Kunstig intelligens (AI) har allerede hatt innvirkning på ulike felt, fra medisin til transport og underholdning.
En spennende utvikling innenfor AI-feltet er fremveksten av generativ kunstig intelligens, også kjent som generativ AI.
Dette er en gren av AI som fokuserer på å skape data, bilder, lyd eller tekst ved hjelp av modeller trent på store datasett.
Generativ AI utnytter potensialet for kunstig kreativitet og har åpnet døren for en rekke innovative bruksområder. I denne artikkelen skal vi utforske ni spennende bruksområder for generativ AI.
Hva er Generativ AI?
GenAI er en type kunstig intelligens som lager nytt innhold basert på hva den har lært fra eksisterende innhold.
Læringsprosessen fra eksisterende innhold kalles trening og resulterer i en statistisk modell.
Når man gir GenAI en beskjed eller et spørsmål, vil den bruke den statistiske modellen til å forutse hva en normal respons vil være og dette genererer nytt innhold. (Google)
Historie
Opprinnelsen til generativ AI kan spores tilbake til de første stadiene av utforskningen av kunstig intelligens. På 1950-tallet begynte forskere å undersøke bruken av datamaskiner for å generere nye data, som tekst, bilder og musikk. Imidlertid var den nødvendige datakraften og ressursene for at disse systemene skulle blomstre ennå ikke tilgjengelige.
En av de tidligste eksemplene på generativ AI går tilbake til 1964 med opprettelsen av ELIZA-chatboten. ELIZA opererte på et regelbasert system og simulerte samtaler med brukere ved å generere svar basert på mottatt tekst. Selv om den ikke var genuint intelligent, viste ELIZA potensialet til generativ AI for menneskeliknende kommunikasjon.
På 1980- og 1990-tallet avanserte maskinvare- og programvarekapasitetene betydelig og la til rette for utviklingen av avanserte generative AI-modeller, inkludert nevrale nettverk. Nevrale nettverk er inspirert av den menneskelige hjernen og kan lære intrikate mønstre i data. Imidlertid var disse tidlige nevrale nettverkene kostbare å trene og kunne bare generere små mengder innhold.
På begynnelsen av 2000-tallet skjedde et betydelig gjennombrudd innen generativ AI-forskning med fremveksten av dyp læring. Ved å bruke nevrale nettverk med flere lag, kunne dyp læringsmodeller trenes på omfattende datasett for å skjelne komplekse mønstre, noe som muliggjorde generering av nye data som ligner på menneskeskapt innhold. Dette gjennombruddet førte til utviklingen av innovative generative AI-modeller, inkludert generative adversarial networks (GANs) og variational autoencoders (VAEs).
GANs og VAEs utmerker seg ved å produsere innhold av høy kvalitet som ofte er uatskillelig fra innhold skapt av mennesker.
GANs opererer ved å trene to nevrale nettverk i opposisjon: en generator som lager nytt innhold og en diskriminator som prøver å skille mellom ekte og syntetisk innhold. Til slutt lærer generatoren å lage innhold som er realistisk nok til å lure diskriminatoren.
VAEs fungerer ved å lære et latent rom av dataene de er trent på. Det latente rommet er en representasjon av dataene som fanger de mest essensielle egenskapene ved dataene. VAEs kan generere nytt innhold ved å prøve fra det latente rommet og dekode den latente koden tilbake til det opprinnelige dataspace.
De siste årene har det vært en rask eksplosjon i utviklingen av nye generative AI-modeller. Disse modellene kan nå generere et bredt spekter av innhold, inkludert tekst, bilder, musikk og kode. Generativ AI brukes også i ulike applikasjoner, som kunst, design og helsevesen.
Et eksempel på dette er utviklingen av diffusjonsmodeller i 2015. Diffusjonsmodeller fungerer ved gradvis å legge til støy i et rent bilde til det er helt ugjenkjennelig. De kan deretter reverseres for gradvis å fjerne støyen og generere et nytt bilde. Diffusjonsmodeller har blitt brukt til å lage bilder og tekst av høy kvalitet.
