Kategori: Nyheter

Er det ikke du selv som sitter i nettbanken din og overfører penger til utlandet, kan det kjapt bli avslørt – ved hjelp av kunstig intelligent teknologi.

– Jeg liker ikke å kalle det «kunstig intelligens», sier Roger Olafsen.

Han er leder for avansert analyse og maskinlæring i DNBs antihvitvasking divisjon … eller med andre ord for det mange vil kalle nettopp kunstig intelligens (KI). Men det er upresist. 

Kanskje litt som at en webutvikler skulle sagt at hun «jobber med internett». 

– Det skaper bare mer forvirring. Jeg kaller dette heller det det er, nemlig maskinlæring, sier Olafsen. 

Kall det hva du vil: Maskinlæring er i alle tilfeller noe som nå blir stadig mer utbredt. Det er en underkategori av KI, og det er dette som ligger bak alt fra selvkjørende biler til smarte høyttalere, innholdet i Instagram-feeden din og datagenererte kunstverk. 

Nå tas teknologien også i bruk på tvers av det norske næringslivet. Og noen av dem som er kommet aller lengst, er nettopp bank- og forsikringsbransjen. 

– Det er ikke nytt for oss, det er blitt brukt lenge, for eksempel i forbindelse med å vurdere risiko på lån, og den typen ting. Men nå brukes det på flere måter og mange nye områder, sier Olafsen. 

– På mitt område handler det fremfor alt om å bruke maskinlæring til å prøve å finne mistenkelige transaksjoner, sier han. 

Avslører identitetstyveri

Maskinlæring innebærer å bruke matematiske og statistiske metoder til å oppnå bestemte mål basert på data. Et slikt mål kan være å oppdage avvik og mistenkelig aktivitet på en bankkonto. 

– Innen bank og finans brukes det primært til vurdering av risiko – både operasjonelt og økonomisk, forklarer Roger Olafsen. 

– Vi bruker det blant annet til å avdekke og forhindre forsøk på svindel og hvitvasking, og sørge for at ting er trygt for kundene våre. Men det brukes også på områder som kredittvurderinger og prisoptimalisering – for eksempel pris og betingelser på et lån. Og det er en etisk dimensjon i det, idet det brukes til å sørge for at kunder blir mer likt behandlet, sier han. 

Skadelig bruk av kunstig intelligens er noe som ofte kommer frem i media, spesielt de store aktørenes innsamling og analyse av brukeradferd for markedsføring, påpeker Olafsen. De positive bruksområdene hører vi mindre om.

– Som for eksempel at det kan avdekke om det faktisk er deg som er innlogget i nettbanken, basert på din tidligere brukeradferd. Ved å se på bruksmønstre på denne måten med maskinlæring, kan vi avsløre og avverge identitetstyveri, sier han. 

Brukes til antihvitvasking

Selv jobber Olafsen og avdelingen hans primært med antihvitvasking – og forhindring av at penger fra kriminell virksomhet som menneskehandel og narkotikaomsetning, kommer inn i den lovlige økonomien, eller går til å finansiere terror. 

En viktig del av dette er å ha systemer på plass som raskt kan oppdage mistenkelige transaksjoner. Slike systemer kan enten være regelbaserte, eller bruke maskinlæring. 

– Et eksempel på en regel – som altså ikke involverer maskinlæring – er at det kan gå en alarm hvis noen for eksempel sender penger til et land som er ansett som et høyrisikoland, sier Olafsen, og legger til: 

– Men det kan være lovlige grunner til å sende de pengene. 

Maskinlæringsmodellene på sin side kan trenes opp på utfall der det faktisk har vært ulovlig aktivitet – og kan deretter finne lignende mønstre flere steder. 

– Poenget med å bruke maskinlæring, er at vi kan vurdere sannsynligheten for et utfall mye mer presist enn med enkle regler, sier Olafsen. 

Ingenting magisk med ML

Selv om DNB er kommet langt i å bruke maskinlæring på denne måten, er det likevel en del utfordringer som må overkommes for at teknologien skal nå sitt fulle potensial. Blant annet er det utfordrende å få tak tilstrekkelig med data av god kvalitet til å trene disse modellene. 

– Når en hører om kunstig intelligens, er det lett å tenke at her kan det magiske skje. Men vi som lager modeller, vet at det er vanskelig å lage modeller på noe som inntreffer sjeldent, sier Olafsen. 

Banken gjennomfører nemlig enorme mengder transaksjoner, og de aller fleste av dem er lovlige. Det gjør at datasettet blir skjevt, når en ser etter de som er ulovlige. 

– Å samle og klargjøre dataene er 90 prosent av jobben. Å trene en modell er greit nok når vi først har dataene, sier han.

Videre kan maskinlæring kun finne forhold som den er trent for, og som faktisk har inntruffet tidligere. 

– Magien som mange kan oppfatte med kunstig intelligens, som at teknologien kan finne ut nye forhold av seg selv, er så langt en fiksjon.

Det vil likevel ikke si at dette allerede er effektivt og nyttig – eller at det ikke skjer mye spennende og lovende på området:

– Et ganske hett område vi ser på nå, er bruk av nettverksgrafer og ML-algoritmer, sier Olafsen, og utdyper:

– Tenk på nettverk som vennenettverket ditt på Facebook eller ditt profesjonelle LinkedIn-nettverk. I vårt tilfelle er nettverket finansielle transaksjoner, i kombinasjon med kompliserte selskapsstrukturer og annen informasjon. Her kan vi for eksempel trene modeller på tidligere mistenkelig avslørt adferd.

– ML kan gjøre feil, men det gjør også mennesker

En annen utfordring DNB opplever i dette arbeidet, er at de som bank kun sitter på én del av historien i komplekse transaksjoner. 

– Når vi for eksempel ser etter hvitvasking, kan mange land og mange banker være involvert, og vi ser bare vårt bilde. For å løse det store bildet, er man avhengig av at bankene deler data med hverandre, noe som man ikke kan gjøre i dag på grunn av flere regulative forhold som for eksempel regler for behandling av persondata, sier Olafsen.

Mønstrene som algoritmene finner som mistenkelige, vil også forekomme blant mange lovlige transaksjoner. Olafsen legger til at det derfor oppstår en del falske positive, og dermed falske alarmer.  

– Per nå er det likevel sånn at når en alarm først har gått, så blir den alltid fulgt opp.

