Den kunstige intelligensen vi har mest erfaring med og merker best i hverdagen, er kanskje den som blir brukt for å persontilpasse strømmet, digitalt innhold i tjenester som Spotify, Netflix og NRK.

Har du lånt bort mobilen eller pc-en og etterpå opplevd at det kommer opp reklame for noe du absolutt ikke interesserer deg for? Eller tror plutselig Spotify at du har begynt å elske countrymusikk og gir deg mange forslag i den retningen? Da har algoritmene i appen endret seg etter musikken som andre har spilt av fra enheten din.

Tenk over

Hva tenker du på når du hører begrepet kunstig intelligens?

Hva er kunstig intelligens (KI)?

De som forsker på KI, er ikke enige om en entydig definisjon på kunstig intelligens. Begrepet favner om ulike metoder og teknologier som behandler og tolker data for å løse bestemte oppgaver.

Det er likevel enighet om at kunstig intelligens handler om å sortere data og løse problemer gjennom bruk av teknologi, og at mange oppgaver som tidligere ville krevd menneskelig intelligens, nå kan løses av maskiner.

Regjeringens definisjon på kunstig intelligens

Regjeringen (2020) tar utgangspunkt i definisjonen til EUs ekspertgruppe:

"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 KI-systemer kan også tilpasse seg gjennom å analysere og ta hensyn til hvordan tidligere handlinger har påvirket omgivelsene." (Regjeringen, 2020)

Regjeringen: Nasjonal strategi for kunstig intelligens

KI forutsier hendelser

Kunstig intelligens blir ofte brukt til å kategorisere informasjon for å forutsi framtidige hendelser. I værmeldinger blir ulike sett med værdata samlet, ryddet i og analysert ved hjelp av kunstig intelligens. Kraftselskaper bruker værdata, men gjør andre analyser for kunne forutsi og justere strømpriser. Kanskje kan KI også brukes til å forutsi elevenes karakterer i skolen?

Tenk over

Kan vi mate kunstig intelligens med gamle vitnemål for å forutsi hvilke karakterer du kommer til å få i år?

Selvkjørende teknologi og stemmestyring

Vi finner kunstig intelligens i alt fra Google-søkemotoren til selvkjørende biler og stemmestyrte assistenter som Alexa. Alexa ble skapt av Amazon og er et dataprogram med tilhørende maskinvare som ser ut som en høyttaler. Dataprogrammet responderer på talen din og kan hjelpe deg med hverdagslige oppgaver som å sette på musikk, skaffe informasjon, fortelle nyheter, sette på alarmer og lage handlelister.

Oversettelse og tekstsammendrag

NDLA bruker en oversettelsesrobot til å oversette skriftlig tekst fra bokmål til nynorsk. Verktøyet er nyttig og tidssparende, men det gir ikke noe 100 prosent korrekt resultat. Det er setningsbyggingen roboten sliter mest med, den "forstår" ikke alltid hvordan de enkelte ordene i en setning henger sammen. Derfor er det fortsatt nødvendig med menneskelig kompetanse: All tekst må leses gjennom og sjekkes for å sikre at resultatet er helt korrekt og god norsk. Samtidig trenes roboten med stadig nye tekster der feilene roboten har gjort, er rettet opp, slik at verktøyet blir stadig bedre.

Eksempel: NTB og automatiserte sammendrag fra fotballkamper

NTB (Norsk telegrambyrå) har brukt kunstig intelligens i flere år til å lage automatiserte tekster om fotballkamper. Slik oppsto idéen om en nynorskrobot.

I filmen under (lengde 3:34) forklarer utviklingsdirektør Geir Terje Ruud mer om NTBs nynorskrobot.

Kritisk tilnærming til utvikling av KI

Kunstig intelligens er kraftig teknologi. Det er viktig å være kritisk til hvem som utvikler den, og hvordan vi bruker den. Hvilke verdier ligger til grunn i KI-teknologier? Står vi som samfunn inne for dem?

EU har laget et lovverk for utvikling av KI, EU AI Act. Her står det hvilke etiske krav utviklere av KI må rette seg etter. Her er noen sentrale punkter i lovverket:

KI skal ta hensyn til personvern og datasikkerhet.
KI skal ta hensyn til opphavsrett.
KI skal ikke diskriminere.
Brukerne skal kunne forstå teknologien: Modellene skal kunne forklares, og dataene skal gjøres kjent.

Stordata

Kunstig intelligens starter med data – store mengder data. Vi lever i en verden der mer og mer informasjon blir samlet inn og analysert på systematiske og ikke-systematiske måter.

Stordata (big data) er enorme datamengder som ved hjelp av avansert databehandling kan gi nyttig informasjon til myndigheter, bedrifter og organisasjoner.

Stordata består av flere datasett med ulike typer data. De kan være samlet inn av forskjellige aktører, over lang tid og til ulike formål; derfor er de ustrukturerte. Dataene i et stordatasett blir ofte analysert og brukt i nye sammenhenger og til nye formål.

Kvaliteten på data og datasett har mye å si for hvor god den kunstige intelligensen blir. Et stort arbeid i utviklingen av KI er å jobbe med datasett for at de skal ha god kvalitet.

