Kunstig intelligens og maskinlæring

Gjennombrudd i maskinlæring har gjort kunstig intelligens til en av de viktigste teknologiene i dag. Dette er datasystemer som er i stand til å løse oppgaver uten å få instruksjoner fra et menneske på hvordan de skal gjøre det. Innen medisin kan systemene diagnostisere sykdommer, innen bank behandle lånesøknader, innen vareproduksjon styre roboter. Felles for disse systemene er at de utfører arbeid som normalt krever en form for menneskelig intelligens. Ofte gjør de det bedre og mer effektivt. Her gis en lettfattelig oversikt over moderne kunstig intelligens. Du får en innføring i metodene og verktøyene du kan benytte selv.

Moderne kunstig intelligens

Egentlig er vi alle allerede omgitt av kunstig intelligens (KI), med tjenester som kan gi en mest mulig intelligent oppfattelse, resonnering og respons. Vi har taleassistenter som Google Assistant og Apples Siri. Microsoft 365 får stadig flere KI-mekanismer. Office-appene har KI-medhjelpere. Selvkjørende teknologi sikrer biler. Roboter er i ferd med å bevege seg ut av produksjonshallene og få intelligente funksjoner. Forbrukerelektronikken er heller ikke uberørt – «KI» er snart like inn som «smart». Behovet for energi i byer og vår infrastruktur vil bli styrt av intelligente systemer. Det offentlige og private vil komme opp med sine bruksområder. Om du ønsker å bevare dine konkurransefortrinn og øke produktiviteten og kvaliteten på arbeidet ditt, er dette teknologier du bør sette deg inn i.

Et intelligent grensekontrollsystem

La oss begynne med et enkelt eksempel på anvendt KI: Flere flyplasser har systemer for automatisert grensekontroll. Du legger pass eller ID-kort på en dokumentleser. Så foretas en autentisitetskontroll. Deretter kan du gå inn i slusen og se i kameraet, sånn at den kan utføre en biometrisk sammenlikning av ansikt med passfoto. Hvis dataene er riktige, har du autorisasjon til å krysse grensen, og passasjen åpnes. Det oppsiktsvekkende er at kontrollen klarer å hente ut karakteristiske trekk fra et flere år gammelt bilde og samkjøre det med sånn som du ser ut i dag.

Kontrollen er effektiv, tar bare noen få sekunder og kan kjapt avvikle lange køer. Den åpner for tilkobling til andre systemer, som databaser i hjemlandet for passet for å verifisere legitimasjonen eller Europol med en liste over ettersøkte personer. Politibetjenter som normalt kontrollerer pass, kan frigjøres til oppgaver som ikke lar seg erstatte av maskiner. Ofte er dette konsekvensen av KI: Intelligente maskiner vil i stadig høyere grad utføre arbeid vi gjør i dag.

Tre former for kunstig intelligens

Vi opererer med tre typer KI. Den første er svak eller smal og er den vi har i dag. Den benyttes innenfor klart avgrensede områder. Neste fase er generell kunstig intelligens, som ennå ligger et godt stykke frem i tid. Ideen er at den skal være fullt på høyde med vår egen intelligens. For å gi en forestilling om denne allmennintelligensen må vi gripe til science fiction. Det vil være maskiner som R2D2 i Star Wars, Data i Star Trek og HAL 9000 i Stanley Kubricks film En romodyssé (2001). Den tredje formen er kunstig superintelligens. Som eksempler kan vi nevne det onde datanettverket Skynet i The Terminator (1984), skurken Ultron i Avengers og Arkitekten i to av Matrix-filmene.

Det meste av arbeidet med å videreutvikle KI fokuserer på svak KI. Det skjer ved universiteter og hos samtlige av de store aktørene. IBM har Watson, en plattform for kognitive teknologier. For Microsoft er KI eller AI (artificial intelligence) det største satsningsområde, tett etterfulgt av automatisering. Google presenterer seg som AI First Company. Men forskning på generell KI går også videre. Når den bastionen først er erobret, mener enkelte spesialister på området at det ikke vil ta lang tid før vi når en overmenneskelig form for KI. For generell KI vil ha evnen til å forbedre seg selv og tilegne seg kunnskaper som langt overgår noe vi har sett tidligere.

