Slik jobber Nasjonalbiblioteket med å utvikle norske språkmodeller

– KI kommer til å gjennomsyre alle samfunnsområder. I fremtiden kan vi ikke bruke en bank, søke på nett, melde oss inn i et idrettslag eller snakke med forvaltningen uten å være innom kunstig intelligens på en eller annen måte, sier Aslak Sira Myhre, direktør for Nasjonalbiblioteket (Foto: Gorm K. Gaare / Nasjonalbiblioteket)

Norge kan ikke bare være brukere av Copilot og ChatGPT. Vi må også delta i teknologiutviklingen, mener Norges nasjonalbibliotekar.

Når Aslak Sira Myhre forteller Sillicon Valleys elitegründere om hvordan regjeringen støtter utviklingen av norske språkmodeller, skulle man tro de ville avfeid satsingen som et merkelig sosialistisk prosjekt.

– Jeg sitter i rådet for biblioteket ved Stanford University sammen med folk som har tjent seg søkkrike på IT. Når jeg forteller om norske språkmodeller, sier de: «Det er fantastisk. Dette skulle alle land gjort.»

Veien fra universitetet hvor Larry Page gründet Google til det norske Nasjonalbiblioteket, er altså overraskende kort.

Men når nasjonalbibliotekar Sira Myhre ikke diskuterer med tech-gründere i USA eller håndhilser på paven, er han mest opptatt av å snakke om det norske språket.

– Vi har fått i oppgave å levere språkmodeller som skal ivareta norsk språk og norsk kunnskap til bruk i både forvaltning og næringslivet, sier han.

Trent 17 modeller

I statsbudsjettet har regjeringen satt av 20 millioner kroner til Nasjonalbibliotekets arbeid med å trene, oppdatere og tilgjengeliggjøre norske språkmodeller.

Dette er ikke et nytt arbeid, men noe biblioteket har jobbet med omtrent siden ChatGPT ble lansert.

– Vi har jobbet både med kunstig intelligens og språk i over ti år. Så kom KI-revolusjonen for omtrent to år siden, og maskinene fikk en ny rolle, sier Myhre.

Gjennom prosjektet Mímir har Nasjonalbiblioteket, UiO og NTNU trent opp 17 ulike generative språkmodeller.

Norge ligger i forkant

Blant disse er NB Whisper, en tale-til-tekst-modell som er bedre enn OpenAIs grunnmodell til å oversette og transkribere norsk språk.

Grunnen til at språkmodeller fra Nasjonalbiblioteket presterer så godt, er at den er trent på innhold i Nasjonalbibliotekets digitale samling. Den inneholder nesten alt publisert materiale på norsk gjennom historien.

– Dette med å utvikle egne språkmodeller er ikke et norsk påfunn. Land som Italia, Tyskland, Frankrike og Belgia diskuterer det samme. Fordelen vår er at vi har digitalisert tilnærmet all tekst, mens de fleste andre land jobber med å skaffe treningsdata. Det har gitt oss muligheten til å faktisk sette modellen i produksjon, sier han.

NRK og Universitetet i Oslo har laget egne tjenester basert på NB Whisper. Politiet har uttalt at teknologien representerer et «enormt effektiviseringspotensial» når det kommer til transkribering av avhør.

Spår problemspesifikke modeller

Myhre spår at NB Whisper kommer til å bli et verktøy i en verktøykasse av mange små modeller, som lages for å løse hver sine problemspesifikke oppgaver.

Dette er i motsetning til GPT-4, som er én stor generell modell, designet for å løse alle slags forskjellige oppgaver. Han forklarer at det er to store fordeler med å gjøre det på denne måten.

– Det første handler om at du kan renske ut masse drit, slik at det ikke ligger en masse internettsøppel eller kinesisk propaganda i treningsdataene.

Det andre handler om at små og spesifikke modeller krever mindre datakraft, kan kjøres på mindre maskiner – og enklere kan settes i produksjon uten at man må bygge ut enorme infrastrukturer og energikrevende datasentre.

Nasjonalbiblioteket jobber ikke bare med bøker og teknologi. Nylig møtte Sira Myhre paven i forbindelse med at Nasjonalbiblioteket og Vatikanet skal samarbeide om et stort digitaliserings- og arkiveringsprosjekt (© Vatican Media)

Lager byggesteiner

Nasjonalbibliotekets språkmodeller skiller seg fra kjente tjenester som ChatGPT, Gemini og Claude. Dette er ikke chat-baserte verktøy du kan kommunisere med, men snarere heller en teknologi som andre står fritt til å utvikle egne produkter og tjenester fra.

De vil bli bygget ut fra kjent teknologi, som GPT, Mistral og Llama fra Meta, og deretter trent, modellert og fintunet på unike datasett og parametere.

– Vi lager byggesteiner. Håpet vårt er at Microsoft, Schibsted, NRK eller andre gründere vil bruke modellene, nettopp fordi de leverer noe andre modeller ikke kan. Og at modellene vil gi de som allerede jobber med språk i Norge, forlag, aviser og forfattere, bedre redskaper enn det markedet gir dem i dag. Både som hjelpemidler og til egen forretningsutvikling, sier han.