– Med maskinlæring kan vi se med stor sannsynlighet om en alarm er falsk eller ikke, basert på tidligere saker. Dette hjelper oss i dag med å prioritere hvilke saker vi skal behandle først. På sikt ser vi også for oss å bruke teknologien for å effektivisere selve behandlingen av alarmene.

– Maskinlæring kan ta feil, men det gjør også mennesker, og gode ML algoritmer gjør mindre feil enn alternativene. 

For saksbehandlerne er det også en tilvenning og en modningsprosess å skulle jobbe med maskinlæringsmodeller i tillegg til mer tradisjonelle, regelbaserte systemer. Dette er fortsatt under utvikling – og krever helt ny kompetanse.

– Der mennesker er involvert i prosessen, er det viktig med god beslutningsstøtte for å forstå utfallet av en ML-modell, sier Olafsen.

Bruk av KI blir stadig mer utbredt – også hos Telenor. Likevel er det noen store hindre å overkomme før dette virkelig kan skaleres, forteller Ieva Martinkenaite i Telenors forskningsavdeling.

I dag er data overalt. Det genereres av alt som er digitalt: Mobilene våre, PC-er og nettbrett, sensorer og smarte enheter i hjemmet og i bybildet. Og for Telenors del – i nettverkene deres. 

Kunstig intelligens (KI) – og mer spesifikt det som kalles maskinlæring (ML) – dreier seg om å lage digitale systemer som bruker disse dataene til å oppnå et bestemt mål. 

– I praksis kan det brukes for eksempel til å hjelpe dem som sitter med kundebehandling til å optimalisere arbeidsflyten, til å unngå manuelt arbeid, og til å gi beslutningstakere et bedre grunnlag for å ta gode beslutninger, sier Ieva Martinkenaite.

Hun er SVP Head of Research and Innovation i Telenor Group. Der, i Telenors forskningsavdeling, har de et eget team som jobber med forskning og innovasjon innen kunstig intelligens, maskinlæring og avansert dataanalyse. 

Bruk av kunstig intelligens er på full fart på vei inn i alle deler av næringslivet, og Telenor er altså ikke noe unntak. 

Likevel er telekom-bransjen fortsatt bare i startgropa når det gjelder å ta i bruk KI, mener Martinkenaite. 

Dette er nemlig teknologi som gir svært mange muligheter – men der mange hindre også må overkommes for at det skal la seg ta i bruk og skalere på en god måte. 

Beslutningsstøtte og automatisering

Maskinlæring brukes i bunn og grunn til to ting, sier Ieva Martinkenaite: Det første er beslutningsstøtte. Det andre er automatisering. Telenor bruker maskinlæring til begge deler. 

– Telenors bruk av kunstig intelligens omfatter blant annet optimalisering av nettverksdriften, automatisering av kundeinteraksjoner og tilpassing av markedsførings- og salgskampanjer. Vi har for eksempel utviklet ML-algoritmer for å oppdage avvik i mobilnettverket, som forbedrer kundeopplevelsen og sparer våre ingeniører for tid og ressurser, sier Martinkenaite. 

– Og vi har utviklet en egen norsk tale-til-tekst-prototype til bruk i kundeservice i Telenor Norge.

De bruker teknologien også for å hjelpe bedriftskunder med å optimalisere driften sin, som for eksempel fôring i oppdrettsnæringen og husdyr, forklarer Martinkenaite.

– Telenor har også bistått Trondheim kommune med å utvikle et sensornettverk i stand til å oppdage partikkelstøvnivåer fra IoT-enheter, sier hun. 

Samtidig har teknologien et mye større potensial enn det som realiseres i dag. Utfordringene knytter seg spesielt til å overkomme tre hindre: Tilgjengeliggjøring av data av god kvalitet, mangel på kompetanse, og integrasjon med eksisterende IT-systemer. 

– Fortsatt i startgropa

Til tross for at Telenor allerede bruker ML på flere områder, mener Martinkenaite altså at de fortsatt bare er i startgropa. 

– Da tenker jeg på skalering – altså å komme ut av «proof of concept» og pilotering, og inn i produktutvikling og tjenester som faktisk kan selges på markedet og skalere. Det gjelder ikke bare Telenor, men hele bransjen, sier hun. 

Grunnen til at dette tar tid, er enkelt og greit at teknologien er veldig kompleks. Eller kanskje rettere sagt, at det blir komplekst når en skal se på hele det store bildet. KI-systemene brukes nemlig ikke i isolasjon, men skal passe sammen med eksisterende IT-systemer, organisasjonskultur og arbeidsmåter.

– Og det handler ikke bare om teknologien, men også om for eksempel forretningsmodeller, kundeperspektivet og organisasjonsendring, sier Martinkenaite. 

Datasiloer og legacy-systemer

Et område der Telenor er kommet langt med bruk av maskinlæring, er kundebehandling. Men dette er også et område som illustrerer hvor komplisert det kan være å innføre dette på en god måte. 

Tenk for eksempel at en skulle lage en avansert chatbot som kan utføre kundebehandling – og få til det Martinkenaite kaller et «360-graders perspektiv» på kunden:

– Utfordringen er ikke bare å utvikle maskinlæringsmodellen i seg selv. Den skal også knyttes til og fungere med alle andre eksisterende systemer. Skal en chatbot kunne gi tilfredsstillende kundebehandling, må den ha tilgang på data på tvers av systemer og avdelinger, fra kundebehandling til nettverkssiden og markedsføring og salg, sier hun. 

Ulike avdelinger, fagområder og konsulenter har hver sine systemer og praksiser, og det gjør integreringen mye vanskeligere å håndtere. På fagspråket sier en at dataene ligger i ulike «siloer», i stedet for å være sammenkoblet i en mer strømlinjeformet arkitektur. 

– Det første problemet er at dataene ligger på tvers av mange forskjellige legacy-systemer, sier Martinkenaite – altså eldre, eksisterende systemer der det ikke nødvendigvis er tatt høyde for at det skal kunne brukes på denne måten.  

– Det andre problemet er at det er stor forskjell på å trene en modell i et isolert system, og å integrere det i praksis med hastighet og skala på tvers av alle de ulike software-systemene vi har i dag, sier hun. 

– En slik chatbot for Telenor Norge må dermed integreres med mange IT-komponenter. Og når systemet skalerer, må en «feedback loop» etableres – der vi ser hva modellen lærer av dataene, og hvordan den oppfører seg i praksis og forbedres over tid. Det krever nye driftsmodeller og arbeidsmåter. 