Milepæler innen kunstig intelligens

Den svake formen for KI har vist seg å være kraftig og effektiv. Den feirer store triumfer, blant annet i det kinesiske brettspillet Go, som to unger spiller her:

• I 1997 slo IBMs Deep Blue daværende verdensmester Garri Kasparov i sjakk. Maskinen var spesialkonstruert med 256 PowerPC-prosessorer.
• I 2005 fullførte Stanley og Stanford Racing Team det amerikanske militære forskningsrådets DARPA Grand Challenge, til fremme for forskning innen autonome kjøretøyer. Utfordringen besto i å bygge en intelligent robot som var i stand til å navigere 175 engelske mil gjennom ørkenterreng på under ti timer, uten menneskelig innblanding.
• I 2011 vant IBMs Watson Jeopardy! Det markerte et gjennombrudd for KI ved at maskinen kunne forstå naturlig språk og hadde evnen til å få mening ut av nedtegnet menneskelig materiale. Watson var fôret med over 200 millioner sider tekst, blant annet hele Wikipedia. 2880 kjerner med massiv parallellprosessering kvernet seg gjennom hvert spørsmål.
• I 2016 seiret Googles AlphaGo i Go mot Lee Sedok, vinneren av 18 verdenstitler. Spillet har astronomisk flere muligheter enn sjakk. En forbedret versjon, AlphaZero, lærte seg selv fra bunnen av hvordan man mestrer sjakk, shogi og Go. Systemet visste ikke noe utover de grunnleggende reglene. Læringen foregikk ved hjelp av et dypt nevralt nettverk.

Konkurransene statuerer milepæler i utviklingen av KI og skaper en offentlighet rundt hva den kan i dag. En robot som klarer å kjøre gjennom Mojaveørkenen på egenhånd, må være klar til å ta avgjørelser i møte med helt uforutsette omstendigheter. Det er umulig å forhåndsprogrammere en maskin til å vinne i Go. Den må kunne lære selv basert på erfaring ved prøving og feiling etterfulgt av belønning. Det er kort og godt en type intelligens, et begrep vi søker å avgrense nærmere nedenfor.

Kunstig intelligens i praksis

Microsoft 365 – verdens produktivitetssky – er i ferd med å rulle ut stadig nye funksjoner basert på kunstig intelligens. Cortana, Microsofts digitale assistent, blir integrert i mobilappene. Du vil kunne snakke med Outlook. Sammendrag av e-posten din leses opp, og du får hjelp med å håndtere avtaler. En ny Office-mobilapp lar deg ta bilder av tekst og tabeller og omgjøre dem til redigerbare Word- og Excel-dokumenter. PowerPoint kan lære deg opp i å holde mer effektive presentasjoner og har KI-medhjelpere for profesjonelle forslag til plassering av tekst og billedstoff.

Videotjenesten Stream kommer med tale-til-tekst-transkripsjon og kan skille ut bakgrunnsstøy ved å oppdage lydfrekvenser. Power Platform har flere intelligente moduler: Power BI hjelper deg med å ta informerte forretningsbeslutninger basert på datadreven innsikt. Power Automate og Power Apps kan benytte KI-mekanismer. Power Virtual Agents lar deg bygge chatbots for å samhandle med kunder og ansatte – uten koding. Project Cortex omgjør ustrukturerte rå data til meningsfull informasjon – et wikipedia for bedriften, mens KI gjør alt det harde arbeidet. Maskinlæring benyttes for brukertilpassede opplevelser i Microsoft 365 og for å avdekke og hindre sikkerhetsbrudd.

I videre forstand egner KI seg godt til å gjenkjenne objekter, klassifisere kjønn, bestemme alder og fastslå følelser som kommer til utrykk på fotografier. Den kan forstå naturlig språk og syntetisere tale, har en grunnleggende leseforståelse og kan avlese lepper. KI kan benyttes til å gjenkjenne håndskrift og foreta språkoversettelser. Den kan generere bilder og komponere musikk. Skal du spille mot et godt KI-system, bør du holde deg unna alle typer brettspill og klassiske data- og videospill. Her vil du tape – forunderlig nok også i poker, som innebærer en del psykologi, samtidig som alle sitter med ufullstendig informasjon. Mens rutinerte gamere klarer å hamle opp med KI i moderne PC-spill.