– Når vi lager byggesteiner er det markedet som avgjør hva som fungerer, og ikke staten som skal bestemme at vi skal bruke den språkmodellen.

Vil du lære mer om språkmodeller?

Digital Norway er en del av Nemonoor – en nasjonal hub for kunstig intelligens som skal sikre at virksomhetene som deltar får tilgang til kunnskapen, testsentrene og nettverket de trenger for å lykkes med å ta i bruk KI.

Flere av partnerne i Nemonoor tilbyr tjenester og kurs innen språkmodeller. Her er to anbefalinger:

Sentrale begreper og tema i dette emnet:

NORA: Introduksjon til norske språkmodeller
IFE: Utnytt kraften i språkmodeller

Viktig med forretningsutvikling

Myhre forklarer at mye av dette også handler om forretningsutvikling og om å legge til rette for norsk næring og innovasjon.

– Vi har muligheten til å stå på egne bein og være i en langt sterkere posisjon enn mange andre land. Det handler om mer enn bare språkmodeller. Det gjelder også teknologisk infrastruktur, som egen datakraft.

Han viser til arbeidet med Sigma2 som jobber med tungregning og supercomputere, og at regjeringen har bevilget 20 millioner kroner til tungregningskapasitet for trening av språkmodeller.

– Norge kan ikke bare være brukere av Copilot og ChatGPT. Vi er også nødt til å være kreative, skapbare og delta i teknologiutviklingen, legger han til.

– Må kjenne til den norske erfaringen

Men hvorfor er det egentlig så viktig med norske språkmodeller? Alle som har prøvd ChatGPT, Copilot eller Gemini merker at de er ganske gode i norsk.

Problemet er at ganske gode ikke holder når det kommer til nynorsk, samisk, dialekter eller andre nyanser i språket.

– KI kommer til å gjennomsyre alle samfunnsområder. I fremtiden kan vi ikke bruke en bank, søke på nett, melde oss inn i et idrettslag eller snakke med forvaltningen uten å være innom kunstig intelligens på en eller annen måte, sier Myhre.

– Om vi ikke lager gode modeller, er det til slutt KI som bestemmer fremtidens rettskriving. Vi vil lage redskaper som gjør at det fortsatt er Språkrådet og måten folk i Norge skriver på som avgjør hvordan vi skriver, ikke en algoritme fra Open AI.

Da er det avgjørende at treningsdataene gjenspeiler det norske språket – og norsk historie – på en god måte.

– Modellene bør kjenne til norsk litteratur, trepartssamarbeidet og kvinnebevegelsen på 60-70-tallet. Ting som er helt særegne for den norske erfaringen.

– Det er viktig at dette, og ikke bare amerikanske samfunnsforhold, ligger til grunn når kunstig intelligens skal brukes i saksbehandlinger, skole, kredittvurderinger og andre viktige beslutninger.

Det er nemlig også et viktig poeng: Små, gjennomdokumenterte modeller har ikke den samme «black box»-problematikken som store språkmodeller.

Det er lettere å forstå hvordan de kommer fram til et svar. Derfor kan de være enklere å ta i bruk i miljøer med strenge krav til samsvar, nøyaktighet og nøytralitet.

Forberedt på utfordringer

Allerede har Nasjonalbiblioteket bevist at små, norske språkmodeller kan konkurrere mot de store og generelle kommersielle modellene på flere områder.

De har bygget opp kompetanse på treningsdata og utvikling – særlig gjennom et godt samarbeid med norske forskningsmiljøer.

Om statsbudsjettet vedtas, er planen å utvide verktøykassen av språkmodeller med flere generative modeller. Det viktigste er at de skal lage ting folk faktisk tar i bruk.

– Vi kommer sikkert til å se en rekke problemer og set backs. Noen modeller kommer sikkert til å gjøre feil, mens andre kommer ikke til å virke slik vi ønsker. Det må vi ta høyde for, akkurat som i et marked.

– For å lykkes må vi i hvert fall være kreative og tørre å feile.

Slik har NCE Heidner Biocluster og Nemonoor satt fart på kunstig intelligens i matindustrien

Fra venstre: Frank Larsen, administrerende direktør i Klosser Innovasjon, Anja Løkken Stokke, leder digitalisering i NCE Heidner Biocluster, digitaliserings- og forvaltningsminister Karianne Oldernes Tung, Gurill Narum Mediaa, daglig leder i NCE Heidner Biocluster og Eirik Andreassen, prosjektleder i Nemonoor. (Foto: Thomas Selvaag Moss).

Et seks måneders program har satt i gang mønstergjenkjenning av grisens kromosom, ruteoptimalisering av avfallsinnhenting og mer. – Et stjerneeksempel, sier digitaliseringsministeren.

Kunstig intelligens (KI) treffer ikke bare de som jobber på kontor og foran datamaskiner. I 2024 har teknologien nådd ut i åkre og i grisebinger. Her kan KI spille en rolle i å sørge for matsikkerhet, minske matsvinn og finne bærekraftige og effektive løsninger for landbruk og matproduksjon.

