Begrepet kunstig intelligens er ikke nytt. For noen tiår siden så mange gjerne for seg roboter som tar intelligente beslutninger, eller man snakket om såkalte ekspertsystemer.

I løpet av de senere årene har begrepet kunstig intelligens blitt utvidet til å omhandle en rekke anvendelser hvor datamaskiner bruker relevante data til å ta beslutninger ved å sammenligne med tidligere situasjoner og tidligere data.

En datamaskin som avgjør om du får ja eller nei på en lånesøknad er et typisk eksempel. Når man programmerer algoritmene som datamaskinen bruker, er det maskinlæring og statistisk modellering som ligger i bunn. Det er ikke nødvendigvis en fast regel som er programmert, men en modell som hele tiden lærer av nye data og dermed opptrer tilsynelatende intelligent. Dette er selve kjernen i kunstig intelligens.

Det er ikke mulig å få mer ut av data, uansett mengde, enn det informasjonsinnhold de faktisk representerer. For å lage gode løsninger må man forstå det praktiske problemet, de tilgjengelige dataene samt styrker og svakheter ved de aktuelle metodene. Først da kan man vekte konsekvenser og balansere algoritmene på en slik måte at de underliggende klassifikasjoner og prediksjoner brukes til å ta intelligente valg. Her ligger NRs store styrke og viktige bidrag innen kunstig intelligens.

For mange anvendelser kreves det kompetanse fra flere fagfelt. Selvkjørende biler er et ofte brukt eksempel. I tillegg til statistikk og maskinlæring for å omsette data til beslutninger, kan det være behov for sensorteknologi, robotikk, talegjenkjenning og kommunikasjon. NR er svært åpen for tverrfaglig samarbeid med andre miljøer når systemer for kunstig intelligens skal utvikles.

Statistisk modellering og
maskinlæring

IKT

Fjernmåling og bildeanalyse