– Så når jeg sier at bransjen er i en tidlig fase, mener jeg at vi trenger kompetanse, og nye måter å jobbe og organisere oss på, for å få det til. Dette krever tid og ressurser, sier Martinkenaite.

Også mindre selskaper vil møte på mange av de samme problemstillingene, påpeker hun – for det er de færreste som har alle dataene sine ryddig samlet på ett og samme sted. 

Vil maskinene overta jobber fra mennesker?

Det er mange praktiske og forretningsmessige hensyn å tenke på når et KI-system skal utvikles eller innføres. Men det er også mange etiske og juridiske hensyn. 

– Noe som dukker opp veldig naturlig, er spørsmål om jobbsikkerhet. Altså at ansatte spør: Hva betyr dette for meg, hva betyr det for min jobb? Skal jeg byttes ut med en maskin? Vil det være behov for meg? 

Martinkenaite sier at det virkelig er en trend at enkelte oppgaver overføres fra mennesker til maskiner. Men dette er ikke ensbetydende med at menneskene skal «fases ut». 

– I dag har vi for eksempel KI-teknologi som kan oppdage feil og avvik i signaler fra basestasjoner bedre, raskere og mer effektivt enn menneskelige ingeniører. Men vårt inntrykk er likevel at mennesker blir enda viktigere i fremtiden, sier hun. 

Det som fremfor alt lar seg overføre til maskiner, er rutinearbeid. Maskinene kan brukes til å løse spesifikke problemer, men kan ikke tenke og resonnere. Mer komplekse problemstillinger blir det fortsatt opp til mennesker å løse. 

– Vi vil gi en del manuelt arbeid til gode maskiner, men samtidig utnytte kompetansen til mennesker på nye måter. Teknologien skal gjøre menneskene i stand til å ta bedre avgjørelser, og gi oss nye verktøy for å løse komplekse kundeproblemer, sier Martinkenaite. 

Bedre forståelse av menneske-maskin-interaksjon kommer til å bli viktig fremover, mener hun. Når vi skal jobbe på nye måter, krever det også ny kompetanse blant menneskene, som må styre og kontrollere det maskinene gjør. 

– Vi må sjekke kvaliteten på dataene og algoritmene, sikre god styring og håndtere problemstillinger rundt personvern, etikk og så videre. Dette skal mennesker jobbe med, men vi vil jobbe med maskiner mer og mer, sier hun. 

Tverrfaglige team

For Telenor er det viktig å bruke denne teknologien etisk og ansvarlig, understreker Martinkenaite.

– I Telenor har vi et stort ansvar, både til staten, og til våre arbeidstakere, partnere og kunder, sier hun, og forteller at de blant annet jobber tett med industripartnere i EU rundt det europeiske regelverket (Artificial Intelligence Act) som nå er under utarbeiding. 

Hun legger til at når de bygger opp KI-team i virksomheten, består disse ikke bare av teknologer, men også blant annet samfunnsvitere og økonomer. 

– Grunnen til det, er at vi ikke bare må forstå teknologien, men hvilken påvirkning den har. Derfor trenger vi forskjellige typer kompetanse som er komplementære, for det er mange muligheter og utfordringer her som teknologer alene ikke kan løse.

Når Sparebank 1 Forsikring utforsker å ta i bruk KI, mener de tillit, kompetanse og veloverveide beslutninger er oppskriften for å lykkes.

– Når det kommer til kunstig intelligens er vi nok fortsatt på utforskerstadiet, ja. 

Det forteller Karolina Lindqvist og Hanne Beate Randgaard Broen fra Sparebank 1 Forsikring, i avdelingen for pensjon. Lindqvist er hovedtillitsvalgt og tidligere funksjonell arkitekt, mens Broen er HR-ansvarlig. 

– Rent konkret jobber vi blant annet for tiden sammen med en av Sparebank 1-bankene med å sertifisere en chatbot for kunderådgivning. En chatbot med elementer av kunstig intelligent teknologi som automatiserer henvendelser, legger Broen til. 

Sparebank 1 Forsikring er et pensjonsselskap og en del av Sparebank 1-alliansen, De påpeker at andre aktører i bransjen, og andre i alliansen nok har kommet lenger innen kunstig intelligens enn dem.

Men selv om deres eget selskap er helt i startgropa, har de gjort seg opp flere tanker om hvordan kunstig intelligente systemer kan innføres, og hva de ønsker å oppnå.

Det er heller ikke slik at de ukritisk hopper på nye teknologiske trender, bare fordi andre i bransjen utforsker muligheter med kunstig intelligens:

– Vi er i gang med å finne områder hvor kunstig intelligens passer for oss, og hvor vi kan bruke det på en hensiktsmessig, verdiskapende måte, forklarer Lindqvist. 

De peker på tre viktige forutsetninger for å lykkes med ny teknologi: Veloverveide beslutninger, tillit og bred kompetanse. 

Vesentlig med høy tillit

For nå er kunstig intelligens på full fart inn i næringslivet, og stadig flere snakker om mulighetene teknologien gir:

Kunstig intelligente systemer, og mer spesifikt maskinlæring, kan brukes til alt fra å automatisk sortere fakturaer til å forutse risiko eller å identifisere trender i aksjemarkedet.

Men dette er ikke teknologi som en bare kan ta i bruk uten videre.

For både Lindqvist og Broen er spørsmål knyttet til etisk og ansvarlig bruk av kunstig intelligens viktig. Lindqvist, som hovedtillitsvalgt, er tett på diskusjoner om reguleringer og tariffavtaler: Områder hvor kunstig intelligens fremover vil bli stadig mer relevant. 

Hvordan vil kunstig intelligens endre hvordan de jobber? Hvilke arbeidsoppgaver forandres når bedriftsprosesser automatiseres, og hvordan behandles brukerdata? 

For selv om teknologien er ny, vil jobben de gjør, og målene de jobber mot være de samme, forklarer Broen: 

– Det vi skal, er å utnytte teknologien til å støtte oss i prosesser og beslutninger – og bidra til å gjøre arbeidsoppgaver vi allerede har på en bedre, riktigere og mer effektiv måte.

Lindqvist er heller ikke nødvendigvis redd for at jobber skal forsvinne. 

– Undersøkelser viser at også våre medarbeidere er positive til ny teknologi. Jeg tror det er fordi vi har en høy grad av tillit internt i organisasjonen. Og tillit er helt grunnleggende i møte med endring og omstilling. 