– Norge skal ikke jakte på kunstig intelligens for teknologiens skyld. Vi skal bruke det til å løse utfordringer. Og hva er vel mer matnyttig enn dette?

Det sa digitaliserings- og forvaltningsminister Karianne Tung da hun innledet The AgriFoodTech AI Initiative sitt avslutningsarrangement på Hamar.

Programmet har vært en satsing for å styrke KI-kompetansen til norske virksomheter innen landbruks- og matteknologi.

Det er utviklet i samarbeid mellom NCE Heidner Biocluster og Digital Norway, og levert av ÅKP, SINTEF og Digital Norway, tre av partnerne i Nemonoor, Norges nasjonale senter for kunstig intelligens.

Prosjektet er delfinansiert av EU og Innovasjon Norge.

– Jeg synes dagens arrangement og program er et stjerneeksempel på hvordan det skal jobbes med den faglige tilnærmingen til ny kompetanse, la Tung til.

KI-løsninger for mat og landbruk

Deltakerne i programmet inkluderer selskaper som Norsvin, Geno, Mimiro, Felleskjøpet, Norsk Institutt for Bioøkonomi, Biobank og avfallsselskapet Sirkula.

På avslutningsarrangementet delte deltakerne sine erfaringer og viste hvordan kunstig intelligens kan forbedre virksomhetenes prosesser.

Her handlet det ikke om tomme løfter og buzzord, men om konkrete løsninger.

For eksempel presenterte Biobank hvordan de tenker maskinlæring på sikt kan gjenkjenne mønstre i grisens kromosom, og slik automatisk detektere sjelden sykdom. Sirkula viste frem hvordan ruteoptimalisering kan gjøre innhenting av avfall mer effektivt.

Alle bedriftene som deltok fikk tilbud om 50 timer med veiledning av Sintef. Timene ble brukt til å identifisere bruksområder og utvikle løsninger, skreddersydd for hver enkelt bedrift.

Akkurat dette er viktig for å lykkes med digital innovasjon, sier Eirik Andreassen, leder av Nemonoor.

– Her i Norge er vi veldig glade i piloter. Men vi må også øve oss på å implementere erfaringer fra prøveprosjektene og våge å faktisk endre måten vi jobber på. Det er dette programmet et godt eksempel på, sier han.

Bedriftene viste også frem resultatene fra en digital modenhetsanalyse, utviklet av Ålesund Kunnskapspark, som er blant partnerne i Nemonoor.

– En slik kartlegging gir en god oversikt over hvilke muligheter bedriftene har, sier Andreassen.

Et landslag for digital omstilling

Nemonoor består av partnere fra akademia, forskning, nettverk og testsentre, hvor målet er å få fart på bruken av kunstig intelligens over hele landet.

Senteret er delvis finansiert gjennom Norges medlemskap i EUs DIGITAL-program, og er én av to norske EDIH-er (European Digital Innovation Hubs).

– Dersom Norge skal styrke sin konkurransekraft i årene framover, må norsk næringsliv bli mye bedre til å utnytte mulighetene i digital teknologi. Vi vet at norske bedrifter har gode forutsetninger for digitalisering, men det er store forskjeller i erfaring og kunnskapsnivå, sier Ingrid Wik, Nasjonalt kontaktpunkt for Digital Europa programmet i Innovasjon Norge.

– Her fyller EDIH-ene et stort kundebehov. Jeg er imponert over det landslaget som nå er samlet for å hjelpe bedriftene med grønn og digital omstilling og innovasjon, legger hun til.

Problemløsing er viktigst

For å kunne bruke teknologi og digitalisering best mulig, bør utgangspunktet være et problem som skal løses. Dette er kjernen i SINTEFs bidrag inn i EU-prosjektet Nemonoor, som består av partnere fra akademia, forskning, nettverk og testsentre. Målet er å få fart på bruken av kunstig intelligens over hele landet.

– Nemonoor passer godt til SINTEF, fordi vi jobber inn i teknologien fra ulike innfallsvinkler. Ved å gå i dialog med små- og mellomstore bedrifter kan vi få innsikt i deres utfordringer, og samtidig bidra med å finne riktig type bruk av kunstig intelligens for dem, sier Trond Runar Hagen, konserndirektør i SINTEF Digital.

SINTEF Digital er et deep tech institutt, som jobber med hele verdikjeden fra forskning på, og produksjon av, mikrobrikker og sensorer til algoritmer og software-utvikling. Denne faglige bredden gjør at SINTEF kan levere både på bruk og utvikling av kunstig intelligens, som kan skreddersys for bedrifter.

– Noen bedrifter er klare for å gjøre store endringer ved hjelp av kunstig intelligens, mens andre trenger mer tid. SINTEF kan hjelpe både de bedriftene som ikke er helt klare, og de som selv vet hvordan de ønsker å ta i bruk algoritmer og modeller. Vi synes det er spennende å bidra inn i et kunnskapsmiljø, som kan dra nytte av vår tverrfaglighet, sier Hagen.

«Premiere» for Nemonoor

Andreassen forteller at The AgriFoodTech AI Initiative på mange måter er en «premiere» på en større og samlet leveranse fra Nemonoor.

