Kunstig intelligens (AI) har røtter tilbake til 1950-tallet og har vært gjennom opp- og nedturer, men de siste årene har fagområdet opplevd en kraftig renessanse. Hva har skjedd, og hvorfor nå? Og er vi nærmere virkelig intelligente maskiner?
Roar Fjellhem
Siv. ing. fra NTH teknisk kybernetikk, gründer av Computas og direktør for forretningsutvikling innen industri og energi. Han har vært aktiv i det norske AI-miljøet siden begynnelsen av 80-tallet, blant annet som professor II og foreleser ved UiO.
Klassisk AI: Logiske modeller
Mange som har kommet til AI de siste årene vil tenke at kunstig intelligens er synonymt med maskinlæring, men utgangspunktet var mekanisering av klassisk logikk. Målet var å sette maskiner i stand til å resonnere og ta rasjonelle beslutninger på linje med oss mennesker. «Intelligensen» bestod av en logisk modell av problemområdet med tilhørende algoritme for problemløsing. Ulempen er at hvert nytt område krever en ny modell, mens en fordel er at systemets svar kan forklares ved hjelp av modellen. Den modellbaserte metoden er likevel for krevende til at AI tok av i større skala.
AI 2.0: Datadrevet maskinlæring
Det som har skjedd med AI de siste årene er at modeller i stor grad er erstattet av datadrevet maskinlæring av «black box»-funksjoner, det vil si sammenhenger mellom input og output, der detaljene i “mappingen” ikke er åpen for innsyn. Funksjoner produseres automatisk ved at maskinen trenes opp på store datasett med kjente svar. Funksjonene har ofte god treffsikkerhet, men sjelden 100 prosent. Det finnes en rekke teknologier for datadrevet maskinlæring, mange basert på statistiske metoder (regresjon) og nevrale nett (“dyp læring”).
Noen mener at AI har en styrke ved at den ikke er beheftet med forutinntatte meninger og fordommer, men vi kan dessverre ikke tilskrive datadrevet maskinlæring slike egenskaper. Tvert imot har maskinlæring en iboende «akilleshæl»: feil, skjevheter og andre kvalitetsmangler ved datasettene som brukes til trening, fører til funksjoner som gir feil eller uønskede svar. Denne svakheten må møtes med bedre tilrettelegging av treningsdata. Dette er spesielt viktig i etisk følsomme områder, men kravet til høy kvalitet av data er gyldig for alle anvendelser av maskinlæring.
«If it works, it ain’t AI»
Moderne AI er et ektefødt barn av internett. Digitale verktøy er blitt allemannseie og har ført til eksponentiell vekst av brukergenererte data. Pionerer på netthandel oppdaget at data kunne brukes i nye tjenester (produktanbefalinger) og skapte behov for å automatisere tjenestene. Datadrevet AI møter behovet, men er avhengig av store datasett og enorm regnekapasitet. Uten fleksible og kostnadseffektive skyplattformer fra Google, Microsoft og andre ville ikke AI ha skjedd nå.
Det er med andre ord en gjensidig forsterkende fremvekst av forretningsbehov og teknologiske muliggjørere som har ført til siste års «AI-boom». Men er det kunstig intelligens? Et bitterironisk utsagn innen AI er «if it works, it ain’t AI». Dagens AI kan gjenkjenne et ansikt med stor treffsikkerhet, men ikke forklare hvordan, og er utsatt for øvrige svakheter ved maskinlæring nevnt tidligere. Noen sammenligner dagens AI med instinkt slik vi kjenner det hos dyr: genetisk bestemt og ubevisst adferd.
Ja takk, begge deler
Daniel Kahneman skiller mellom to nivåer i vår tenking: ureflektert og intuitivt i situasjoner som krever rask respons, og langsomt og overveid i situasjoner der vi har tid. Modellbasert AI er et steg på veien til maskinell overveid tenking, mens datadrevet AI effektivt demonstrerer «kunstig instinkt». Fremtidens roboter vil trenge begge. I mellomtiden må vi anvende det enorme potensialet i maskinlæring på ansvarlig måte, og samtidig se frem til nye AI-paradigmer som kombinerer modell- og funksjonsbasert AI.
Av: Roar Fjellheim, Computas AS