– Dessuten er vi helt avhengig av at kundene har tillit til oss. Derfor er vi hele tiden nødt til å ta gode, velbegrunnede valg. Alt vi gjør, skal være av høy etisk standard. Vi stiller strenge krav til rapportering og regulering av alt som har med personvern, etikk og databehandling å gjøre. Det samme vil vi gjøre med innføring av kunstig intelligent teknologi, legger hun til. 

Blant nøklene til bruk av ny teknologi er bred kompetanse

Videre vektlegger de begge viktigheten av kunnskap og kompetanse. Jo mer man vet om hvordan kunstig intelligens faktisk fungerer – og hva det kan brukes til – jo bedre forutsetninger har man til å ta velbegrunnede og etiske valg. 

Lindqvist husker nemlig godt et tidlig møte med automatisert teknologi som tillitsvalgt: 

– For ganske mange år siden hadde vi et medlem i Finansforbundet som trengte råd, fordi vedkommende skulle starte i en jobb som robottrener. Da var det en ganske ny type sak som tillitsvalgt å ta tak i! For hvor starter man? Hvilke spørsmål stiller man? Hva er egentlig en robottrener?

– Der og da var det vanskelig å i det hele tatt komme frem til det punktet hvor man stilte de etiske spørsmålene, fordi det var såpass upløyd mark. 

I slike situasjoner holder det ikke nødvendigvis at de som jobber med IT og kunstig intelligens på arbeidsplassen utvikler dyp kunnskap på området. De mener nøkkelen til god implementering av ny teknologi ligger i bred kompetanse, på tvers av organisasjonen:

– Det handler også om tidlig involvering av ansatte. For kunstig intelligens i fremtiden vil ikke bare påvirke arbeidshverdagen til IT-avdelinger. Det vil være noe vi alle møter på, avslutter Broen. 

Kunstig intelligens (KI) er overalt. Vi snakket med forsker Inga Strümke for å forstå hva KI er – og hvordan teknologien vil påvirke hver og en av oss.

– Sjansen er stor for at du snart vil måtte forholde deg til kunstig intelligens på et eller annet vis, om du ikke gjør det allerede. Enten fordi du er daglig leder og velger at dere skal bruke maskinlæring, eller fordi du springer rundt i korridorene og er redd for å måtte dele oppgavene dine med en maskin en gang, sier Inga Strümke. 

Hun er forsker ved Norwegian Open AI Lab på NTNU og SimulaMet, med kunstig intelligens som fagfelt. 

– Derfor er det på tide å skjønne hva det er snakk om. Da henger du med og kan være kritisk og informert i samtalen om det, sier Strümke.

Men hva er egentlig kunstig intelligens? Og hvordan brukes det? Vi tok en prat med Strümke om hva KI er, hva KI kan gjøre … og hvorfor dette er noe alle – både som arbeidsgivere, arbeidstakere og privatpersoner – bør sette seg litt inn i. 

Du møter allerede KI hver dag

Arbeidslivet, hverdagen vår og hele samfunnet blir stadig mer digitalt og representert i data – som i neste omgang leder til økende bruk av dataanalyse og maskinlæring. Og hvis vi snakker om kunstig intelligens basert på data, er maskinlæring et mer presist begrep (se faktaboks). 

Du bruker teknologi som bruker maskinlæring hver eneste dag – i mailboksen din, kart-appen på mobilen, strømmetjenestene du bruker, nettavisene du leser, fakturaprogrammet og appen der du leverer reiseregninger, tekstbehandlere og bilderedigeringsprogrammer med smarte funksjoner, og ikke i minst sosiale medier. For å nevne bare noe. 

Fagfeltet KI har opplevd mye hype i flere omganger helt siden 1950-tallet, men maskinlæring har tatt av først etter årtusenskiftet, forklarer Strümke. Det er fordi tilgjengelig regnekraft har økt voldsomt – kombinert med den helt enorme tilgangen på data. 

Alt som er digitalt genererer data. I vår tilkoblede verden der alt og alle er på nett – fra mobiler til robotstøvsugere og sensorer i strømnettet – er data overalt. I svimlende mengder. 

Maskinlæring handler altså om å se etter mønstre i disse dataene, med den hensikt å oppnå et eller annet mål. Det brukes for eksempel for å oppdage mistenkelig aktivitet i et nettverk, sette sammen en personalisert forside på nettavisen, eller automatisk bremse en bil for å unngå en kollisjon. 

Maskinen viser det vi oppfatter som intelligent oppførsel, gjennom å analysere omgivelsene sine – i form av strukturerte og ustrukturerte data – og iverksette handlinger. Maskinlæring er den i dag mest omtalte formen for kunstig intelligens, og er ofte et mer presist begrep for å omtale slike systemer: 

– Begrepet kunstig intelligens brukes ofte når det like godt kunne stått maskinlæring, sier Strümke. 

At du vil måtte forholde deg til maskinlæring på arbeidsplassen er én av grunnene til at det er viktig å sette seg inn i dette, mener Strümke. Den andre er det hun kaller «missed use»-aspektet – ikke «misuse», men «missed use». Altså en forspilt mulighet. 

– Det kan rett og slett hende at dere har en situasjon eller prosess som med fordel kunne vært optimalisert eller automatisert, som en ikke får øye på om en ikke vet hva en ser etter.

Derimot mener hun at et veldig dårlig svar på hvorfor å ta i bruk maskinlæring, er at du «bør».

– En ting jeg synes er viktig, er at en ikke skal sette seg inn i det fordi en har dårlig samvittighet for ikke å vite så mye som en «bør». At en tenker «alle bruker det, derfor burde bedriften min gjør det også». Det er helt feil utgangspunkt – da ender en med å gjøre dyre investeringer som en hadde klart seg fint uten.

Hva vil en datamaskin? 

Vi har nevnt at det er knyttet mange myter og misforståelser til KI, og disse er det verdt å nøste opp i før vi går videre. 

For eksempel: I populærkulturen er kunstig intelligens … vel, det vi mennesker anser som intelligent. Slik er det ikke i virkeligheten. Her ser vi at maskiner er dårlige på ting vi mennesker er gode på, men viser derimot overmenneskelig intelligent oppførsel på områder vi mennesker er dårligere på. 

