Nick Polson – författare

När en teknologi blir tillräckligt avancerad går den inte att skilja från magi, konstaterade en gång författaren Arthur C Clarke i ”Clarkes tredje lag”. Och när det gäller AI – artificiell intelligens – kan det onekligen vara lätt att börja tänka på magi. Svart magi inte minst, som när det gäller den straffrättsliga algoritmen COMPAS, som på egen hand utvecklade rasfördomar, eller de apokalyptiska farhågorna om att maskinerna kommer att ta över kontrollen och göra människor överflödiga. AIQ. Hur artificiell intelligens fungerar rymmer emellertid inga apokalyptiska visioner och tillskriver heller inte algoritmerna någon magisk förmåga. Datavetarna Nick Polson och James Scott vill begripliggöra och avmystifiera AI och berätta en delvis annorlunda historia än den vanliga – och inte minst sätta in AI i ett historiskt sammanhang. Boken handlar förstås om teknologi, men i lika hög grad om idéer och om människorna och problemen bakom idéerna. Även om AI innebär något nytt i mänsklighetens historia, bygger den på framsteg inom matematik och statistik under tidigare epoker. AIQ rymmer många överraskande exempel på sådana framsteg. Författarna reder ut snåriga samband och har ett tydligt pedagogiskt mål: att läsaren ska förstå vad AI är, hur det uppstått, hur det fungerar och vad det betyder för oss idag. En sådan grundläggande kunskap om AI har alla glädje av. Nick Polson är professor i ekonometri och statistik vid Chicago Booth School of Business och forskar om djupinlärning och maskinintelligens.James Scott är biträdande professor i statistik vid University of Texas i Austin och har som statistiker och datavetare verkat som konsult åt företag inom en mängd branscher.

From Alan Turing breaking the Enigma code to ChatGPT reshaping how we work and create, artificial intelligence has always been powered by a single unifying principle: learning from data under uncertainty. This book reveals the mathematical machinery behind modern AI, weaving together Bayesian probability, statistical learning, and deep neural networks into a coherent intellectual framework. Whether you seek to understand why large language models hallucinate, how recommendation systems predict your preferences, or what makes reinforcement learning agents master complex games, this book equips you with both the theoretical foundations and practical intuitions that define the modern AI playbook.Key Features:Builds Bayesian reasoning from first principles through historical examples like submarine search and WWII code-breakingBridges classical statistics and deep learning, connecting linear regression to transformersCovers the complete AI stack: probability, decision theory, Gaussian processes, neural networks, CNNs, NLP, and LLMsEmphasizes uncertainty quantification—building systems that know what they don't knowPractical applications across finance, healthcare, operations, and autonomous systemsEmerging topics: AI agents, RLHF, and retrieval-augmented generationWritten for graduate students, data scientists, and quantitatively-minded practitioners, this book assumes comfort with calculus and basic probability while building sophisticated intuitions progressively. Business analysts will appreciate the decision-theoretic framing; engineers will value the architectural insights; researchers will find rigorous foundations for further study. Whether used as a course textbook, professional reference, or intellectual companion for understanding the AI revolution transforming every industry, this book delivers the rare combination of mathematical depth and accessible exposition that makes complex ideas genuinely understandable.