Den norskutviklede Tsetlin-maskinen tilbyr en energieffektiv og forklarbar tilnærming til kunstig intelligens, og utfordrer dermed de etablerte AI-gigantene.
Tradisjonelle nevrale nettverk krever betydelig regnekraft og energi, noe som har ført til økt fokus på mer bærekraftige løsninger innen kunstig intelligens. Tsetlin-maskinen, utviklet av professor Ole-Christoffer Granmo ved Universitetet i Agder, benytter proposisjonslogikk for å lære mønstre fra data. Denne tilnærmingen gjør det mulig å implementere maskinen på enklere maskinvare, noe som resulterer i lavere energiforbruk sammenlignet med konvensjonelle metoder.
En av de fremtredende fordelene med Tsetlin-maskinen er dens evne til å gi forklarbare beslutninger. I motsetning til mange dype nevrale nettverk, som ofte fungerer som "svarte bokser", kan Tsetlin-maskinen tydelig vise hvilke logiske regler som ligger til grunn for dens beslutninger. Dette er spesielt viktig i sektorer som helsevesen og rettssystemet, hvor forståelse av beslutningsprosessen er avgjørende.
Forskere har også utviklet en maskinvareakselerator for Tsetlin-maskinen, som demonstrerer høy ytelse med lavt energiforbruk. Denne akseleratoren er i stand til å klassifisere over 60 000 bilder per sekund, med et energiforbruk på kun 8,6 nJ per bilde. Dette viser potensialet for å anvende Tsetlin-maskinen i sanntidsapplikasjoner hvor både hastighet og energieffektivitet er kritiske faktorer.
Til tross for utfordringer med å konkurrere mot store teknologiselskaper, representerer Tsetlin-maskinen et betydelig norsk bidrag til AI-feltet. Dens unike tilnærming til maskinlæring, kombinert med energieffektivitet og forklarbarhet, gjør den til en lovende kandidat for fremtidige AI-applikasjoner.