Vil det i fremtiden komme KI som kan tenke som et menneske? Kanskje, kanskje ikke. Et mer interessant spørsmål, er hvilke konsekvenser bruk av KI-basert teknologi kan ha, og allerede har, for oss. 

– Det som er dumt med futurisme, er at vi ikke kan sjekke hva som er rett før det er der. Det er veldig mange som sparker inn åpne dører – som sier «Du trenger ikke være redd for en selvbevisst KI», når ingen faktisk går rundt og er redd for det, sier Strümke, og fortsetter: 

– Det mange er redde for, er ikke at det skal komme en maskin med superintelligens, men heller for at utdanningen en har tatt ikke skal være relevant om noen år fordi arbeidsoppgaver automatiseres. 

Det er ingen tvil om at teknologien både kan og vil påvirke hvordan vi jobber, og hva vi jobber med. Det skjer allerede. Bruk av KI både kan og vil påvirke samfunnet og arbeidslivet i stor grad. Men ingenting av dette er opp til maskinen, påpeker Strümke: 

– Vi kan avlive myten om at maskinen vil ta jobben din. Maskinen gjør ingenting, det er noen som setter den til å gjøre noe.

Det er til syvende og sist et verktøy, som det er opp til oss mennesker hvordan vi vil bruke. Men det er også et verktøy som potensielt er så komplisert og avansert at det i mange tilfeller brukes på måter som det er vanskelig for oss å forstå – eller se konsekvensene av. 

Derfor er det svært viktig at det brukes ansvarlig – og at både de som utvikler det, bruker det og berøres av denne bruken, har den riktige kompetansen til å forstå hva de har med å gjøre.

Hva kan en gjøre med kunstig intelligens?

De fleste virksomheter har tilgang på mye data, for eksempel om kunder, drift og økonomi. Maskinlæringsteknikker kan gjøre det mulig å utnytte disse dataene i form av automatisering, effektivisering, beslutningsstøtte, nye innsikter og smartere måter å jobbe på. 

– Du kan bruke det til å oppnå et mål, eller til å bli klokere på selve dataene, sier Strümke, som forteller at én av ti bedrifter i Norge allerede bruker kunstig intelligens på en eller annen måte. 

Å bruke dashbord og business analytics til å forstå seg på dataene sine er ikke noe nytt, påpeker Strümke, men kan gjøres mer avansert og nyttig ved hjelp av maskinlæring. Samtidig kan teknologien også brukes til mer praktiske ting, som å automatisere ulike prosesser. 

– For eksempel automatisk behandling av lånesøknader – det gjøres allerede. Hvis vi har data som beskriver gode og dårlige lånesøknader, eller vi klarer å beskrive det, er det mye som kan gjøres automatisk – som gjør at mennesker slipper å bruke seg opp på den kjedelige jobben. Så kan de steppe inn når systemet melder at det ikke er helt sikker på noe. Du kan få en liten KI-sekretær, sier Strümke.

Lånesøknader er bare ett eksempel, det er mye som kan behandles automatisk.

– Et annet eksempel er at krav til antihvitvasking blir strengere og strengere. Veldig mye av det handler om å detektere når det er noe rart som skjer. Maskiner vil ha mye større kapasitet til å følge med på store mengder aktivitet enn det mennesker har. Mennesker er veldig dårlige til å følge med på kjedelige ting. Det er en typisk oppgave som maskiner kan ta over, og er bedre rustet til å gjøre. De er ikke uoppmerksomme eller har dårlig tålmodighet. Det kan spare oss for jobber vi ikke liker og ikke er gode til, sier hun, og fortsetter:

– Poenget er ikke å gå inn i en hvilken som helst bransje og ta ut menneskene og putte inn roboter i stedet. Det handler mer om å se på hvilke prosesser som foregår, og så prøve å gjøre dem bedre eller mer automatiske, mer informerte, mer sømløse og så videre.

Samtidig er det mange problemstillinger å være obs på når en tar i bruk KI på disse måtene. Hvis det for eksempel er feil og mangler i dataene når algoritmen skal behandle en lånesøknad, eller instruksjonene ikke er tilstrekkelig presise, kan utfallet bli helt feil – og få store konsekvenser for dem det angår. Skal en få fordelene av KI, må det derfor brukes ansvarlig, med en utredning av konsekvensene, og under oppsyn av mennesker som er kritiske til de forslagene og resultatene systemet kommer med. 

Kom i gang: Disse spørsmålene bør du stille

Det er lett å tenke at maskinlæring er noe som er forbeholdt kun de største virksomhetene med flest ressurser. Det er ikke nødvendigvis sant. 

Samtidig understreker Strümke at selv om maskinlæring kan bidra til å løse mange problemer, er det ikke alltid den mest hensiktsmessige løsningen. Ikke alle trenger å bli et IT-selskap. Hun råder til å starte med å oppsøke konsulenter, undersøke mulighetene og se etter tilgjengelig hyllevare. Hvis dette ikke finnes, eller det blir alt for komplisert å få det til å passe med systemene deres, må dere enten droppe det eller virkelig gjøre investeringer i både kompetanse og infrastruktur. 

– Det viktigste er at man vet hva man vil gjøre, og får det til å passe inn i de systemene man har fra før. Så kan en se om det fungerer, og eventuelt skalere opp. En trenger ikke endre forretningsmodellen bare fordi en vil gjøre litt databasert modellering. 

Finner du ut at dette er noe dere skal prøve på, råder hun til ikke å være redd for å stille spørsmål. 

– Jeg tror at mange går rundt med følelsen av at «dette burde jeg vite mer om». Når du da står overfor å faktisk ta i bruk maskinlæring på en eller annen måte, tør du ikke stille spørsmål – fordi du tenker at du burde visst mer, sier Strümke, og fortsetter: 

– Jeg forsker på dette, men hvis du kommer til meg med en maskinlæringsmodell vil ikke det si at jeg nødvendigvis forstår den. Du bør alltid be om mer info – det er ikke flaut. Hvis du kommer på en seilbåt og begynner å trekke i tauene, viser det bare at du har peiling, og vil finne ut hvordan ting henger sammen. Det er ikke sånn at en bare går rundt og vet hvordan alle verdens modeller fungerer.

Det er hovedsakelig tre spørsmål du bør stille i en slik situasjon, råder hun: 

– Alle kan stille disse spørsmålene, enten du står der og er redd for å bli erstattet med en robot, eller du sitter på styrerommet. Hvis du ikke vet svarene på dette, kan du ikke ta gode beslutninger eller oppføre deg på en informert måte.