– Jeg er imponert over alt matindustrien har presentert i dag. Dette er kroneksempler på hvordan KI kan brukes for å optimalisere prosesser, produsere mer effektivt og automatisere manuelle oppgaver. Fremgangsmåten kan dessuten skaleres og overføres til andre bransjer og sektorer.

– Nå er vi i gang med å sette norske virksomheter i stand til å ta i bruk KI. Vi gleder oss til hva fortsettelsen har i vente, sier han.

*Eirik Andreassen er leder for teknologi og nettverk i Digital Norway. Han leder også Nemonoor, Norges nasjonale senter for kunstig intelligens. (Foto: Digital Norway)*

Problem og løsning i samme rom

Han mener nettopp slike målrettede samarbeid er måten digital innovasjon bør gjennomføres for å kunne møte fremtidens utfordringer.

– Bransjen går sammen for å heve kompetansen og identifisere konkrete bruksområder for bruk av KI. Det legger til rette for god erfaringsutveksling hvor ulike aktører spiller hverandre gode, sier Andreassen.

Han peker også på gevinstene som oppstår når fageksperter innen landbruk og matproduksjon knyttes sammen med Sintefs teknologieksperter.

– Vi får problem og løsning i samme rom. Vi får kartlagt hvilke data bedriftene sitter på, hvor digitalt modne virksomhetene er – og hva som skal til for å ta de neste stegene.

– Heldige som har Nemonoor

Digitaliseringsministeren trekker frem Nemonoor som en viktig aktør for norsk omstillingsevne.

– Kunstig intelligens er blant de kraftigste verktøyene vi har i verktøykassen vår når vi skal løse store samfunnsutfordringer, sier Tung.

– Vi er heldige som har Nemonoor som et av våre digitale innovasjonsnav, som hjelper å øke kompetansen på og anvendelsen av kunstig intelligens i norsk næringsliv.

Mangel på kunnskap er blant de største barrierene når det kommer til å ta kunstig intelligens i bruk, mener hun.

– Det å bruke tid på å dele erfaringer og bygge nettverk er en av hovedingrediensene for å lykkes, sier ministeren.

Stort potensial

Anja Løkken Stokke, leder for digitalisering i NCE Heidner Biocluster, forteller om gode tilbakemeldinger fra bedriftene. Hun tror at AgriFoodTech AI Initiative bare er starten på et lengre samarbeid med Nemonoor.

– Selv om dette var et avslutningsarrangement for programmet, så representerer det snarere en begynnelse enn en slutt. Nå skal virksomhetene bygge videre på løsningene, og vi har allerede snakket med Nemonoor om hvordan vi kan ta samarbeidet videre til neste år, sier hun.

Anne Cathrine Morseth i Innovasjon Norge sier at programmet også har vært viktig for andre klynger og næringsaktører i regionen.

– Dette har vært et veldig godt prosjekt der bedriftene kommer i gang med å se hva KI kan bety for dem. Programmet bidro med kunnskap på en nyttig og artig måte.

– Vårt håp er at også andre bedrifter og bransjer kan dra nytte av denne måten å jobbe på, for potensialet er stort.

Slik kan din bedrift ta i bruk kunstig intelligens

*Illustrasjonsfoto: Avfallsselskapet Sirkula har fått veiledning fra SINTEF med et mål om å optimalisere sine kjøreruter. (Foto: K. Bogsti, Sirkula)*

Kunstig intelligens kan være alt fra språkmodeller og bildeanalyse til automatisering av industrielle prosesser. SINTEFs forskere hjelper bedrifter med å skreddersy bruk av KI gjennom EU-prosjektet Nemonoor.

Av Mari Aftret Mørtvedt (SINTEF)

Et sted hvor dette har kommet godt i gang er «The AgriFoodTech AI Initiative» på Hamar, et halvtårs program for å styrke KI-kompetansen til norske virksomheter innen landbruks- og matteknologi, ledet av NCE Heidner Biocluster.

«Et stjerneeksempel» på tilnærming til ny teknologi

Gjennom programmet har alle virksomhetene fått tilbud om 50 timer veiledning fra SINTEFs forskere, for å identifisere hvordan de best kan ta i bruk kunstig intelligens i sine bedrifter.

– Norge skal ikke jakte på kunstig intelligens for teknologiens skyld. Vi skal bruke

teknologien til noe matnyttig, sa Karianne Tung, digitaliserings- og forvaltningsminister,

da hun besøkte programmets avslutningsseminar. Nemonoors oppgave handler om å bygge sterke nettverk og økosystem, for å sikre at v får nok og god kompetanse i møte med veggen av teknologi som skyller over oss. Arbeidet som er gjort her er et stjerneeksempel, sa Tung.

Deltakerne i programmet inkluderer selskaper som Norsvin, Geno, HIAS, Mimiro, Felleskjøpet, Biobank og avfallsselskapet Sirkula. Under seminaret delte de sine tanker rundt hvordan bruk av ny teknologi kan forbedre virksomheten.

