Kunstig intelligens

Den kunstige intelligensen vi har mest erfaring med og merkar best i kvardagen, er kanskje den som blir brukt for å persontilpasse strøymt, digitalt innhald i tenester som Spotify, Netflix og NRK.
Har du lånt bort mobilen eller pc-en og etterpå opplevd at det kjem opp reklame for noko du absolutt ikkje interesserer deg for? Eller trur plutseleg Spotify at du har byrja å elske countrymusikk og gir deg mange forslag i den retninga? Då har algoritmane i appen endra seg etter musikken som andre har speilt av frå eininga di.
Tenk over
Kva tenker du på når du høyrer omgrepet kunstig intelligens?
Dei som forskar på KI, er ikkje einige om ein eintydig definisjon på kunstig intelligens. Omgrepet femner om ulike metodar og teknologiar som behandlar og tolkar data for å løyse bestemde oppgåver.
Det er likevel einigheit om at kunstig intelligens handlar om å sortere data og løyse problem gjennom bruk av teknologi, og at mange oppgåver som tidlegare ville kravd menneskeleg intelligens, no kan løysast av maskiner.
KI føreseier hendingar
Kunstig intelligens blir ofte brukt til å kategorisere informasjon for å føreseie framtidige hendingar. I vêrmeldingar blir ulike sett med vêrdata samla, rydda i og analyserte ved hjelp av kunstig intelligens. Kraftselskap bruker vêrdata, men gjer andre analysar for kunne føreseie og justere straumprisar. Kanskje kan KI òg brukast til å føreseie karakterane til elevane i skulen?
Tenk over
Kan vi mate kunstig intelligens med gamle vitnemål for å føreseie kva karakterar du kjem til å få i år?
Sjølvkøyrande teknologi og stemmestyring

Vi finn kunstig intelligens i alt frå Google-søkemotoren til sjølvkøyrande bilar og stemmestyrte assistentar som Alexa. Alexa vart skapt av Amazon og er eit dataprogram med tilhøyrande maskinvare som ser ut som ein høgtalar. Dataprogrammet responderer på talen din og kan hjelpe deg med kvardagslege oppgåver som å setje på musikk, skaffe informasjon, fortelje nyheiter, setje på alarmar og lage handlelister.
Omsetjing og tekstsamandrag
NDLA bruker ein omsetjingsrobot til å omsetje skriftleg tekst frå bokmål til nynorsk. Verktøyet er nyttig og tidssparande, men det gir ikkje noko 100 prosent korrekt resultat. Det er setningsbygginga roboten slit mest med, den "forstår" ikkje alltid korleis kvart enkelt ord i ei setning heng saman. Derfor er det framleis nødvendig med menneskeleg kompetanse: All tekst må lesast gjennom og sjekkast for å sikre at resultatet er heilt korrekt og god norsk. Samtidig blir roboten trent med stadig nye tekstar der feila roboten har gjort, er retta opp, slik at verktøyet blir stadig betre.
Kunstig intelligens er kraftig teknologi. Det er viktig å vere kritisk til kven som utviklar han, og korleis vi bruker han. Kva verdiar ligg til grunn i KI-teknologiar? Står vi som samfunn inne for dei?
EU har laga eit lovverk for utvikling av KI, EU AI Act. Her står det kva etiske krav utviklarar av KI må rette seg etter. Her er nokre sentrale punkt i lovverket:
KI skal ta omsyn til personvern og datasikkerheit.
KI skal ta omsyn til opphavsrett.
- KI skal ikkje diskriminere.
- Brukarane skal kunne forstå teknologien: Modellane skal kunne forklarast, og dataa skal gjerast kjende.

