Kunstig intelligente systemer

Kunstig intelligens (forkortes KI eller AI, fra Artificial Intelligence) er noe alle har hørt om, men som likevel kan være vanskelig å definere. (Hva er intelligens, for den saks skyld?)

Tankene går fort til sosiale medier, der de fleste er klar over at det brukes AI – og kanskje mistenker at vi på en eller annen måte blir manipulert.

Samtidig har vi også med oss den populærkulturelle fremstillingen av kunstig intelligens fra filmer som The Terminator, Blade Runner og Star Wars, der en AI er en robot eller et datasystem med menneskelignende intelligens – som kan tenke og handle på egenhånd, og som matcher (og vel så det) våre egne tross alt begrensede mentale evner.

Har algoritmene til Instagram og TikTok noe med C3PO eller Skynet å gjøre? Eller hva er egentlig kunstig intelligens – reelt sett?

Kunstig intelligens er enkelt og greit en samlebetegnelse. Akkurat som at epler og pærer begge er frukt, kan to forskjellige dataprogrammer begge være regnet som kunstig intelligens, selv om de gjør vidt forskjellige ting og baserer seg på ulike underliggende teknikker.

Her er to definisjoner. Den første definisjonen spør: Hva er det KI-systemer faktisk gjør og hva påvirker de? Mens den andre spør: Kan maskiner tenke slik vi gjør?

Norges nasjonale strategi for kunstig intelligens har følgende definisjon: «Kunstig intelligente systemer utfører handlinger, fysisk eller digitalt, basert på tolkning og behandling av strukturerte eller ustrukturerte data, i den hensikt å oppnå et gitt mål. Enkelte AI-systemer kan også tilpasse seg gjennom å analysere og ta hensyn til hvordan tidligere handlinger har påvirket omgivelsene».

UNESCOs definisjon fra 2019 samsvarer med tidlig forståelse av KI der vekten var på å imitere menneskelig atferd og etterligne menneskelig kognisjon: KI ble definert som «maskiner som er i stand til å IMITERE menneskelig intelligens, inkludert funksjoner som persepsjon, læring, resonnering, problemløsning, språklig interaksjon og til og med produksjon av kreativt arbeid».

Når du hører om kunstig intelligens i sammenheng med teknologi og data, dreier det seg svært ofte mer spesifikt om maskinlæring eller dyplæring. Maskinlæring eller dyplæring er underkategorier av kunstig intelligens, og handler om systemer som kan lære fra data.

Du har lært hva algoritmer er. Vi har skrevet at noen algoritmer omtales som «smarte»; de brukes til å trene og kjøre maskinlæringsmodeller. La oss se hva dette faktisk betyr.

Algoritmer ligger bak absolutt alle dataprogrammer. Også maskinlæringsalgoritmer er altså avhengige av trinnvise og presise instruksjoner for hva som skal skje i en bestemt situasjon; selv om vi kaller det «kunstig intelligens» dreier det seg ikke om noen form for refleksjon, improvisasjon eller selvbevissthet.

I stedet er det snakk om å bruke metoder og verktøy fra matematikken og statistikken til å lage maskinlæringsalgoritmer eller modeller som kan endre seg og tilpasse seg omstendighetene og tilgjengelige data.

Først må vi bestemme den konkrete oppgaven modellen skal løse – som å filtrere ut søppelpost, spille sjakk eller forutsi hvordan salget i bilbutikken vil være i de neste månedene. Maskinlæringsalgoritmen gis deretter bestemte data å jobbe med som brukes til å «trene» modellen til den bestemte oppgaven.

Kanskje klarer ikke modellen å skille mellom legitim e-post og søppelpost til å begynne med. Men den kan også oppdateres (trenes) ved hjelp av flere og ferskere data, som betyr at den potensielt kan tilpasse seg for å løse oppgavene sine på stadig bedre måter.

Her ser vi også at maskinlæring er problemspesifikt. En modell kan trenes til å navigere en selvkjørende bil i trafikken, foreslå beste kjørerute, gjennomgå dokumentasjon til en lånesøknad eller automatisk fylle inn felter i en faktura der den finner de nødvendige dataene. Hver modell lages for å være best mulig på sin spesifikke ting – men kan ikke plutselig stoppe opp og bestemme seg for å gjøre noe helt annet.

Den typen AI som ligner menneskelig intelligens – altså Hollywood-versjonen av AI – er riktignok en visjon også i virkeligheten. Dette kalles kunstig generell intelligens (eller Artificial General Intelligence, AGI). Men det er en visjon som i skrivende stund er langt ifra oppnåelig, og noe helt annet enn maskinlæring.

