Published on 25 Sep 2017
min read
Views
Innovationer inom programvarualgoritmer har öppnat upp världen för begreppet artificiell intelligens (AI). I takt med att AI visade sin förmåga till prognoser, intelligent stöd och datadrivna rekommendationer gav det företag möjlighet att optimera sin verksamhetseffektivitet och öka intäkterna. Tekniker för big data-analys och maskininlärning spred sig snart till alla funktioner inom organisationer – eller visade åtminstone potential att göra det. Prognoser tyder på att år 2025 kommer 3D-printade bilar att rulla på gatorna världen över, läsglasögon kommer att vara uppkopplade mot internet och recept kommer att delas ut av robotapotekare. I samtliga fall kommer AI att bli en integrerad del av människors liv och de val de gör.
AI:s förmåga att analysera data och lära sig själv gör att den kan gå utöver de uppgiftsspecifika roller som traditionell automatiseringsteknik har haft. Intelligent automatisering gör det möjligt att utföra repetitiva och Agile uppgifter med människoliknande anpassningsförmåga. Även om flexibel fingerfärdighet fortfarande står på innovatörernas önskelista blir industrirobotar allt bättre på att dynamiskt anpassa sig till fysiska miljöer. Genom att utnyttja visuella och imiterande neurala nätverk kan maskiner tränas virtuellt att stapla slumpmässigt placerade block. Och med kameror som drivs av algoritmer för datorseende kan robotar upptäcka objekt, istället för att blint röra sig mot dem och utföra den tilldelade uppgiften.
Förmågan att se gör det enklare för robotar att arbeta tillsammans med människor utan att orsaka skada. Sådana samarbetsrobotar, eller ”cobots”, erbjuder tre gånger bättre prestanda än konventionella robotar och 85 procent högre produktivitet än när människor och robotar arbetar separat. De kan också kommunicera med andra robotar för att samarbeta i hektiska miljöer.
Kommunikation och samarbete mellan robotar optimerar den industriella produktiviteten, särskilt när det gäller att utföra komplexa uppgifter såsom åtgärder med flera armar vid montering av maskindelar eller desarmering av en bomb. AI-tekniker såsom förstärkningsinlärning kan hjälpa robotar att kommunicera för att testa, lära sig av misstag och automatiskt välja den bästa möjliga metoden för att framgångsrikt slutföra en uppgift. För att underlätta den tidskrävande uppgiften att programmera och koda varje robot kan AI-utrustade bildbehandlingssystem användas. Systemet, utrustat med sensorer och processorkraft, gör det möjligt för robotar att lära sig från visuella demonstrationer, precis som människor.
AI-drivna big data-tekniker möjliggör bearbetning av terabyte av information som hjälper till att urskilja mönster. Dessa grafiska diagram gör det möjligt för ingenjörer att förutse maskinfel och vägleda framtida beslut. I en industrianläggning kan till exempel analys av data från alla olika sensorer och implementering av AI-baserad tillståndsövervakning hjälpa till att identifiera fel innan de inträffar. System för förebyggande underhåll kan sedan automatiskt vidta förebyggande åtgärder innan någon katastrof faktiskt inträffar i fabriken. Detta har potential att minska inspektionskostnaderna med 25 procent och de årliga underhållskostnaderna med 10 procent.
Inom olje- och gassektorn har AI gjort det möjligt för drönare att på distans lokalisera felet och åtgärda problemet. Processen lovar att minska mänskligt ingripande på farliga platser som oljeplattformar mitt ute på havet och gasledningar i öknar, vilket därmed förbättrar säkerheten och driftseffektiviteten.
En ledande tillverkare av medicinsk utrustning har infört uppkopplade fälttjänster (CFS) över hela världen för att på distans diagnostisera och åtgärda fel på instrumenten utan att behöva skicka ut en fälttekniker. Företaget upplevde en ökning på 78 procent av antalet fjärrserviceärenden, vilket ledde till förbättrad serviceeffektivitet, produktivitet, intäkter och kundnöjdhet.
Inom den personaliserade hälso- och sjukvården är AI på väg att leda till några av de största omvälvningarna. Tekniken möjliggör användning av elektroniska patientjournaler (EMR) för prediktiv modellering, vilket i sin tur gör det möjligt för vårdgivare att mäta och kartlägga sjukdomsförlopp och förekomst. Denna djupgående patientanalys hjälpte ett välkänt amerikanskt sjukhus att förutsäga återinläggningsfrekvensen hos hjärtpatienter och förbättra den rutinmässiga vårdhanteringen.
Genom att kombinera EMR med biomarkörer som övervakas rutinmässigt och IoT-aktiverade bärbara enheter kan hälsovårdsdata berikas ytterligare med hjälp av AI. Målet är att förutsäga risken för sjukdomsförvärring genom att tillämpa algoritmer för maskininlärning baserade på sjukdomsdeterminanter och identifierade riskprediktorer. Läkare kommer att kunna ingripa innan patientens tillstånd förvärras, vilket förbättrar hälsoutfallen och ökar resurseffektiviteten på sjukhusen.
I takt med att mängden medicinska data ständigt ökar kommer djupinlärning att utforska mer komplexa icke-linjära mönster i data med hjälp av avancerade neurala nätverk, såsom konvolutionsneurala nätverk (CNN). Genom att implementera CNN i högdimensionell bildanalys kan vårdpersonal säkerställa tidig sjukdomsdiagnos och föreslå behandlingsplaner med 90 procents noggrannhet.
Samtidigt som AI lovar att skapa en ljusare, säkrare och hälsosammare framtid, uppvisar den också en destruktiv potential som entreprenören Elon Musk kallar för”det största existentiella hotet”. För att rädda världen från att AI tar över och för att stärka den ekonomiska tillväxten måste aktörer inom teknik, politik, samhälle, vetenskap, industri och etik fastställa universella riktlinjer för användningen. Samtidigt måste ingenjörerna fokusera på AI:s emotionella intelligens för att bättre kunna förstå människors behov. Med dessa åtgärder kommer AI-drivna robotar att vara redo att förbättra, snarare än att hota, människors liv.