Nullkoding, store språkmodeller og «kopiloter» er i ferd med å snu opp ned på kunnskapsindustrien, forteller Microsoft-topp Bjørn Olstad. Dette er hvorfor du bør bry deg og hvordan du kan forberede deg.

Hvis Microsoft-direktør Bjørn Olstad skulle solgt huset og investert alle pengene sine i et selskap, er det først ett spørsmål han hadde krevd et godt svar på fra ledelsen: 

«Forstår dere hva kunstig intelligens er, og har dere en operativ plan for hvordan dere skal bruke denne teknologien?» 

– Å ikke kunne gi et gjennomtenkt svar på dette i dag, er like dumt som det var å ignorere internett i 1995. Du putter ikke penger i et slikt selskap, sier han.  

Det høres kanskje ut som litt vel store ord.  

Men Olstad vet mer enn de fleste her til lands om hvordan teknologiske paradigmeskifter kan snu opp ned på det etablerte.  

Fra spådom til virkelighet  

Som 29-åring ble Olstad tidenes yngste professor i datateknologi ved NTNU. På midten av 2000-tallet ledet han FAST, et norsk søkemotorselskap som lenge konkurrerte side om side med Google.  

I dag er Olstad Corporate Vice President i Microsoft, og leder en avdeling drevet fra Norge med 650 utviklere som bygger funksjonalitet, skyinfrastruktur – og ja, kunstig intelligens – i flere av Microsoft 365 sine programmer.  

Dette er systemkritisk teknologi i blant annet Teams, Outlook og Word som tas i bruk av mange hundre millioner brukere i hele verden hver eneste dag.  

Fra innsiden har Olstad, som også sitter i Digital Norways advisory board, sett hvordan Microsoft er blitt en ledende aktør i det som av flere har blitt beskrevet som et «KI-kappløp» i teknologiverdenen.  

– Microsoft har både lykkes og slitt i tidligere paradigmeskift som web, mobil og sky. For snart ti år siden staket Satya Nadella (CEO i Microsoft) ut en kurs for Microsoft for å sikre at selskapet skulle lede an i det neste store paradigmeskiftet. Og svaret på det neste store mente han ville bli avansert kunstig intelligens med potensial for generell kunstig intelligens, drevet av store KI-modeller.  

Det siste halvåret har spådommen blitt til virkelighet. Og spørsmålet er ikke lenger om kunstig intelligens er teknologi næringslivet og virksomheter kan dra nytte av. Spørsmålet er hvordan.  

– Konsekvensene av kunstig intelligens vil bli større enn den industrielle revolusjonen, slår Olstad fast.  

Annenhver kodelinje skrives av kunstig intelligens  

Olstad er ikke alene om å påstå at automatisering og intelligente systemer har – og vil ha – en enorm innvirkning på ditt liv og din arbeidsplass.  

Ifølge Goldman Sachs kan kunstig intelligens erstatte 300 millioner stillinger, og automatisere 44 prosent av alle administrative arbeidsoppgaver. 

Dette er ikke fjerne fremtidsvisjoner og spekulering, men en utvikling vi allerede står midt i.  

Med den intelligente «assistenten» Github Copilot har utviklere i snitt automatisert halvparten av arbeidsoppgavene sine. Det skjer i en tid hvor det er enorm mangel på IT-kompetanse i hele verden.  

– I dag skrives annenhver koderemse av kunstig intelligens. Og allerede ser vi at utviklere med en kopilot er over 50 prosent mer effektive enn de som ikke har tatt i bruk kopiloter. Vi har bare sett begynnelsen av hvordan kopiloter vil revolusjonere kunnskapsarbeid og skape en menge nye roller som ikke eksisterer i dag, forklarer Olstad.  

Lavkode og hverdagsutviklere

Vanlige folk kan dermed løse kodeproblemer på rekordtid til en brøkdel av prisen .

En lignende kopilot er annonsert for Microsoft 365. Om denne også vil gjøre rapportering, tekstproduksjon, PowerPoint-presentasjoner og regnearksarbeid dobbelt så effektivt, gjenstår å se.  

Men en ting er sikkert: Kombinasjonen av «kopiloter», generativ KI som ChatGPT og en hel rekke lignende kunstig intelligente verktøy, har fundamentalt endret mulighetene for hvilke problemer de aller fleste arbeidstakere kan løse.  

I praksis kan du i dag bygge skreddersydde programvarer og funksjonaliteter ved hjelp av Github Copilot, ChatGPT, Power Apps eller andre lavkodeplattformer.  

– Dette kan du gjøre på rekordtid, med en brøkdel av utgiftene noe slikt vanligvis ville kostet – helt uten å vite hvordan du programmerer en eneste koderemse, sier Olstad.  

Dette kalles for lavkode eller nullkode. En arbeidstaker som kan løse digitale problemer uten formell programmeringskompetanse, refereres gjerne til som en hverdagsutvikler. 

Ikke bare kan lavkode og hverdagsutviklere ha enormt mye å si for produktivitet og effektivitet i en virksomhet. Når man selv, uten hjelp fra utviklere, er i stand til å lage egne apper, programvarer og integrasjoner, oppdages gjerne løsninger man ikke en gang var klar over at man trengte.  

Slik oppstår det innovasjon av.  

– Du kan spørre deg selv: Hva vil konsekvensene for din bedrift være om det å løse kodeproblemer blir like tilgjengelig som det å bruke en søkemotor? 

Sikre kompetente brukere  

Så hva kan små og mellomstore virksomheter gjøre i dag for å vise at de virkelig forstår mulighetene knyttet til kunstig intelligens – og hvordan kan man ta i bruk disse mulighetene i praksis?  

– Det aller viktigste er kompetente brukere, slår Olstad fast.  

Han forteller om en undersøkelse som viser at 30 prosent av alle studenter i dag bruker ChatGPT daglig som et operativt verktøy.  

– Har du høy ferdighet på å bruke generativ kunstig intelligens på ulike måter, vil det oppstå nye ideer. Særlig når du kobler på unik domenekunnskap, legger han til.  

Innsikten er også relevant for hvordan man organiserer seg. I fremtiden er det for eksempel ikke sikkert det er hensiktsmessig med en bedriftsstruktur hvor en salgsavdeling bestiller tekniske løsninger fra en IT-avdeling. 