Store språkmodeller (LLM-er) og generativ AI (GenAI) LLM-er er en av de mest fremtredende nyere utviklingene innen dyp læring. De trenes på enorme tekstsamlinger og lærer statistiske mønstre om hvordan språk er strukturert.

Under trening prøver et nevralt nettverk gjentatte ganger å forutsi manglende eller påfølgende tokens (tekstbiter som kan være et ord, en del av et ord eller noen ganger noe lengre som en setning!). Deretter sammenligner det sine forutsigelser med treningsdataene og justerer sine interne parametere for å redusere forskjellen.

Etter mange slike justeringer kan en LLM generere ny tekst som følger mønstre lært fra treningsdataene, i stedet for bare å hente eller kopiere den opprinnelige teksten. LLM-er er én type generativ KI; andre generative modeller bruker relaterte dyplæringsteknikker for å generere bilder, lyd, video og andre former for innhold.

Det finnes mange ulike typer maskinlæringsalgoritmer, men det er vanlig å gruppere dem i tre kategorier: veiledet læring, ikke-veiledet læring og forsterkende læring.

Den enkleste av disse er veiledet læring, så vi ser på den først.

Når vi trener opp maskinlæringsmodellen, bruker vi det vi kaller treningsdata. Hvis det eksempelvis er snakk om en modell for å filtrere ut søppelpost, kan treningsdataene bestå av titusener, kanskje millioner av eksempler på e-poster – både legitime og spam – som modellen skal lære å oppdage forskjellen på.

Under veiledet læring gis algoritmen et datasett som både inneholder dataene (input) og informasjon om hva hver enkelt data representerer (output).

I et spamfilter har det for eksempel merkede eksempler som sier hvilke e-poster som er spam og hvilke som ikke er det, og modellen lærer en regel som kobler ny input (ekte e-poster) til riktig output (spam eller ikke spam).

Et annet eksempel: Tenk deg at vi trener en bildegjenkjenningsmodell til å skille elefanter fra giraffer. Som treningsdata gir vi den mange merkede bilder som viser disse to dyrene, der hvert bilde er merket som enten «elefant» eller «giraff».

Disse merkede dataene gjør det mulig for oss å trene modellen. Vi kan lage et program som evaluerer hvilke svar som er riktige, og gi modellen umiddelbar tilbakemelding, og justere de interne parametrene for å forbedre nøyaktigheten etter hvert som den lærer å oppdage forskjellen.

Når treningen er fullført, brukes testdata – data som algoritmen ikke har sett før – for å se hvor presis modellen faktisk er blitt. Her brukes helt nye og ukjente bilder av elefanter og giraffer, som ikke var del av treningen. Når vi tester modellen med et det nye datasettet, kan vi med andre ord finne ut om den har lært det den skal og fungerer som ønsket.

Når modellen senere settes i produksjon – altså tas i reell bruk, i dette tilfellet i et program for bildegjenkjenning – vil vi kunne velge at den skal kunne fortsette å lære av de nye dataene og utvikle seg videre. Det er imidlertid viktig at denne prosessen overvåkes slik at vi sikrer at modellen faktisk blir bedre og ikke lærer feil ting.

Ved ikke-veiledet læring ser algoritmen etter strukturer og mønstre i dataene på egen hånd. I motsetning til veiledet læring får ikke algoritmen informasjon om hva som menes med dataene (output) under opptreningen. I stedet vil vi at modellen selv skal gjenkjenne grå dyr med snabel og rare gule dyr med lang hals som ulike dyr, og gruppere dem hver for seg.

Algoritmen blir ikke instruert i hvordan den skal løse oppgaven, men får belønning og straff for gode og dårlige resultater. Et typisk eksempel er en maskin som kun får oppgitt et mål – å vinne i sjakk – men som ikke blir fortalt hvilke brikker som er mest verdt eller hva som regnes som et lurt trekk. Dette målet prøver maskinen å oppnå gjennom prøving og feiling.

Med maskinlæring som verktøy kan vi løse problemer på andre måter – og løse andre problemer – enn hva vi mennesker er i stand til på egenhånd. Dette åpner opp for mange spennende muligheter. Algoritmene er samtidig prisgitt dataene de har å jobbe med.

Nok data – og god nok data – er derfor en forutsetning for å lykkes med maskinlæring.

Data blir det stadig mer av og de kommer fra flere ulike kilder, og det er blant annet som et resultat av tingenes internett, som er det neste vi skal se på. Vi skal også senere se nærmere på kunstig intelligens og maskinlæring, i kapittel 5.