Den neste betydelige utviklingen er de store språkmodellene (LLMs) som GPT-3 og Bard i henholdsvis 2020 og 2023. LLM-er er trent på massive datasett med tekst og kode, noe som gjør at de kan generere realistisk tekst, oversette språk, skrive ulike typer kreativt innhold og svare på spørsmålene dine på en informativ måte. 2023 var også året da watsonx, en overlegen generativ AI-plattform basert på skyen, ble introdusert av IBM. Watsonx kan støtte flere LLM-er.
Tidslinje
Her er en kort tidslinje over noen av disse milepælene i den fascinerende reisen til generativ AI:
1960-tallet: ELIZA
ELIZA, en tidlig chatbot, viste tidlige forsøk på å simulere samtale.
1980- og 1990-tallet: Utvikling av nevrale nettverk
Forskere begynte å utvikle mer sofistikerte generative AI-modeller, inkludert nevrale nettverk, som utnyttet fremskritt innen maskinvare og programvare.
Tidlig 2000-tall: Dyp læring
Dyp læring, et gjennombrudd innen AI, fikk fremtreden. Nevrale nettverk med flere lag ble brukt til å trene på massive datasett.
2014: Generative adversarial networks (GANs)
Introdusert av Ian Goodfellow og hans kolleger, presenterte GANs et revolusjonerende tospillers nevralt nettverksrammeverk.
2015: Diffusjonsmodeller
Utviklingen av diffusjonsmodeller brakte en ny tilnærming til bildegenerering ved gradvis å legge til støy i et rent bilde.
2020: GPT-3
OpenAI lanserte GPT-3, en avansert språkmodell, som viste imponerende evner innen forståelse og generering av naturlig språk.
2023: Bard og watsonx
En annen stor språkmodell, Googles Bard, og IBMs generative AI-system, watsonx, ble introdusert, noe som ytterligere avanserte mulighetene til generativ AI.
Disse milepælene representerer en oversikt over den generative AI-reisen, som fanger viktige utviklinger innen naturlig språkbehandling, bildegenerering og de underliggende arkitekturene som har formet feltet gjennom årene.
Dagens applikasjon
Nåværende scenario Generativ AI er fortsatt et relativt ungt felt, men det har allerede hatt betydelig innvirkning på verden. Generativ AI brukes til å skape nye former for kunst og underholdning, utvikle nye medisinske behandlinger og forbedre effektiviteten til bedrifter. Etter hvert som generativ AI utvikler seg, forventes det at dens potensielle samfunnsmessige implikasjoner vil utvide seg betydelig.
For tiden er dette noen spesifikke eksempler som fremhever dagens applikasjoner av generativ AI:
- Kunst og underholdning: Generativ AI brukes til å skape nye kunstformer, som AI-genererte malerier, musikk og litteratur. Generativ AI brukes også til å utvikle nye videospill og andre interaktive opplevelser.
- Medisin: Generativ AI brukes til å utvikle nye medisinske behandlinger, som personlige kreftterapier og AI-drevet legemiddeloppdagelse. Generativ AI brukes også til å utvikle nye medisinske bildeverktøy og forbedre nøyaktigheten av diagnoser og behandlinger.
- Forretning: Generativ AI brukes til å forbedre effektiviteten til bedrifter ved å automatisere oppgaver som kundeservice, markedsføring og salg. Generativ AI brukes også til å utvikle nye produkter og tjenester.
Generativ AI har betydelig transformativt potensial på tvers av ulike aspekter av våre liv. Det er viktig å bruke generativ AI ansvarlig og etisk, men det er også viktig å være begeistret for dens muligheter.
Les mer: «Hva er MarTech?»
Innhold
1. Generativ Kunst og Design
Et av de mest åpenbare bruksområdene for generativ AI er innen kunst og design.
Kunstnere bruker generative modeller til å utforske ny estetikk, mønster og kreative uttrykk.
Disse modellene kan produsere abstrakte malerier, skulpturer, og til og med animerte kunstverk som ikke ville vært mulig uten AI-teknologien.