– Det er veldig gøy å se bransjen ta imot ny teknologi og nye verktøy. Landbruket har opp gjennom historien fått nye verktøy som har gitt store omveltninger, hvor de har vist stor vilje til omstilling.

Introduksjonen av AI som verktøy og beslutningsstøtte kan løfte norsk landbruk til et presisjonslandbruk, eller utløse en betydelig kapasitetsøkning for andre næringer, sier Jonas Aamodt Moræus, forskningssjef for matematikk og kybernetikk i SINTEF Digital.

– Presentasjonene viser at bedriftene ønsker hjelp til alt fra holdningsendringer rundt kunstig intelligens til implementering av algoritmer og modeller. Det passer perfekt for SINTEF, som jobber inn i teknologien fra ulike innfallsvinkler, fortsetter Jonas Aamodt Moræus.

Her er fem eksempler på ulike bedrifters behov og SINTEFs forslag til løsninger:

1

I Sirkulas system kan de se hvor sjåførene er i sanntid, vist på dette kartet. (Skjermdump: Sirkula)

Sirkulas utfordring: Sirkula IKS eies av de fire kommunene Ringsaker, Hamar, Løten og Stange. Deres oppdrag er å ta hånd om avfallet til 44.700 husstander i disse kommunene. Alle deres kjøretøy registreres i sanntid i et kart, slik at man til enhver tid kan se hvor sjåførene kjører. De ønsket å få hjelp fra SINTEF til å vurdere om kunstig intelligens kan benyttes for å optimalisere kjørerutene, med et mål om å kunne spare tid og kostnader for bedriften.

SINTEFs løsning: Sammen med Sirkula har vi identifisert en klar mulighet til å forbedre organiseringen av de ansatte som har ansvar for avfallshenting. Dette gjøres ved hjelp av GOFAI, «Good old fashioned AI», som handler om å bruke resonnement innen KI til å gi beslutningsstøtte. Sirkula har gode data tilgjengelig, som vi bruker i våre modeller for å foreslå nye og kortere kjøreruter. Dersom dette implementeres, kan det gi Sirkula forbedret produktivitet og en mer bærekraftig drift. Ansvarlig forsker: Milan De Cauwer, forsker på analyse og kunstig intelligens.

2

Felleskjøpets utfordring: Felleskjøpet Fôrutvikling er et felles forsknings- og utviklingsselskap innen kraftfôr og fôrkonsept. I sin presentasjon la de frem at det kan være vanskelig å tenke seg til hva slags

muligheter som finnes innenfor kunstig intelligens. De har også utfordringer med «teknisk gjeld» i sine data, som er bygget lag for lag gjennom 50 år. De ønsket seg derfor veiledning fra SINTEF til å kunne forestille seg hvordan deres data kan brukes innenfor kunstig intelligens.

SINTEFs løsning: Min forskning går ut på hvordan mennesker tar i bruk KI-teknologi, hva de bruker det til og hvilke hindringer som finnes og usikkerhet rundt hva som er akseptabel bruk av teknologiene. I dialogen med Felleskjøpet kunne vi derfor dele innsikt i hvordan man kan ha en meningsfull og konstruktiv samtale om bruk og ikke-bruk av KI. Ofte er det et spekter av holdninger i en organisasjon; alt fra de som mener det bør forbys, til meninger som at de som ikke tar det i bruk bør finne seg en annen jobb. Vi leverte en kartlegging med over 50 ulike KI-baserte tjenester, klassifisert etter bruksområder, betalingsmodell og fordeler/ulemper.

Ansvarlig forsker: Viggo Tellefsen Wivestad, forsker på bruk av kunstig intelligens.

3

HIASs utfordring: Hias er et regionalt avløpsselskap, som er eier og tjenesteleverandør på vann og avløp for kommunene Hamar, Løten, Ringsaker og Stange. HIAS har mye driftsdata, og sterk teknologisk kompetanse. Før de tok kontakt med SINTEF hadde de utforsket enkel analyse og modellering på dataene. Resultatene fra dette gav dem tro på at dataene kan hjelpe dem til å spare energi, og bli bedre på bærekraft. Med dette utgangspunktet ønsket de å få veiledning til å ta i bruk KI-modeller som kan predikere avløpsmengder i nettet.

SINTEFs løsning: Avløpsnettet til Hias registrerer mengdene vann i nettet, som blant annet varierer mye når det er snøsmelting og mye regn. Arbeidet med Hias har vært godt fra starten, fordi deres data er gode, noe som gir modellene mye å jobbe med. Vi har brukt tid på å bli kjent med tallmaterien i deres data, og ut fra dette testet ut ulike modeller. Dette har dannet grunnlaget for en pilot i uttesting hos Hias som gir et varsel, når det er avvik i avløpssystemet. Samarbeidet er et godt eksempel på innovasjon som oppstår i møtet mellom industri og forskning.

Ansvarlig forsker: Sølve Eidnes, seniorforsker innen kunstig intelligens med hovedfokus på tidsrekkemodellering og fysikkbasert maskinlæring.