– Dyp IT-kompetanse vil bare bli enda mere etterspurt. Bedrifter må i tillegg tenke kreativt rundt hvordan de nå kan utstyre sine domeneeksperter med KI-assisterte ferdigheter til å skape digitale løsninger, sier Olstad. 

Ta en titt på datastrategien 

Det neste du bør ha på plass om dere tar kunstig intelligens på alvor? En god plan for hvordan din virksomhet skal bruke dataene deres for å skape verdier.  

– Data er vår tids viktigste råvare. Hvilke data vil bli viktig for dere i fremtiden? Hva skal dere gjøre med den? Hvordan skal dere foredle den?  

Begynn med å ta en titt på datastrategien din, oppfordrer Olstad. Det er helt vesentlig at den gjenspeiler mulighetene som finnes i dag med automatisering og kunstig intelligens.  

Er dataene tilgjengelige, strukturerte og av høy nok kvalitet? Finnes det andre datakilder dere kan benytte dere av? Tar strategien høyde for endringstakten i deres bransje – og i samfunnet for øvrig?  

Er forutsetningene på plass, kan kunstig intelligent teknologi gi dataene deres «superkrefter». De kan brukes til å automatisere og effektivisere bedriftsprosesser, og legge grunnlag for nye forretningsområder.  

Hva betyr egentlig kunnskap?

Olstad mener utviklingen av kunstig intelligens rokker ved et grunnleggende spørsmål:  

Hva vil det egentlig si å kunne noe?  

For å bli lege, advokat, forsker eller nanoingeniør må du studere i mange år. Du må bestå en haug med eksamener, skaffe deg praktisk arbeidserfaring og bevise at du har kunnskapen som trengs for å operere et menneske, rådgi en klient i en rettssal eller sette sammen komponenter på et molekylært nivå.  

Vi er helt avhengige av at leger vet hva de driver med. At de har lært seg all forskning som er relevant for akkurat deg. 

– Men om jeg stolte blindt på helsevesenet, ville datteren min vært død i dag, sier Olstad.  

Han utdyper: 

– Tre uker før termin merket min gravide kone at aktivitet i magen ble mindre og mindre. Standardtesten fra sykehus er å få opp blodsukkeret og telle bevegelser i en viss tid. Vi målte akkurat nok – men for svake bevegelser. Da var rådet å bli hjemme. 

Internettsøk viste derimot en klart forhøyet risiko for fosteret med den praksisen sykehuset brukte.  

– Da trosset vi rådene og dro til sykehuset. Etter timer med CTG og ultralydundersøkelser var konklusjonen til legen fremdeles det samme: Fosteret er friskt og dere kan dra hjem igjen.  

Helt tilfeldig kom en overlege forbi. Hun tok en titt på skjermen og så med en gang at barnet var anemisk. Fosteret blødde over til moren og ble sakte kvalt. Det skjer bare i 1 av 10.000 svangerskap. Minutter senere tok de hastekeisersnitt, gav blodoverføring og reddet livet til datteren. 

– I ettertid tastet vi inn måledataene fra ultralyden i en søkemotor. Da kom svaret umiddelbart – barnet er trolig anemisk og må forløses med hastekeisersnitt. 

Demokratisering av kunnskap 

– Alle nødvendige data og kunnskap var til stede for å trekke riktig konklusjon. Men sjansen for at din lege har sett et slikt 1:10.000-tilfelle er svært lav. Overlegen som reddet livet til datteren vår hadde til alt hell sett et slikt tilfelle bare en uke tidligere. 

Poenget hans er dette: En av de mest definerende egenskapene ved utviklingen av kunstig intelligens er demokratiseringen av kunnskap.  

– Vi hadde flaks. På et lite distriktsykehus ville trolig barnet ha dødd i en slik situasjon. Med mulighetene som finnes nå trengs faktisk ikke kunnskap å samles hos noen få eksperter, men gjøres tilgjengelig for alle når man trenger den for å trekke riktig beslutning. 

– Nå er oppgaven til norske bedrifter og virksomheter å finne ut hvordan de kan ta i bruk denne nye måten å bruke og distribuere kunnskap på for å skape verdier og innovasjon.  

Billettkontroll, sensorer og predikering av trengsel. Her er noen eksempler på hvordan KI gjør hovedstadens kollektivtrafikk bedre.

«Hjulene på bussen går rundt og rundt», synges det i en av verdens mest kjente barnesanger – før den oppsummerer flere av kollektivfartøyets viktigste bestanddeler og egenskaper. 

Men er det kanskje snart på tide å skrive et nytt vers til sangen? I Oslo er nemlig sensorikk, algoritmer og kunstig intelligente modeller blitt vel så viktig for kollektivtrafikkens flyt som hjulene, vindusviskerne og dørene. 

I hvert fall nesten. 

– Ruters busser er kjørende KI-maskiner. Det er minst 20 sensorer i hver buss. Disse fanger opp alt fra når passasjerer går inn og ut, hvor lang tid det tar fra A til B – til å levere vedlikeholdsdata i sanntid om alt fra motorer, vindusviskere og ryggekameraer. 

Det sier Umair Mehmood Imam, leder for Ruters avdeling for data science og kunstig intelligens. 

Og ja: Sensorene måler også når dørene går opp og lukkes – gjennom hele byen. 

Disse dataene utgjør grunnlaget for arbeidet Ruter gjør med kunstig intelligens for å gi hovedstadens innbyggere et bedre og mer forutsigbart kollektivtilbud. Og det viser seg at de får oppnådd ganske mye basert på dette datasettet. 

Her er 7 konkrete måter Ruter bruker kunstig intelligens for å effektivisere prosesser og skape bedre brukeropplevelser: 

1. Ruteoptimalisering for spesielle reiser

Ruter er ikke bare røde busser. Kanskje du har sett de små rosa og grønne minibussene? Dette er et transporttilbud for barn og eldre. 

Konseptet fungerer litt som en Uber: Du har en app og du bestiller en buss. Men i stedet for at det kommer en taxi, er det en buss som plukker deg opp utenfor hjemmet ditt – og kjører deg dit du vil.

– Når etterspørselen er høy fungerer tjenesten bra. Men i perioder med lav etterspørsel har sjåførene kjørt litt på tomgang rundt omkring i byen, helt til det kommer en bestilling, sier Imam. 

Dette har etter hvert blitt en stor kostnad for Ruter, samtidig som det ofte har ført til lang ventetid for kundene. 