Bruksområder

Kunstig intelligens foreligger her og nå. Forbrukere kan kjøpe robotstøvsugere og -gressklippere. Det finnes tenkende vaskemaskiner som analyserer tøyet og graden av skittenhet for å velge riktig program. Fotoapparater har innebygd intelligens for å ta de beste bildene under skiftende forhold. Det er utviklet lukt-sensorer som kan oppdage bedervet mat og røykutvikling – dessverre ennå ingen elektroniske sporhunder som kan avlaste sine kjødelige søsken ved minerydding.

Innen kundeservice benyttes KI til å generere lister over ofte stilte spørsmål (OSS). Der har vi også chat-boter og stemmeassistenter. Bank og finans bruker KI til å utvikle algoritmer for kjøp og salg av aksjer, til å oppdage kredittkortsvindel og forvalte porteføljer. I helsevesenet bidrar KI med diagnostiske verktøy, kommer med forslag til behandling og verifiserer medisineringen. Innen vareproduksjon finner vi intelligente industri-roboter. KI bistår ved produktdesign og feildeteksjon. For transport og befordring finnes det lager-roboter samt leveringsdroner. Her brukes KI også for å optimalisere ruter. Markedsføring benytter KI for målrettede annonser, analyse av følelser på fotoer og produktanbefalinger. Og dette er bare toppen av isfjellet. KI finner stadig nye anvendelser.

Klassisk, kunnskapsbasert og datadreven KI

Kunstig intelligens ble etablert som fagfelt i 1956 ved Dartmouth College i New Hampshire, ett av de gamle ærverdige elitelærestedene i «eføyligaen», grunnlagt i 1769. Ovenfor er pionerne 50 år senere – forskere som har satt varige spor, blant dem en nobelprisvinner. Historien om KI er en fortelling om oppturer, overdrevne forventninger og nedturer.

Klassisk kunstig intelligens

Første fase kalles klassisk eller symbolsk KI. Det ble gjort fremskritt i datasøk, beregningslogikk og forståelse av naturlige språk. En General Problem Solver løste ikke allmenne problemer, men kunne spille Tårnene i Hanoi og enkel sjakk. Man kunne små-chatte med ELIZA. SHRDLU gjorde det mulig å manipulere objekter i primitive dataspill. Men det lyktes ikke å skape et kunstig nevralt nettverk, kalt «perceptron» – satt sammen av ordene persepsjon og nevron. Maskinoversettelser fra russisk til engelsk – et prosjekt som garanterte forskningsmidler under den kalde krigen – var for dårlig, for dyrt og tidkrevende. Datakraften var for svak og beregningene for komplekse. En rapport i 1973 felte en knusende dom over KI. Det innledet den første KI-vinter, som varte fra 1974 til 1980.

Kunnskapsbasert kunstig intelligens

Annen fase var preget av kunnskapsbasert KI. Her har vi ekspertsystemer med kunnskapsbaser og inferensmotorer. Metoden gikk ut på å intervjue spesialister, punche inn opplysningene og programmere regelsett, så systemene kunne trekke slutninger – tungvint og arbeidskrevende. Stanford University utviklet MYCIN, et system for sykdomsdiagnoser, men ble aldri satt i produksjon. Digital Equipment Corporation (DEC) bygde XCON for å forvalte inventar og brukte det til dels også selv. Men ekspertsystemer viste seg å være for dyre å vedlikeholde, var for ufleksible og ikke særlig effektive. Resultatet var en ny KI-vinter, som varte fra 1988 til ut på 2000-tallet.

Datadreven kunstig intelligens

Tredje fase er datadreven KI med forskjellig typer maskinlæring. Dette er vår tid, med kraftigere maskiner, mer data, bedre algoritmer og strengere disiplin. Suksesshistoriene er overveldende, bruksområdene stadig økende. Men det er fortsatt enkelte begrensninger: Evnen til å resonnere er ikke god nok. Systemene krever merkede data. De lærer bare hva vi lærer dem. Kjente fiaskoer er selvkjørende biler som kolliderer, chat-boter som overtar rasistiske ytringer, og Watson som mislykkes som lege. Men det er stadig høysommer for KI. Lite tyder på en ny vinter.

