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.
Fakta: Kunstig intelligens, maskinlæring og algoritmiske systemer
Kunstig intelligens er en teknologi det fortsatt er knyttet mange myter og misforståelser til. Én av dem har vi rukket å være skyldig i allerede i denne faktaboksen – idet vi kaller KI en teknologi.
– Jeg behandler kunstig intelligens som en samlebetegnelse, sier Inga Strümke.
KI er nemlig ikke en teknologi i seg selv. Det er heller en kategori – en samlebetegnelse – som rommer ulike teknikker og teknologier som produserer noe vi oppfatter som intelligent oppførsel fra en datamaskin.
Innunder denne samlebetegnelsen finner vi maskinlæring (ML), som kombinerer digital teknologi med matematiske og statistiske metoder for å se etter mønstre og oppnå et mål basert på data.
Når vi snakker om maskinlæring brukes ofte begrepet «algoritme», men dette er igjen upresist. Mens maskinlæring handler spesifikt om at programmer bruker data for å lære seg å oppnå mål, er «algoritme» et mye bredere begrep. Algoritmer er stegvise instruksjoner datamaskiner bruker for å oppnå mål. Alle dataprogrammer er derfor algoritmer.
All maskinlæring bruker algoritmer, men ikke alle algoritmer involverer maskinlæring. Det som gjør maskinlæring spesielt, er nettopp at systemet lærer – det tilpasser seg: Selve algoritmen, altså instruksene for hva datamaskinen skal gjøre, endres automatisk for at systemet stadig bedre skal oppnå det aktuelle målet det er satt til. Hvordan maskinen lærer vil vi forklare senere.
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.
KI kan ikke tenke selv – men kan gjøre ting vi ikke forstår
Kunstig intelligens kan ikke brukes til å lage ett enkelt program eller én maskin som kan gjøre hva som helst. Hvert program kan gjøre sin spesifikke ting. Et KI-system som skal oppdage svindelforsøk, kan eksempelvis ikke neste dag brukes til å lage en spilleliste eller navigere en selvkjørende bil.
– Det er fremdeles veldig problemspesifikt. Hvis vi lager et system for å gjøre én ting, kan det kun gjøre den ene tingen, sier Strümke.
Maskinen har heller ingen egen vilje, selvbevissthet eller evne til refleksjon. Den skjønner ikke hva du mener, men må ha dataene i akkurat det formatet den er vant til å få data. Og selv om maskinlæring nettopp kan «lære» – nemlig tilpasse sine egne algoritmer for bedre å oppnå målet sitt – er systemet til syvende og sist programmert til å tilpasse seg disse dataene etter bestemte regler.
Som Strümke sier det: KI er ikke et «spøkelse i maskinen».
– Men hvis Magnus Carlsen spiller mot AlphaZero, og den gjør et genialt trekk som gjør at Magnus taper, kan det være vanskelig for oss å forstå hvorfor den gjorde akkurat dét trekket. Det er informasjon i maskinlæringsmodeller vi ikke vet hvordan vi skal representere for at gir mening for oss mennesker. Dette er et aktivt forskningsfelt, sier hun.
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.
Maskinlæring: Slik lærer maskinen
Maskinlæring innebærer å lage en såkalt «modell» som trenes til å behandle data på en bestemt måte for å oppnå et mål. Å trene modellen betyr kort sagt å få den til å oppnå målet stadig bedre basert på de tilgjengelige dataene – enten det er snakk om å oppdage et hackerangrep eller å forutsi morgendagens vær. Det finnes flere måter å trene opp modellen på. Dette er hvordan Strümke forklarer de tre vanligste:
Veiledet læring:
– Se for deg at du er ute og går med en toåring, og så ser dere et par hunder og et par katter. Du peker på dem og sier «voff» eller «mjau». Så ser barnet en hest, og sier «voff». Da sier du nei, det er ikke en voff. Dette er veiledet læring. Du veileder systemet, som er barnet. Barnet prøver å gjette, og får noen tilbakemeldinger underveis, med belønning og tommel opp når det er riktig, og tommel ned når det blir feil. Da vil barnet veldig snart lære forskjellen på hund og katt, og endre atferden sin. Veiledet læring er den vanligste metoden og den som er enklest å få til.
Ikke-veiledet læring:
– Si at du gir barnet en bønsj med bilder av dyr, og ber barnet om å sortere dem. Barnet vil sannsynligvis klare å sortere hundene i en haug, slangene i en annen, og bjørnene i en tredje. Hver haug er forskjellig, og du kan komme inn etterpå og se at der er hundehaugen, der er slangehaugen, der er bjørnehaugen. Barnet har selv klart å se mønstre, uten å vite hva hun så etter, men mønstrene var sterke nok til at hun klarte lage kategorier. Du stod ikke der og sa noe, men barnet – systemet – klarte å finne mønstrene selv. Det kalles ikke-veiledet læring.
Forsterkende læring (reinforcement learning):
– Den siste formen er reinforcement learning, eller forsterkende læring som det kan kalles på norsk. Dette er kort sagt å lære seg å sykle. Du må bare prøve forskjellige ting. Miljøet er dynamisk. Det går kanskje ikke an å forklare hvordan du skal gjøre det, og noen ganger går det skeis. Du må finne ut selv hva du har lyst til å prøve, og plutselig får du det til bedre og bedre. Det skjer i et åpent miljø og du – agenten – må ut og finne dataene sine selv, og må selv velge hva som er verdt å prøve. For eksempel skjønner du fort at det er verdt å prøve å sette seg på setet.
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:
3 spørsmål du bør stille om KI-systemet:
- Hvilke data går inn? Hva er disse dataene, hva beskriver de, hvilken struktur har de? Er det tekst, er det bilder? Dette vil du vite for å kunne snevre inn hvordan modellen kan fungere, men også for å vite hva du kan forvente å få ut av dataene.
- Hva skal den gjøre? Hva skal komme ut? Er det en predikert pris, kategorisering av godkjent og ikke godkjent, eller skal den estimere en størrelse?
- Hva slags modell er det? Det finnes mange kategorier av maskinlæringsmodeller, som fungerer på ulike måter. Hva er det konkret som gjøres med dataene, fra de går inn i modellen til du får et resultat i den andre enden? Hvis du får et svar her som du ikke skjønner, så har du i alle fall et ord du kan gå og søke opp.
– 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.