4

MIMIROs utfordring: MIMIRO har som mål å skape morgendagens matproduksjon gjennom data. De leverer digitale verktøy til over 7000 gårdsbruk, og bygger digitale produkter som sikrer effektiv datadeling og innsikt i produksjonen. De ønsker å bruke KI-baserte språkmodeller for å gjøre bønder i stand til å «snakke med sine data» og finne relevant informasjon i MIMIROs plattform. En del av dette arbeidet innebærer å formulere gode prompts (bestillinger) for å løse kompliserte oppgaver. De ønsket veiledning fra SINTEF for å lære mer om dette.

SINTEFs løsning: Konstruksjonen av «prompts» til språkmodeller som Open AI GPT kan være vanskelig, grunnet kompleksiteten og uklarheten til disse modellene. SINTEF forsker på ulike metoder for å utforme prompts (bestillinger), for å gjøre dem mer effektive. Et godt designet prompt kan styrke MIMIROs mål om å gjøre hverdagen til norske bønder enklere. Dette vil gi brukerne av MIMIROs system relevant informasjon om sine gårder på en enkel måte, ved hjelp av forespørsler på norsk eller engelsk.

Ansvarlige forskere: Francisco Martin-Recuerda, seniorforsker i kunstig intelligens i sustainable communication technologies, og Erik Johan Nystad, Master in Informatics: Programming and System Architecture

5

BioBanks utfordring: BioBank AS er en nasjonal biobank for fisk, husdyr og planter. Det er en digital genbank, som er basert på fysiske prøver som samles inn. Et av deres oppdrag er å detektere gentranslokasjon hos gris. Det oppstår når en bit av et kromosom bytter plass med en annen, og i sin presentasjon sammenliknet BioBank dette med at en bil bytter plass på ratt og hjul. Det er altså en alvorlig tilstand, som per i dag avdekkes ved at 19 kromosompar eksamineres manuelt i et mikroskop.

I sin veiledning med SINTEF ønsket de å undersøke om det er mulig å automatisere noe av denne jobben ved hjelp av kunstig intelligens.

SINTEFs løsning: Før kunstig intelligens kan benyttes til å automatisere en slik analyse, må BioBank digitalisere prosessen med å analysere bildene. I SINTEF forsker vi både på bildeanalyse og maskinsyn, og her kan BioBank ha behov for en tverrfaglig tilnærming. Gjennom veiledning fant SINTEF at Biobank har mye å hente på å jobbe med bildebehandling, som kan redusere tiden det tar å analysere én gris. SINTEF vil gi dem en oppskrift på hvilke steg Biobank kan ta for å digitalisere sin prosess, og videre hvordan de kan videreutvikle sin metodikk, slik at de på sikt kan ta i bruk en KI-basert digital assistent.

Ansvarlige forskere: Trine Kirkhus, seniorforsker innen maskinsyn og kunstig intelligens, og David Bouget, forsker innen bildeanalyse og bruk av kunstig intelligens innen helseteknologi

Hva er en KI-agent – og hva kan den brukes til?

KI-ekspert Morten Goodwin forklarer deg det du trenger å vite om høstens store KI-trendbegrep.

– Vi kan si at agenter er automatiseringsteknologi. Det har eksistert lenge. Den store forskjellen med kunstig intelligens er at agenter kan bli kraftigere, mer fleksible og brukes til mer, sier Morten Goodwin. (Foto: Universitetet i Agder)

Det begynner å bli mange begreper og produkter innen kunstig intelligens man skal holde styr på. Virtuelle assistenter, chatboter og språkmodeller. Copilot, ChatGPT, Gemini – også videre. Man kan bli forvirret av mindre!

Den siste tiden har stadig flere begynt å snakke om et annet begrep, nemlig KI-agenter.

Både Google, Anthropic og Microsoft har brukt høsten på å annonsere agenter. Konsulenthus holder workshops om temaet. Tech-tilhengere på internett spekulerer i om agenter kan representere det neste store skiftet innen kunstig intelligens.

Men hva er det egentlig? Er KI-agenter en ny type teknologi, eller bare et nytt kallenavn for smarte KI-verktøy?

Agenter er autonome

– KI-agenter er ikke nødvendigvis noe nytt, sier Morten Goodwin.

Han er professor i kunstig intelligens ved Universitetet i Agder, og anerkjennes som en av landets fremste eksperter på området.

Han forklarer at agenter i IT-sammenheng refererer til et program eller en funksjon som opererer autonomt for å løse en bestemt oppgave, uten menneskelig inngripen. Dette er programmer du gjerne ikke merker så mye til i det daglige, men som opererer «under panseret».

Et virusprogram som automatisk beskytter PC-en mot trusler er et eksempel. Et annet er boter som arkiverer inaktive samtaletråder på intranettet.

– Vi kan si at agenter er automatiseringsteknologi. Det har eksistert lenge. Den store forskjellen med kunstig intelligens er at agenter kan bli kraftigere, mer fleksible og brukes til mer, sier han.

– En KI-agent vil være i stand til å tilpasse seg endringer i et miljø – og utføre handlinger utover hva de eksplisitt er programmert til, legger han til.