Generativ AI kan fungere som en inspirasjonskilde for kunstnere og gi dem et nytt verktøysett for å uttrykke sine kreative visjoner.
Et godt eksempel er bildene som er generert til denne artikkelen gjennom Bing sin gratis tilgjengelige generator. Den er bygget på DALL-E teknologi, som også er tilgjengelig for alle.
Mange kreative bruksområder
Effektiv produksjon av bilder og kunst kan også være nyttig for webutviklere, grafikere eller innholds produsenter.
Ved bruk av AI kan man effektivisere utbytte av ressursbruk på for eksempel produksjon av grafikk, tabeller, grafer og andre illustrasjoner.
I tillegg til bedre ressursutnyttelse, opprettholder man også opphavsretten.
Fremgangsmåten for produksjon er dynamisk, man kan også bruke en kombinert tilnærming hvor man til eksempel bruker AI for å perfeksjonere sluttresultatet.
Fun fact: Open AI’s DALL-E var den første mainstream tekst til bilde generatoren.
2. Fotografi og Bilderedigering
Generative AI har også funnet sin vei inn i fotografi og bilderedigering.
Med avanserte generative modeller kan AI-en forbedre bilder, fjerne støy, legge til realistiske filtre, og til og med gjenopprette ødelagte eller utdaterte fotografier.
Dette gir fotografer og bildebehandlere nye muligheter for å forbedre og transformere bilder med enestående kvalitet og realisme.
Adobe Photoshop har allerede adoptert denne teknologien gjennom funksjonaliteter som Generative Fill og Generative Expand.
Dette er to ganske fascinerende løsninger som gir designere et arsenal av muligheter.
Pixlr er et rimeligere alternativ som er enklere å lære og komme i gang med.
Fun fact: Den dyreste tradisjonelle AI kunsten som er registrert solgt, gikk for over 4 millioner norske kroner. (BBC News)
3. Lyd og Musikk
Generativ AI har gjort det mulig å utforske nye lydlandskap og generere original musikk.
AI-drevne verktøy kan komponere melodier, lage lydeffekter og til og med simulere musikalske stiler fra ulike perioder.
Denne teknologien vil gjøre det enklere for markedsførere å blant annet lage lydsett til innhold de produserer.
Meta lanserte i år AudioCraft som gjør det mulig å produsere lyd og musikk basert på tekst-input.
MusicGen, AudioGen og EnCodec som denne teknologien er basert på har åpen kilde, som lar utviklere og forskere utvikle teknologien videre.
4. Spillutvikling
Generativ AI har også funnet anvendelse innen videospillutvikling.
Utviklere bruker generative modeller til å skape realistiske verdener, landskap og karakterer.
AI kan dynamisk generere nivåer og utfordringer for spillere, noe som gir en mer variert og engasjerende spillopplevelse.
Ved å integrere generativ AI i spillutvikling, åpnes nye muligheter for å skape rikere og mer levende spillmiljøer.
Denne artikkelen av gamedevacademy går mer i dybden på AI for spillutvikling.
Fun fact: Spill-markedet vil vokse til over 200 milliarder dollar innen 2024, i følge tall fra Newszoo
5. Dataforbedring og maskinlæring
Data-augmentering eller data forbedring er en viktig teknikk innen maskinlæring som innebærer å kunstig utvide datasett basert på tilgjengelig data, med mål om å forbedre modellens ytelse.
Generativ AI kan hjelpe til med å generere realistiske syntetiske datapunkter som forbedrer variasjonen og kvaliteten på treningsdata.
Dette bidrar til å øke modellens evne til å generalisere bedre på nye, ukjente data.
Dataforbedring er et viktig steg for markedsførere etter hvert som det digitale landskapet blir mer og mer komplisert, hvor digitalt konsum stadig øker og personvern blir viktigere. Dataforbedring spiller en viktig rolle i å predikere kjøpsreiser og forstå forbrukere bedre.
Google og Meta har vært tidlige ute med sine modell-baserte annonseprodukter. For å kunne utnytte dataforbedring best mulig, stiller det krav til at dataen som brukes til grunn er av høy kvalitet. «Shit in, shit out» er i høyeste grad gjeldende.
10-Steg til Dataforbedring:
- Definer mål: Ha klare mål med hva du ønsker å oppnå gjennom dataforbedring.
- Evaluer tilgjengelig data: Evaluer kvaliteten og fullstendigheten av dataen du har tilgjengelig. Identifiser gap, forskjeller og feil som må rettes opp i.
- Identifiser mulige datakilder: Bestem deg for hvilke datakilder som komplimentere hverandre og beriker ditt eksisterende datasett.
- Datainnhenting og integrasjoner: Hent tilgjengelig data fra identifiserte kilder og integrer dataen til din eksisterende data infrastruktur.
- Data rensing og validering: Rense dataen ved å fjerne duplikater, rette opp i feil og eliminere avvik. Valider dataens relevans, integritet og pålitelighet.
- Valg av dataforbedrings teknikk: Bruk forskjellig teknikker for å verdiøke dataen. For eksempel ved å legge til attributter og variabler til eksisterende datapunkter eller bruk av algoritmer til prediktive analyser.
- Data Analyse og tolkning: Analyser dataen som er beriket for å få innsikt og dra ut betydningsfull informasjon.
- Implementering av innsikt: Oversett innsikten fra analysen til anvendelige strategier og initiativer.
- Oppfølging og justeringer: Kontinuerlig oppfølging av initiativer og resultater. Gjør nødvendige endringer.
- Datastyring og sikkerhet: Lag robuste systemer for datastyring og sikkerhet slik at dataen er beskyttet og at man følger regler for personvern. Følg sikkerhets protokoller slik at man ivaretar alle interessenters hensyn og opprettholder god data integritet.
Fun fact: Det genereres 328,77 millioner terabyte data hver dag i følge siste tall fra Statisa
6. Film og Video
Innen film- og videoproduksjon åpner generativ AI for nye muligheter.
Det er mulig å bruke AI til å opprette realistiske spesialeffekter, generere imponerende visuelle scener og til og med forbedre ansiktsanimasjon.
Her er eksempler på AI-verktøy og teknologier som kan brukes innen film- og videoproduksjon:
Scriptgenerering: OpenAI’s GPT-3 kan brukes til å generere manus eller dialoger basert på spesifikke instruksjoner og parametere.
Storyboard-utvikling: Verktøy som Plotagon og ShotPro kan hjelpe med å lage storyboard-illustrasjoner og scenebeskrivelser automatisk.
Automatisert teksting: Google Cloud Speech-to-Text og Amazon Transcribe er AI-tjenester som kan konvertere tale til tekst og generere undertekster for videoinnhold.
Videoanalyse: IBM Watson Video Analyzer kan analysere videoinnhold for objektgjenkjenning, ansiktsgjenkjenning og sceneidentifikasjon.
Ansiktsgjenkjenning: Microsoft Azure Face API og Amazon Rekognition er AI-verktøy som kan brukes til å identifisere ansikter i videoklipp og tagge dem.
Lyddesign: AI-algoritmer som DeepMind’s WaveNet kan generere realistiske lydeffekter og musikk basert på visuelle beskrivelser eller tekst.
Automatisert klipping: Adobe Premiere Pro har innebygd AI-funksjonalitet for automatisk klipping og overgangseffekter.
Visuelle effekter: NVIDIA’s generative adversarial networks (GANs) kan brukes til å generere realistiske visuelle effekter og spesialeffekter.
Personlig tilpasning: AI-plattformer som Zefr (spesielt relevant for annonsering) og IRIS.TV kan brukes til å levere personlig tilpasset videoinnhold basert på seernes preferanser og atferd.
Automatisert generering av høydepunkter: Verktøy som WSC Sports bruker AI til å identifisere og generere høydepunkter fra sportsvideoer.
Disse eksemplene viser hvordan generativ AI kan brukes til å automatisere visse aspekter av film- og videoproduksjon, fra idéutvikling og skriving til redigering og distribusjon.
Ved å integrere generativ AI i arbeidsflyten kan produksjonsteam frigjøre tid og ressurser for mer kreativt arbeid og strategisk planlegging.
Fordypning: The Frost er en 12 minutter lang AI generert video.
7. Virtuell og Utvidet Virkelighet
Generativ AI kan være en verdifull ressurs i utviklingen av virtuell virkelighet (VR) og utvidet virkelighet (AR) ved å bidra til å generere innhold, forbedre brukeropplevelsen og tilpasse opplevelsen til individuelle brukere. Her er noen måter du kan bruke generativ AI i VR og AR:
Generering av 3D-modeller og teksturer: NVIDIA’s GauGAN bruker generativ AI for å konvertere skisser til realistiske 3D-landskap.
Ansiktsgjenkjenning og Emosjonsdeteksjon: AR-apper som Snapchat bruker ansiktsgjenkjenning og AI for å legge til filtre og effekter på ansikter i sanntid.
Naturlig talegjenkjenning og -synthese: Generativ AI som Google’s WaveNet brukes til å generere realistisk tale for virtuelle karakterer i VR-spill.
Generering av AR-objekter og animasjoner: ARKit fra Apple bruker AR-teknologi for å plassere virtuelle objekter i den virkelige verden. Generativ AI kan brukes til å lage og animere slike objekter.
Personlig tilpasning av AR-innhold: AR-briller som Magic Leap bruker AI for å tilpasse AR-opplevelsen basert på brukerens preferanser og interesser.
Innholdsgenerering for VR-opplevelser: Generativ AI kan hjelpe med å generere VR-spillnivåer, historier og dialoger basert på spillernes handlinger og preferanser. Se gjerne eksempler fra Unity.
Generativ AI i medisinsk AR/VR: Generativ AI kan brukes til å generere realistiske medisinske modeller og simuleringer for opplæring og kirurgisk planlegging.
Sentralisert AR-innholdskuratering: AR-briller som Vuzix bruker AI til å kuratere og levere relevant AR-innhold basert på brukerens posisjon og interesser.
For å utforske ytterligere hvordan generativ AI kan brukes i VR og AR, kan du også utforske forskning og artikler fra AI-selskaper som NVIDIA, Google, og DeepMind, samt AR/VR-utviklerressurser fra selskaper som Apple og Unity. Det er et raskt utviklende felt med mange spennende muligheter for innovasjon.
Fun fact: Det første VR headsettet ble tegnet på 1960 tallet og ble kalt «Telesphere Mask» av Morton Heiling. (Techradar)
8. Personlig Assistent
For å bruke Generativ AI (for eksempel Chat GPT) som din personlige assistent i hverdagen på best mulig måte, kan du følge disse trinnene:
Definer dine mål og behov: Identifiser nøyaktig hva du trenger hjelp med. Er det oppgaver som krever informasjonssøk, tekstgenerering, oversettelser, råd eller noe annet? Jo klarere du er med dine mål og behov, jo mer effektivt kan AI hjelpe deg.
Still spørsmål: Du kan stille spørsmål om et bredt spekter av emner. Enten det er faktaopplysninger, råd, ideer eller veiledning, er AI til for å hjelpe. Vær så spesifikk som mulig i spørsmålene dine.
Søk etter informasjon: AI kan gi deg informasjon om en rekke emner, inkludert vitenskap, teknologi, historie, kultur og mye mer. Hvis du trenger å utforske et bestemt emne, kan du be om en oversikt eller spørre om spesifikke detaljer.
Skriving og tekstgenerering: Trenger du hjelp med å skrive eller generere tekst? AI kan lage artikler, rapporter, brev, e-poster, produktbeskrivelser og mer. Bare husk å gi AI’en klare retningslinjer og preferanser.
Kreativt arbeid: AI kan hjelpe deg med kreative oppgaver som å generere idéer, skape dikt, lage historier, eller til og med gi råd om kunst og design.
Oversettelser: Hvis du trenger å oversette tekst mellom språk, kan AI hjelpe deg med det. Gi din AI den opprinnelige teksten og målspråket du vil oversette til.
Problem løsning: Trenger du hjelp med å løse et problem, enten det er teknisk, matematisk eller en annen type utfordring? Beskriv problemet så klart som mulig til en AI og gitt at du har tilgang til riktig AI vil den prøve å gi deg løsningsforslag.
Planlegging og organisering: AI kan hjelpe deg med å lage timeplaner, oppgavelister og gi råd om effektiv planlegging og tidsstyring.
Husk personvern: Vær forsiktig med å dele personlig eller sensitiv informasjon. AI er programmert til å beskytte personvernet ditt, men det er alltid lurt å være varsom med hva du deler online.
Eksperimenter og lær: Prøv forskjellige måter å bruke AI på for å finne ut hva som fungerer best for dine behov. AI er her for å hjelpe deg med å effektivisere og forbedre din daglige rutine.
Husk at Generativ AI er her for å hjelpe, men teknologien er også avhengig av instruksjonene og spørsmålene du gir. Jo klarere og mer spesifikk du er, dess bedre kan AI assistere deg i hverdagen.
Fun fact: Ifølge IBM bruker 35% av globale selskaper AI.
9. Tekstgenerering og Språkbehandling
Som du sikker har fått med deg. Så har Generativ AI har også gjort store fremskritt innen tekstgenerering og naturlig språkbehandling.
Tekstmodeller som GPT og Bard kan produsere realistiske og sammenhengende tekster, inkludert artikler, historier og dialoger.
Spesielt modeller som GPT (Generative Pre-trained Transformer), har tatt tekstgenerering til et nytt nivå. Disse modellene er i stand til å generere logiske og sammenhengende tekst som ligner på menneskelig skriving. De har funnet anvendelse i alt fra automatisert nyhetsrapportering til skapelse av reklametekster og produktbeskrivelser.
Serviceytende AI
I direktesendte hendelser og videokonferanser kan generativ AI bidra til å generere sanntidsoversettelser og teksting, noe som gjør innholdet tilgjengelig for et bredere publikum.
Generativ AI har potensiale til å gjøre tekstbasert informasjon mer tilgjengelig for personer med ulike funksjonshemninger. For eksempel kan AI generere alternative tekstbeskrivelser for bilder og gi teksting for hørselshemmede.
Oversettelse
AI-verktøy som Google Translate bruker generativ AI for å oversette tekst mellom språk med økende nøyaktighet. Dette letter kommunikasjonen på tvers av språkbarrierer og støtter internasjonale forretningsmuligheter.
Kundeservice
Kundeservicen forbedres betydelig med generativ AI. Chatbots kan levere raske og nøyaktige svar på kundespørsmål, og de forbedrer brukeropplevelsen ved å tilby umiddelbar assistanse.
Skapende AI
For forfattere, redaktører og skapere gir generativ AI muligheten til å utforske nye ideer og samarbeide med kunstige intelligenssystemer for å generere inspirasjon og skriveprosjekter.
Kunstnere og forfattere eksperimenterer med generativ AI for å utfordre grensene for kreativitet og utforsker nye måter å uttrykke kunst og litteratur på.
Oppsummering
Generativ AI har definitivt transformert tekstgenerering og språkbehandling. Det har effektivisert prosesser, forbedret kommunikasjon og utvidet mulighetene innen en rekke felt. Samtidig har det også reist spørsmål om etikk, opphavsrett og kvalitetskontroll som krever nøye overveielse når teknologien blir mer utbredt. Generativ AI er en kraftig verktøykasse, og dens fremtidige betydning for tekst og språk vil fortsette å utvikle seg i takt med teknologiske fremskritt og bruksområder.
Fun fact: 65% av de som bruker generativ AI er millenials, født mellom 1981 og 1996 (Salesforce).
Kilder
- Google – «Introduction to Generative AI»
- NBC News – «Here’s DALL-E»
- Meta – «AudioCraft»
- BBC News – «Portrait by AI program sells for $432,000»
- Newszoo – «Game market will hit 200b in 2024»
- IBM – «Ai Adoption»
- Statista – «worldwide data created»
- Techradar – «Forgotten Genius»
- SalesForce – «Generativ AI Satistics»