Naturlig og kunstig intelligens

Men hva er egentlig intelligens? For å forstå kunstig intelligens må vi først ha et begrep om naturlig intelligens. Til vanlig mener vi noe sånt som «evnen til å tilegne seg og anvende kunnskap» eller «ferdigheter i å takle komplekse utfordringer». Men dette blir for vagt. La oss heller bruke en modell som er mer presis og også omfatter intelligens hos dyr og insekter. Her er det tre scenarioer:

• En ungdom har mattetentamen. Målet er å stå til eksamen. Oppfattelsen er å lese og forstå oppgaveteksten. Handlingen er å løse oppgavene.
• En mus er i en labyrint. Målet er å komme seg ut og spise en ostebit. Oppfattelsen er å se og trekke slutninger. Handlingen er å navigere seg gjennom en floke av veier og passasjer.
• En maurtue er truet av en bille. Målet er å beskytte kolonien. Maurene lukter inntrengeren. Deres kollektive intelligens driver dem til angrep.

Det gir en operasjonell definisjon av naturlig intelligens: En agents evne til å oppfatte et miljø og å velge handlinger som øker sjansene for å nå et mål. Samme modell og definisjon kan anvendes på KI:

• Grensekontrollen er agenten. Miljøet er grensen på flyplassen med reisende. Målet er å godkjenne dem. Oppfattelsen består i å trekke ut mønstre fra skanner og foto. Handlingen er å kontrollere legitimasjonen og åpne sperren.
• Agenten i en førerløs bil er teknologien. Miljøet er trafikken. Målet er å komme frem uskadd. Oppfattelsen håndteres av sensorer kombinert med vurderinger. Handlingen er å kjøre.

Komponenter i kunstig intelligens

Agenten i kunstig intelligens har dermed samme evne som vi til å velge rasjonelle handlinger for å oppnå et mål. Men her mangler noe vesentlig, ett eller flere av komponentene nedenfor:

• Oppfattelse er mer enn sansing. Den utleder tilstanden fra mønstre og gjenkjenner dem, oppdager egenskaper ved objekter og relasjonene mellom dem. For den ytre verden benyttes sensorer som kamera og mikrofon.
• Læring innebærer å tilegne seg kunnskap innenfor et begrenset felt som kan omsettes i handling. I dag benyttes forskjellige former for maskinlæring.
• Kunnskap er representasjonen av det KI-systemet har lært, en samling informasjon.
• Resonnering er å dra fornuftslutninger. Ved deduksjon foretas det en slutning fra det generelle til det spesielle. Ved induksjon slutter man fra enkelttilfeller til det allmenne.
• Planlegging betyr å sette og oppnå mål, visualisere fremtidige tilstander, forutsi handlinger.

Maskinlæring

Ekspertsystemer læres opp ved at du formaliserer kunnskap og legger den inn i systemene, en tungvint og slitsom prosess – noe som har ført til at vi stadig ser mindre til dem. Ved maskinlæring, som også kalles datadreven KI, foregår opplæringen ved at du oppretter modeller som trenes opp. Det benyttes statistiske metoder for å la datamaskiner finne mønstre i store datamengder.

Her har vi en enkel modell som læres opp til å atskille epler og bananer basert på lengde og høyde. Vi trener den opp med et datasett. For hver gang angir vi hva frukten er. Med et testsett får vi bekreftet om modellen har lært noe. Dette er frukt modellen aldri har sett før. Om den enkelte ganger bommer på klassifiseringen, justerer vi på vektingen til den opererer feilfritt. På samme måte vil vi gå frem når vi skal ha en modell til å gjenkjenne et håndskrevet 8-tall. Vi fôrer modellen med for eksempel 8000 forskjellige varianter, og har et treningssett med 2000.

Datadrevne modeller har ingen regler som er programmert inn på forhånd, men lærer dem på egenhånd. De er ofte ikke forståelig for mennesker og kalles derfor «svarte bokser». En feil i et KI-system for det amerikanske forsvaret, kan tydeliggjøre hva som foregår. Modellen ble lært opp til å undersøke om det var kjøretøy ute i et terreng på fotoer. Modellen ble matet med massevis av bilder av landskap med og uten kjøretøy og ble hver gang fortalt hvilken klasse bildene tilhørte. Det fungerte med testsettet, men ikke i den virkelig verden. Det skyldtes at fotografier med kjøretøy var tatt i sollys, de uten i overskyet vær. Den kunstige intelligensen lærte dermed å se forskjell på været.