Det er mye matematikk og statistikk involvert i kunstig intelligens. Store mengder med data brukes for å trene maskiner, slik at disse kan gjenkjenne mønstre i store samlinger av data. En av de vanligste metodene for å gjenkjenne mønstre i store datasamlinger kalles maskinlæring.

Hva er maskinlæring?

Maskinlæring er en gren av kunstig intelligens (KI) som handler om at maskiner selv tilegner seg evnen til å utføre oppgaver eller løse problemer. I stedet for å gi datamaskinen detaljerte instruksjoner om hvordan et datasett skal behandles, får den i oppgave å finne ut hva som er interessant å undersøke i store datasett.

Eksempel: Netflix

Netflix, og liknende strømmestjenester, bruker maskinlæring for å anbefale deg innhold. Data blir samlet inn om hvilke filmer og serier du ser, hvor lenge du ser, og når du ser. Maskinlæring sammenstiller og analyserer bruksdataene dine sammen med alle andres data om bruk av tjenesten.

Funn av sammenhenger i dataene bestemmer hvilke videre anbefalinger av serier og filmer du får. Prosessen er kontinuerlig. Jo mer data strømmetjenester har om hva du liker, desto mer treffsikre kan anbefalingene bli.

Hvordan trenes maskinlæringsmodeller?

Det finnes ulike metoder for maskinlæring:

Veiledet læring: Maskinen lærer ved hjelp av data som inneholder riktig svar på oppgaven som skal løses. For eksempel kan man trene opp en modell til å gjenkjenne bilder av ulike dyr ved å gi den mange bilder som er merket med navnet på dyret.
Uveiledet læring: Maskinen får data som ikke er merket, og sorterer disse selv. Modellen finner mønstre og samler datapunkter som ifølge modellen har noe til felles, i dataklynger. For eksempel kan en nettbutikk finne ut hvilke kunder som likner på hverandre, og gi disse kundegruppene de samme forslagene.
Forsterket læring: Her lærer modellen ved å ta handlinger i et miljø og motta tilbakemeldinger i form av belønninger eller straffer, slik at den lærer å ta bedre valg over tid.
Dyp læring: Store språkmodeller er utviklet med nevrale nettverk. Dette er avansert maskinlæring, der mange lag med koblinger og sammenhenger blir brukt i algoritmene for forstå komplekse mønstre i et datasett. Språk har komplekse mønstre.

Bildegjenkjenning – veiledet maskinlæring

Når du ser på et bilde av et dyr, kan du med ganske stor sikkerhet si om dyret er en katt eller ikke. Vi mennesker har lært hva det er som skiller en katt fra for eksempel en hund eller en palme.

I dag kan vi trene opp maskiner til å skille en katt fra en hund, fra en palme eller fra andre gjenstander og levende vesener. Utgangspunktet kan være et gigantisk datasett med bilder av katter og ikke-katter. I tillegg får maskinen et sett med regler, en algoritme, som forteller hvordan maskinen skal skille katt fra ikke-katt.

For at algoritmen skal bli stadig mer treffsikker, trengs det tilbakemeldinger fra mennesker. Har du noen gang blitt bedt på nettet om å verifisere (bevise) at du er et menneske? Kanskje ved å se på et antall bilder og klikke på de bildene som inneholder en bestemt gjenstand, et trafikklys eller liknende? Da har du, i tillegg til å bevise at du ikke er noen robot, hjulpet Google og andre å trene opp algoritmene som gjenkjenner gjenstander, planter, dyr eller mennesker.

Når vi viser algoritmemodellen et nytt bilde, sammenlikner den dette bildet med de bildene som allerede finnes i datasettet. Den vil da fortelle oss sannsynligheten for at bildet viser en bestemt gjenstand eller et bestemt levende vesen, for eksempel en katt. For hver datagjennomkjøring blir algoritmemodellen bedre til å gjenkjenne katter. Maskinen lærer på egen hånd, og vi har fått en autonom, selvlærende maskin.

Fagbegreper

Kunstig intelligens: Kunstig intelligens handler om å systematisere store mengder data og løse problemer gjennom bruk av teknologi. Mange oppgaver som vanligvis ville ha krevd menneskelig intelligens, kan nå løses av maskiner. En av de vanligste formene for kunstig intelligens i dag kalles maskinlæring.
Stordata: Stordata (big data) er enorme datamengder som ved hjelp av avansert databehandling kan gi nyttig informasjon til myndigheter, bedrifter og organisasjoner.
Maskinlæring: Maskinlæring er en spesialisering innen kunstig intelligens. Ved hjelp av statistiske metoder lar man datamaskiner finne mønstre i store datamengder. Vi sier at maskinen "lærer" i stedet for å bli programmert.

Kilder

Radford, A., Narasimhan, K., Salimans, T. & Sutskever, I. (2018). Improving Language Understanding by Generative Pre-Training. https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf

European Parliament. (2024, 18. juni). EU AI Act: first regulation on artificial intelligence. https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence

Regjeringen. (2020, 14. januar). Nasjonal strategi for kunstig intelligens. https://www.regjeringen.no/no/dokumenter/nasjonal-strategi-for-kunstig-intelligens/id2685594/

Strümke, I. (2023). Maskiner som tenker. Kagge Forlag.

Siden har flyttet, men du finner den her: