Artificiell Intelligens (AI) är ett samlingsbegrepp inom vetenskap och teknikutveckling där man försöker göra maskiner lika intelligenta som människor. Området har de senaste åren blivit mycket hett och stora möjligheter förutspås inom framtida produkter med AI-tillämpningar. Det är intressant att fundera på vad AI-applikationer kan leda till för EMC-utmaningar.
AI bygger i grunden på att algoritmer tränas och lärs upp på stora datamängder och att man sedan förutsätter att data som sedan uppstår i den aktuella tillämpningen kan hanteras med hjälp av den genomförda inlärningen. Ett delområde inom AI är maskininlärning (ML) där algoritmer mer eller mindre prövar sig fram genom trial-and-error för att lära sig hantera en viss tillämpning. Här har man visat mycket kraftfulla algoritmer för att exempelvis spela GO, känna igen objekt i bilder eller känna igen mänskliga röster.
En svårighet med detta är att man oftast inte vet varför en algoritm fungerar eller inte och man har inte några tydliga kriterier på varför en algoritm ska väljas framför en annan. Det har också uppstått svårigheter att reproducera vissa resultat, vilket lett till en diskussion om forskningsmetodiken inom området [1]. AI-experten Ali Rahimi på Google har gått så långt att han jämför AI med alkemi [2], då han menar att den trial-and-error-metodik som ML bygger på är mycket lik den som använts inom alkemi. Detta då nya resultat kom fram inom alkemi genom att man prövade sig fram utan att ha en grundläggande förståelse för de inblandade delarnas struktur och egenskaper.
Oavsett vad man tycker om denna tillspetsade liknelse så illustrerar den en grundläggande utmaning som är intressant att fundera på för EMC-egenskaper hos applikationer som bygger på AI. Ur EMC-synpunkt följer en utmaning relaterad till att ML-algoritmer bygger på att man tränar dessa för en tillämpning som förutsätts representeras av mängden träningsdata som använts. Om det sedan uppstår oväntade EMC-problem som leder till att data in till algoritmer blandas med okontrollerade störningssignaler så är det inte otänkbart att tillämpningen kan påverkas i okontrollerad riktning. Utvecklingen av AI-tillämpningar är således ytterligare en trend som betonar vikten av gediget EMC-arbete i de system som sedan nyttjar dessa tillämpningar. Detta gäller särskilt tillämpningar med höga krav på säkerhet, som exempelvis förarlösa fordon.
Peter Stenumgaard EMC-redaktör, Electronic Environment
[1] Matthew Hudson, “Artificial intelligence faces reproducibility crisis”, Science, 16 Feb 2018, Vol. 359, Issue 6377, pp. 725-726.
[2] Rafi Letzter, “Google AI Expert: Machine Learning Is No Better Than Alchemy”, LiveScience, May 7, 2018.