Fallgruvene til KI-agentene

Bare for å ta det med en gang: ChatGPT er ikke en KI-agent. Det er fordi du må gi den kommandoer for at den skal utføre handlinger. Den er ikke autonom.

Derimot kan man bruke språkmodellteknologi for å automatisere oppgaver som har med naturlig språk å gjøre.

For eksempel ved å koble ChatGPT sammen med mailboksen og kalenderen – og på den måten lage en KI-agent som svarer høflig nei til alle møteinvitasjoner som ikke passer – og som foreslår nye datoer i stedet.

Risikoen er selvfølgelig at agenten kanskje takker nei til et spennende jobbtilbud på dine vegne, fordi du har markert at du skal drikke kaffe i kalenderen.

Men selv om det finnes fallgruver ved automatiske systemer, mener Goodwin at man ikke må avskrive dem av den grunn.

– Det er viktig å huske på at ny teknologi byr på nye utfordringer. KI kan hallusinere, inneholde biaser – og vi brukere kan bli latere. Hvis du alltid følger en GPS så blir du kanskje dårligere til å finne veien på egen hånd, sier han.

– Men hvis man tenker at alt skal være perfekt, gjennomtestet og godt etablerte teknologier før man tester ut noe nytt, da tror jeg man blir arbeidsledig.

Agenter tar ikke jobben din

Ifølge flere kilder jobber Google med å lansere en KI-agent som skal kunne ta over oppgaver på PC-en, som å gjennomføre transaksjoner og besøke nettsider.

Dette ligner på den lekkede oppdateringen til språkmodellen Claude fra Anthropic, som kan få tilgang til tastatur, mus, desktop og programmer.

Parallelt har Microsoft lansert en «KI-agent-bygger» i Copilot Studio. Der skal brukere kunne skreddersy automatiserte agenter for å håndtere konkrete og komplekse arbeidsroller som eksempelvis kundeservice og verdikjedestyring.

I en artikkel bruker The Guardian begrepet «virtuelle ansatte» for å beskrive lanseringen. Akkurat det mener Goodwin er litt for voldsomt.

– Mye av teknologien er banebrytende. Men jeg ville ikke kalt agenter for ansatte. I bunn og grunn er ikke dette så annerledes fra å lage excel-macroer eller sende ut nyhetsbrev på en smartere måte, sier han.

– Jeg ville ikke bekymret meg for at agenter alene tar jobben min. Men vi ser at stadig flere oppgaver kan automatiseres enklere, og KI-agenter er bare enda en ting på toppen av dette bildet.

Kan bygge uvurdelig bestillerkompetanse

Goodwin råder de som er nysgjerrige på KI-agenter til å følge med på utviklingen og teste det ut i praksis.

– Men da må du samtidig tørre å feile. Gå gjerne ut på glattisen selv om den er litt tynn. sier han.

Videre oppfordrer han til å undersøke hvilke unike data virksomheten sitter på – og hvilke problemer kunstig intelligens kan løse.

– Når du begynner å trene kunstig intelligens med egne data, for eksempel ved å installere en agent, så lærer du enormt mye om både dataene dine og mulighetene kunstig intelligens gir. Dette gir uvurderlig bestillerkompetanse, sier Goodwin.

– KI har kommet for å bli. De som hopper på bølgen blir morgendagens vinnere.

Denne artikkelen er hentet fra digitalnorway.com

KI og robotikk – er store adferdsmodeller det neste?

I fremtiden kan muligens roboter fikse eldrebølgen, lage mat og lære seg nye handlinger – ved hjelp av kunstig intelligens.

1X Technologies, basert i Moss, lanserte nylig en multifunksjonell robot som kan hjelpe til i hjemmet (Foto: 1X Technologies)

Mange har hørt om store språkmodeller, en teknologi som de siste to årene har gjort kunstig intelligens til allemannseie.

Men du kjenner kanskje ikke like godt til store adferdsmodeller?

Det kan i fremtiden vise seg å være det virkelig store gjennombruddet innen robotikk, mener Lillian Røstad, direktør i Simula Research Lab.

– Store språkmodeller lærer fra tekst, lyd, bilde og annet innhold. Nå forskes det mye på om det er mulig å trene en stor KI-modell på data om oppførsel og adferd.

Ideen er at en slik modell kan lære roboter hva de skal gjøre og hvordan de skal reagere i nye situasjoner.

– For å gjøre det brukes en kombinasjon av læring basert på store mengder data om menneskelig oppførsel og miljøer, i tillegg til at robotene vil være i stand til å observere og lære av handlinger, forklarer hun.

På samme måte som ChatGPT produserer ny tekst basert på kontekst, skal en robot kunne gjennomføre handlinger den ikke spesifikt er trent for, eller har observert.

Det er dette som ofte kalles generell intelligens, og skiller seg fra trening på spesifikke oppgaver.

– Jeg sier ikke at generelt intelligente roboter er rett rundt hjørnet. Men det er spennende å følge med på utviklingen og se potensialet, sier hun.