Dyplæring med nevrale nett

Læring med forsterkning

I modellene her benyttes det veiledet eller styrt læring. En person har trent dem opp. Maskinen lærer å forstå at inngangsverdiene forutsier utgangsverdiene. Dette er fortsatt den mest brukte metoden. Ved ikke-veiledet læring har maskinen ikke tilgang til utgangsverdier for gitte inngangsverdier. I stedet forsøker algoritmen selv å finne strukturen i inngangsverdiene ved for eksempel å gruppere dem i klynger. I læring med forsterkning interagerer modellen direkte med et miljø som gir straff eller belønning. Det kan anvendes i scenarioer der det er mange veier til målet, og det ikke er gitt hvilken som er den beste. Det er sånn AlphaGo er lært opp ved å spille mot andre.

En selvkjørende bil

Sånn opplever en selvkjørende bil trafikken. Den kunstige intelligensen har lært seg å merke og klassifisere objekter, relasjonene mellom dem og hvordan den skal forholde seg.

Kunstig intelligens i din IT-organisasjon

Den enkleste metoden for å komme i gang med KI i virksomheten din er å ta i bruk KI-funksjonene som følger med Microsoft 365. Power Platform lar deg bygge apper med liten eller ingen koding. Til sommeren 2020 kommer Project Cortex, som ved hjelp av maskinlæring strukturerer data i bedriften din. Om du skal bygge mer avanserte applikasjoner, bør du benytte ferdig opplærte modeller som du finner i Azure Cognitive Services. De tar seg av mønstergjenkjenning, tale, søk, språk og beslutninger.

For tilpassede KI-modeller kan du ta i bruk Azure Machine Learning. Modeller finner du også i Model Zoo, Model Depot og ONNX. Andre alternativer er Google Cloud Al Services og Amazon AWSAI Services. For folk flest vil programmering av KI etter hvert bestå i å sette sammen moduler med verktøy som er low code eller no code. Microsoft har en løsning i utvikling. Tredjeparter vil også komme på banen.

Avsluttende ord

Pionerne innen KI lå riktig. Maskiner har ikke bare evnen til å håndtere tall, men også til å manipulere symboler. Deres program Logic Theorist klarte å bevise en rekke logiske teoremer. Maskinvaren var for svak, beregningene økte eksponentielt med vanskelighetsgraden av oppgavene. Det ble naturlig å gå videre på ekspertsystemer, noe som viste seg å være for dyrt og ineffektivt å vedlikeholde. En seier kunne et sånt system likevel notere: IBMs Deep Blue slo en regjerende verdensmester i sjakk. Det endelige gjennombruddet kom med maskinlæring i form av dyplæring og forsterket læring. Til vanlig gir vi en maskin detaljerte instruksjoner om hva den skal gjøre. Nå oppretter vi en modell som trenes opp med data og lar den ta avgjørelsene. Så kan den operere på «stordata» (big data).

Hensikten med innlegget var å gi en bakgrunn for KI-mekanismene i Microsoft 365 og de kognitive tjenestene i Azure. I et samlet bilde inngår også robotikk. Selvbevegelige maskiner utstyrt med KI – humanider, androider og andre futuristiske skapninger – er i ferd med å overta farlige, helseskadelige og stumpt repeterende oppgaver, mange frykter også jobbene våre. Kunstig intelligens er en så kraftig teknologi at den opplagt vil føre til strukturendringer i samfunn og arbeidsliv. Enkelte forskere vil ha det til at vi står foran en fjerde industriell revolusjon. Men når dette vil skje, er mindre klart.

Fremtiden med KI later til å være spent ut mellom to ytterpunkter: Pixar-filmen WALL-E hyller et liv i salig lediggang med roboter som utfører alt det harde arbeid. Mens en noe mer dystopisk Stephen Hawking advarer mot verdens undergang. Vår oppgave i mellomtiden bør være å ta i bruk KI, utforske og lære nytten av den. Den kan både gjøre oss mer effektive og skape en bedre verden. IBMs Watson bidrar i dag til å stille sikrere medisinske diagnoser, AlphaZero har klart å redusere Googles samlede energiforbruk med 15 prosent, Microsofts tjenester for KI og maskinlæring i Azure er med på å løse den globale klimakrisen.