Med kunstig intelligens kan de nå predikere hvor de fleste bestillingene vil komme fra, og når det vil være størst behov for persontransport.

Burde de ha flere på jobb på Grünerløkka, Jar eller Mortensrud? Burde rutene gå fra øst mot vest? Måtte sjåførene kjøre innom sentrum om morgenen, eller kunne de unngå rushtrafikk ved å legge rutene utenfor bykjernen?

– Predikeringsalgoritmene kom med 93 prosent nøyaktighet. Dette har spart oss for store kostnader og gjør kundene mer fornøyde. 

2. Billettkontroll 

Det er kjedelig å bli tatt i billettkontroll. Men mekanismen er nødvendig for å sikre at folk betaler for seg når de reiser med buss, trikk og bane. 

– Billettkontroll har aldri vært en måte for Ruter å tjene penger. Tvert imot, ønsker vi å bruke mer penger på bedre kollektivtrafikk og mindre på kontroll, sier Imam. 

Basert på de samme treningsdataene som ruteoptimalisering, utviklet Ruter en algoritme som kunne forutse hvor mange som vil snike i løpet av en gitt dag, og på hvilke stopp det er mest sannsynlig at snikingen vil foregå. 

Algoritmene vektes med manuell input for å sikre at billettkontroll ikke rammer skjevt, ved at det for eksempel ikke kontrolleres mer i områder der folk generelt har det litt tøffere økonomisk. 

3. Analysere klager og ros i stor skala

Når bussen er forsinket, eller det skjer noe annet som går utover kundeopplevelsen, mottar Ruter naturligvis klager. 

Men respons om kollektivtrafikken i Oslo kommer ikke bare i offisielle kanaler. Folk kommer med sine meninger i kommentarfelt, i diskusjonsforum, på Twitter og en hel rekke andre steder omkring på internett. 

– Vi trente blant annet modellen vår med en hel rekke ulike norske og svenske banneord. Ord og formuleringer jeg aldri engang hadde hørt før! 

Med kunstig intelligens kunne de deretter kartlegge hvilke typer tilbakemeldinger som var mest akutte, kritiske og aktuelle – blant annet basert på nettopp hvilke banneord som ble brukt. 

Slik kunne de få visualisert skjulte trender i dataene, som igjen ledet frem til interessant og nyttig innsikt. De vanligste klagene handlet om trengsel og fremkommelighet for rullestol. 

Men særlig en klage kom overraskende på flere:

– En skjult trend var at blant de vanligste klagene handlet om musikksmaken til sjåførene, forklarer Imam, og ler. 

KI-verktøy har også gjort det mulig for Ruters kundeservice å komme med raskere og mer relevante svar på klager. 

– Kunstig intelligens har spart inn omkring 3080 timer med manuelt arbeid. Det tilsvarer omtrent et årsverk. 

4. Predikere trengsel på bussen 

Å stå som sild i tønne på en fullstappet buss er ikke særlig trivelig. 

Ut ifra de samme datasettene har Ruter – med høy grad av presisjon – levert en tjeneste som gir deg en oversikt over kapasiteten på bussen. 

I Ruter-appen får du nå en prediksjon på om det vanligvis er lite plass, noe plass eller god plass på enkelte stopp. 

Slik kan du selv bestemme om du vil vente til neste avgang for en litt mer behagelig kollektivreise. 

5. Personaliserte reiseruter 

Hvordan kan Ruter konkurrere med Google Maps? Vel, det kan de ikke. I hvert fall ikke når det kommer til innhenting og bruk av brukernes persondata. 

Men i samarbeid med Datatilsynets sandkasseprosjekt, har de kommet frem til en løsning for personaliserte reiseruter med anbefalinger for hvordan du enklest kan komme deg fra A til B ved hjelp av Ruters kollektivtjenester. 

Det, på en måte som skal være i henhold til GDPR. Altså at Ruter ikke samler inn eller bruker data på en måte som bryter med personvern. Det innebærer blant annet at du skal vite hvilken informasjon om deg som brukes, hva informasjonen brukes til – og at den er trygt lagret. 

6. Kunstig intelligens – som overvåker seg selv 

Og apropos GDPR: Det finnes en hel rekke lover og reguleringer som tar for seg hvordan persondata skal håndteres i forbindelse med kunstig intelligente prosesser. 

Og flere er på vei, blant annet den såkalte «Artificial Intelligence Act», eller KI-forordningen på norsk, som nå blir utarbeidet hos EU-lovgiverne. 

Derfor jobber Ruter med å motvirke black box-systemer og mot transparente og forståelige kunstig intelligente prosesser. Det som ofte refereres til som explainable AI. 

Altså, at mennesker enklere skal kunne forstå og tolke beslutningene som tas av KI-systemer.

– Et av tiltakene er å lære opp kunstig intelligente modeller til å overvåke seg selv, sier Imam. 

Det er på ingen måte systemer som er ment for å erstatte menneskelig kontroll. Derimot er modellene designet for å forklare valgene som tas og sette dem i kontekst for bedre beslutningsgrunnlag. Disse er også innrettet slik at de kan varsle utviklere om avvik. 

7. Bruk av kvanteteknologi 

– Vi var veldig fornøyde med arbeidet vi gjorde med kunstig intelligens. Men ettersom datamengdene økte, ønsket vi å gjøre algoritmene våre mer komplekse, sier Imam. 

Her kommer bruk av kvantedatamaskiner inn i bildet. 

Akkurat hvordan det fungerer er ganske sammensatt, men for å oppsummere er det en måte å prosessere data som er eksponentielt raskere og kraftigere enn hvordan det fleste datamaskiner fungerer i dag. 

Men å få tak i kvantedatamaskiner er ikke bare bare. De er enormt dyre, og det er nesten umulig å få tak i en maskin med nok kvantebiter til at prosessorkraften utgjør en reell forskjell. 

– Så viste det seg at du jo bare kan leie en kvantedatamaskin i skyen. Vi leide en fra Amazon og det kostet oss bare 350 dollar. 

I løpet av en testperiode kom de frem til at kvantedatabehandling er bedre egnet for KI-programmering enn en tradisjonell databehandling – i tillegg til at klimaavtrykket er betraktelig mye lavere. 

– Det ga oss 1% bedre prediksjon. Det høres kanskje ikke så mye ut, men i KI-verden er det lett å få til 90% prediksjon, men nesten umulig å få til 91% – for å sette det på spissen. 

– Det er en enorm forbedring.