– Aldri før har innføringen av teknologi ført til færre jobber. Noen blir borte eller endres. Men teknologi har alltid skapt flere arbeidsplasser enn det fjerner, sier Lillian Røstad, direktør i Simula Research Lab (Foto: Pressebilde)

Roboten og eldrebølgen

Roboter og robotikk er teknologi som har eksistert lenge. På mange måter kan man si at dampmaskiner og samlebånd var tidlige eksempler.

I dag hjelper roboter mennesker med alt fra å sortere varer på store varelagre til å ta hånd om risikofylte arbeidsoppgaver, som å inspisere undervannsrør på en oljerigg.

– Samtidig er det mye som har skjedd innen robotikk de siste årene som har med kunstig intelligens å gjøre, sier Røstad.

Frem til nå har nemlig roboter fungert på stort sett samme måte. Man har programmert dem til å løse én bestemt oppgave – i et bestemt miljø. Du kan ikke forvente at en robot skal kunne desarmere bomber på dagtid og ta oppvasken om kvelden. De er med andre ord regelbaserte.

– Med kunstig intelligens kan roboter lære på en helt annen måte og tilpasse seg helt nye miljøer, forklarer hun.

Store atferdsmodeller er et eksempel som tilhører fremtiden. Men KI og robotikk testes ut på mange andre måter i praksis, også i dag.

– Ta for eksempel eldrebølgen. Roboter kan hjelpe til slik at folk kan bo hjemme lenger. De kan lage mat og hjelpe til med enkle oppgaver i hverdagen.

– Men folks hjem er ulike. Det betyr at et hjemmehjelpende robotsystem må kunne tilpasse seg nye rom, nye behov og nye oppgaver. Her kommer KI inn.

Den store utfordringen

I fjor lanserte Google modellen RT-2. Den er bygget for å overføre både visuelle observasjoner og språk til «robotiske hendelser».

OpenAIs GPT-4 Vision kan også brukes på samme måte, noe blant annet norske Cognite bruker når de trener roboter til å inspisere oljeplattformer.

– Dette er altså ikke bare noe man prater om, men som også de store industriaktørene jobber med, deriblant Toyota, sier Røstad.

Også her i Norge – nærmere bestemt i Moss – skjer det stor utvikling innen multifunksjonelle roboter. 1X Technologies har blant annet annet OpenAI på eiersiden, og lanserte nylig en prototype for roboter som kan hjelpe til i hjemmet.

Samtidig er Røstad tydelig på at det er stor forskjell mellom all den spennende innovasjonen som foregår i dag, og den populærkulturelle ideen om humanoide roboter.

Da Elon Musk viste frem robotene Optimus under et lanseringsarrangement i høst, fremsto de bemerkelsesverdig menneskelignende. De serverte drinker, danset og én kjørte av gårde sammen med Musk i en selvkjørende bil.

Senere viste det seg at disse ble fjernstyrt av mennesker. De var altså ikke autonome i det hele tatt.

– Hovedutfordringen når det kommer til KI og robotikk er treningsdata. Det finnes ikke nok data og registrerte observasjoner av oppførsel til at forskningsmiljøer har klart å knekke den koden.

– Det interessante der er fremskrittene innen syntetiske data, hvor man bruker KI til å produsere store, nye mengder med relevante datasett.

Stableroboter kutter antall lastebilturer

KI-assistert robotikk gjør seg gjeldende innen en rekke ulike sektorer. Røstad trekker frem landbruk som et interessant område, sammen med helse.

Signe Riemer-Sørensen, forskningsleder innen maskinlæring for industriell bruk i Sintef, påpeker et annet viktig element når man snakker om kunstig intelligens og robotikk. Nemlig bærekraft.

– KI og automatiske systemer kan bidra til å løse oppgaver mer effektivt, og føre til bedre ressursutnyttelse, sier hun.

Hun trekker frem samarbeidsprosjekt mellom Sintef og Solwr for distributøren ASKO: Dersom stableroboter og KI-algoritmer kan finne mer effektive måter å stable paller på, kan de kutte drastisk ned på antall ukentlige lastebillass.

Dette er både bærekraftig for klimaet, men også rent økonomisk. Og selv om manges ryggmargsrefleks når det kommer til automatisering er frykt for egne (eller andres) jobber – mener Riemer-Sørensen at man også kan snakke om sosial bærekraft.

– Roboter kan erstatte repetitive, farlige og fysiske oppgaver. Da er det ofte snakk om et samarbeid mellom menneske og maskin. Jeg tror egentlig ingen blir lei seg over å slippe de tyngste løftene, sier hun.

Signe Riemer-Sørensen, forskningsleder innen maskinlæring for industriell bruk i Sintef. (Foto: Sintef)

– Teknologi skaper flere jobber enn det erstatter

Dette er et poeng Røstad stiller seg bak.

– Vi møter folk som er redde for at automatisering skal erstatte jobber, men historien viser oss faktisk noe annet. Aldri før har innføringen av teknologi ført til færre jobber. Noen blir borte eller endres. Men teknologi har alltid skapt flere arbeidsplasser enn det fjerner.

– I mange tilfeller blir disse nye stillingene ofte mer spennende og mer givende.

Denne artikkelen er hentet fra digitalnorway.com