Bruk av kunstig intelligens har fascinert meg i alle dei åra eg har sysla med utvikling av programvare. Det har blitt nærare førti år. Fagfeltet kom opphavleg fram seint på femtitalet, men på grunn av ueigna datamaskinar og avgrensa matematiske metodar for slike oppgåver blei det stort sett med teoretiske studiar og mindre med praktiske resultat.

Fyrst så seint som omkring 2012 skaut utviklinga av kunstig intelligens fart, då Geoffrey Hinton med fleire utvikla matematiske modellar baserte på såkalla neurale nettverk. Her freistar ein å etterlikne den menneskelege hjernen. Samstundes hadde maskinane utvikla seg monaleg, og grunnlaget for det vi i dag kjenner som maskinlæring (ML) eller «Deep learning» (DL), var lagt.

Sams for dei aktuelle tidsbolkane er ei særs sterk og ikkje minst overdriven tru på moglegheiter og geniale løysingar – oftast med ein dyster spådom om tapte arbeidsplassar.

AGI

Nesten kvar veke kan ein lese om gjennombrot innan dette feltet. Nærare gransking syner at det dei utgjev seg for, ikkje heilt held mål. I den seinare tida har uttrykket AGI stendig dukka opp. Det står for Artifical General Intelligence og vil ha oss til å tru at datamaskiner har fått reint menneskelege eigenskapar. Gary Marcus og Ernest Davis seier i si nyleg utgjevne bok Rebooting AI (Pantheon Books, New York, 9/2019): Ingenting tyder på at vi eingong er på veg dit.

Eg skal komme attende til fleire døme frå vitskapelege artiklar og personleg erfaring.

På nittitalet byrja eg å bruke det som den gong var hovudretning, såkalla regelbaserte ekspertsystem. Ein var sjølv «eksperten» og lærte maskinen korleis ein skulle handtere til dømes skiftordningar. Dette kravde ikkje store datamengder, dei fanst då heller ikkje på den tida. Slike system var relativt lette å bruke og i mange samanhengar særs effektive. I dag vert slike omtala som klassisk kunstig intelligens og er ikkje lenger mykje i bruk.

Maskinlæring

I staden kom altså ML/DL, ein metode som krev uhorvelege mengder data. Ein forskar brukte dette dømet for å illustrere kor mykje: Viss eg syner dotter mi på tre år ein hotdog, vil ho i løpet av nokre sekund lære alt om kva det er, og hugse dette resten av livet. Ein datamaskin må sjå om lag eit par–tre millionar bilete, frå alle tenkelege lysforhold og vinklar, for å kunne gjenkjenne ein hotdog – framleis utan å vite noko som helst om korleis ein nyttar denne tingen.

Det er tre særtrekk med ML/DL. Det fyrste er altså krav om store datamengder. Det andre er mangel på transparens. Det tredje er sårbarheit.

Viss ein til dømes har trena ein maskin til å gje riktige svar på 95 prosent av oppgåvene, er det umogeleg å finne ut kvifor dei siste 5 prosentane ikkje vil. Ein må berre trene meir. Sårbarheit syner seg i kor godt maskinen er trena i ei oppgåve, til dømes attkjenning av et bilete. Eg fekk syn for segn ein gong eg ville klassifisere roser med ein slik metode. Fleire millionar bilete av ulike blomar inngjekk i treninga til maskinen, mitt sylskarpe bilete av ei nydeleg rose i eigen hage kom ut som ein handduk, med 80 prosent sannsyn.

Like fullt er dette ein metode som har hatt viktige gjennombrot innan fleire felt, mellom anna nettopp bilete- og tekstgjenkjenning, fargelegging av svartkvittbilete og liknande. Noko av det mest kritiske er likevel kor smal denne teknologien er. Har ein maskin blitt øvd til ei oppgåve, er det lite å hente i noko som liknar, jamfør rosa.

IBM Watson

Forutan den ovannemnde klassisk kunstige intelligensen er det fleire metodar i bruk, til dømes eksplisitt programmering, fleire stader enn ein trur. Noko forenkla kan ein seie at den vanlegaste er å gje maskinen svar på alle spørsmål, til dømes at bilete av ein blome har ein merkelapp med artsnamnet, medan ein annan metode inneber at maskinen faktisk skal lære alt sjølv.

Mange hugsar sikkert IBM Watson, som kunne spele Jeopardy med stor suksess. IBM Watson blei i USA også sett til å lese uhorvelige mengder medisinsk litteratur, slik at han kunne hjelpe i behandling av kreftsjukdomar. Likevel blei prosjektet avslutta allereie i 2017. Anbefalingane blei vurderte for farlege og usikre.

Eit anna døme, nyleg publisert av OpenAI, er roboten Dactyl, som tilsynelatande kunne løyse Rubiks kube med éi hand. Igjen ser me korleis ei slik nyhende blir tolka som eit enormt gjennombrot. Nettstaden digi.no kalla det til overmål eit viktig gjennombrot mot AGI. Det finst allereie fleire velfungerande algoritmar som løyser sjølve kuben. Dette har eigentleg ingenting med AI å gjere. Her er to hovudoppgåver: å rotere elementa i kuben og å manipulere robothanda. På overflata ser dette særs imponerande ut. Ein nærare studie av rapporten avdekkjer, trass læring tilsvarande 10.000 år (!), at roboten klarer å løyse oppgåva i berre 20 prosent av tilfella.

Saka er interessant, men samstundes viser dette kor krevjande det er å trene ein robot til kvardagslege oppgåver.

I eit prosjekt innan forsking på kreft skulle eg evaluere eit AI-system frå eit «høgtflygande» amerikansk universitet. Sjølv i tredje versjon synte det berre meiningslause tal og grafar. Det finst eit utal døme, og nye kjem til heile tida.

Fastkøyrt

Her er eit døme på kva vi kunne trenge: Kvar dag publiserer ulike forsikringsinstitusjonar om lag 7000 vitskapelege dokument berre innan medisin. Det er sjølvsagt heilt umenneskeleg for ein dokter eller forskar å fordøye slike mengder. Mange gode løysingar går difor tapt. Trass IBM Watson kan ingen maskiner i dag lese slike dokument og finne samanhengar eller ta lærdom sjølv i langt enklare prosa enn vitskapelege dokument. Fleire leiande forskarar, til dømes sjølvaste Hinton, fryktar no at DL på mange område har køyrt seg fast. Ein klarer altså ikkje å lære ein maskin slike ting med tilgjengeleg teknologi. Leiande fagfolk innan feltet trur vegen går via eit system som lærer slik ein treåring lærer, noko som inneber ein radikalt ny teknologi.

Det eg fryktar, såg me diverre eit skremmande døme på nyleg, då eit løynt nettverk på Instagram vart gjort kjent via NRK, der jenter fortalde om sjølvmord og sjølvskading. Her brukar Instagram ML slik at «likesinna» vert kopla saman. Slike koplingar kunne lett vorte filtrerte ut, men her handlar det om å tene pengar. Ein skal merke seg korleis talskvinna for Instagram (eigd av Facebook) uttaler seg. Dei tek ikkje noko ansvar.

Facebook kallar det «trykkjefridom» når dine «likes» styrer korleis du mottek mellom anna politiske bodskapar. François Chollet, ein særs akta forskar og ML-utviklar, åtvarar mot metodane hjå Facebook. Vonleg har Twitter skjøna meir, slik dei har forbode politisk reklame.

Tore Austrått