationalization (ModelOps) fokuserar främst på den helhetliga styrningen och livscykelhanteringen av avancerad analys, AI och beslutsmodeller.

Operational AI systems (OAISys) möjliggör orkestrering, automatisering och skalning av produktionsklara och företagskvalitativa AI, inklusive ML, DNNs och generativ AI.

Prompt engineering är disciplinen att tillhandahålla inmatningar, i form av text eller bilder, till generativa AI-modeller för att specificera och begränsa uppsättningen svar som modellen kan producera.

Smart robots är AI-drivna, ofta mobila, maskiner som är utformade för att autonomt utföra en eller flera fysiska uppgifter.

Synthetic data är en klass av data som är artificiellt genererade snarare än erhållna från direkt observation av den verkliga världen.

AI simulation är den kombinerade tillämpningen av AI och simuleringsteknologier för att gemensamt utveckla AI-agenter och de simulerade miljöerna där de kan tränas, testas och ibland implementeras.

AI TRiSM, AI trust, risk och security management, säkerställer AI-modellstyrning, pålitlighet, rättvisa, tillförlitlighet, robusthet, effektivitet och dataskydd.

Causal AI identifierar och utnyttjar orsak-verkan-relationer för att gå bortom korrelationsbaserade prediktiva modeller och mot AI-system som kan förskriva åtgärder mer effektivt och agera mer autonomt.

Data labeling and annotation (DL&A) är en process där dataresurser ytterligare klassificeras, segmenteras, annoteras och förstärks för att berika data för bättre analys och AI-projekt.

First-principles AI (FPAI) (även känd som fysikinformerad AI) inkorporerar fysiska och analoga principer, styrande lagar och domänkunskap i AI-modeller. FPAI utvidgar AI-Engineering till komplex systemteknik och modellbaserade system.

Foundation models är stora parametermodeller som tränas på en bred uppsättning dataset på ett självövervakat sätt.

Knowledge graphs är maskinläsbara representationer av den fysiska och digitala världen. De inkluderar enheter (personer, företag, digitala tillgångar) och deras relationer, vilka följer en grafdatamodell.

Multiagent systems (MAS) är en typ av AI-system som består av flera, oberoende (men interaktiva) agenter, var och en kapabel att uppfatta sin miljö och vidta åtgärder. Agenter kan vara AI-modeller, mjukvaruprogram, robotar och andra beräkningsenheter.

Neurosymbolic AI är en form av ”composite AI” som kombinerar maskininlärningsmetoder och symboliska system för att skapa mer robusta och pålitliga AI-modeller. Det tillhandahåller en resonemangsinfrastruktur för att lösa ett bredare utbud av affärsproblem mer effektivt.

Responsible AI är en samlingsbeteckning för aspekter av att göra lämpliga affärs- och etiska val vid införande av AI. Det omfattar organisatoriska ansvarsområden och praxis som säkerställer positiv, ansvarsfull och etisk AI-utveckling och drift.