Kunstig intelligens startar med data – store mengder data. Vi lever i ei verd der meir og meir informasjon blir samla inn og analysert på systematiske og ikkje-systematiske måtar.
Stordata (big data) er enorme datamengder som ved hjelp av avansert databehandling kan gi nyttig informasjon til styresmakter, bedrifter og organisasjonar.
Stordata består av fleire datasett med ulike typar data. Dei kan vere samla inn av ulike aktørar, over lang tid og til ulike formål; derfor er dei ustrukturerte. Dataa i eit stordatasett blir ofte analyserte og brukte i nye samanhengar og til nye formål.
Kvaliteten på data og datasett har mykje å seie for kor god den kunstige intelligensen blir. Eit stort arbeid i utviklinga av KI er å jobbe med datasett for at dei skal ha god kvalitet.
Det er mykje matematikk og statistikk involvert i kunstig intelligens. Store mengder med data blir brukte for å trene maskiner, slik at desse kan kjenne igjen mønster i store samlingar av data. Ein av dei vanlegaste metodane for å kjenne igjen mønster i store datasamlingar blir kalla maskinlæring.
Maskinlæring er ei grein av kunstig intelligens (KI) som handlar om at maskiner sjølve tileignar seg evna til å utføre oppgåver eller løyse problem. I staden for å gi datamaskina detaljerte instruksjonar om korleis eit datasett skal behandlast, får ho i oppgåve å finne ut kva som er interessant å undersøke i store datasett.
Døme: Netflix
Netflix, og liknande strøymetenester, bruker maskinlæring for å tilrå innhald til deg. Data blir samla inn om kva filmar og seriar du ser, kor lenge du ser, og når du ser. Maskinlæring samanliknar og analyserer bruksdataa dine saman med alle andre sine data om bruk av tenesta.
Funn av samanhengar i dataa bestemmer kva vidare tilrådingar av seriar og filmar du får. Prosessen er kontinuerleg. Jo meir data strøymetenester har om kva du liker, desto meir treffsikre kan tilrådingane bli.
Korleis trener maskinlæringsmodellar?
Det finst ulike metodar for maskinlæring:
Rettleidd læring: Maskina lærer ved hjelp av data som inneheld rett svar på oppgåva som skal løysast. Til dømes kan ein trene opp ein modell til å kjenne igjen bilete av ulike dyr ved å gi han mange bilete som er merkte med namnet på dyret.
Urettleidd læring: Maskina får data som ikkje er merkt, og sorterer desse sjølv. Modellen finn mønster og samlar datapunkt som ifølge modellen har noko til felles, i dataklynger. Til dømes kan ein nettbutikk finne ut kva kundar som liknar på kvarandre, og gi desse kundegruppene dei same forslaga.
Forsterka læring: Her lærer modellen ved å ta handlingar i eit miljø og få tilbakemeldingar i form av påskjønningar eller straffar, slik at han lærer å ta betre val over tid.
Djup læring: Store språkmodellar er utvikla med nevrale nettverk. Dette er avansert maskinlæring, der mange lag med koplingar og samanhengar blir brukte i algoritmane for forstå komplekse mønster i eit datasett. Språk har komplekse mønster.
Biletattkjenning – rettleidd maskinlæring
Når du ser på eit bilete av eit dyr, kan du ganske sikkert seie om dyret er ein katt eller ikkje. Vi menneske har lært kva det er som skil ein katt frå til dømes ein hund eller ein palme.
I dag kan vi trene opp maskiner til å skilje ein katt frå ein hund, frå ein palme eller frå andre gjenstandar og levande vesen. Utgangspunktet kan vere eit gigantisk datasett med bilete av kattar og ikkje-kattar. I tillegg får maskina eit sett med reglar, ein algoritme, som fortel korleis maskina skal skilje katt frå ikkje-katt.
For at algoritmen skal bli stadig meir treffsikker, trengst det tilbakemeldingar frå menneske. Har du nokon gong blitt beden på nettet om å verifisere (bevise) at du er eit menneske? Kanskje ved å sjå på fleire bilete og klikke på dei bileta som inneheld ein bestemd gjenstand, eit trafikklys eller liknande? Då har du, i tillegg til å bevise at du ikkje er nokon robot, hjelpt Google og andre å trene opp algoritmane som kjenner igjen gjenstandar, plantar, dyr eller menneske.
Når vi viser algoritmemodellen eit nytt bilete, samanliknar han dette biletet med dei bileta som allereie finst i datasettet. Den vil då fortelje oss sjansane for at biletet viser ein bestemd gjenstand eller eit bestemt levande vesen, til dømes ein katt. For kvar datagjennomkøyring blir algoritmemodellen betre til å kjenne igjen kattar. Maskina lærer på eiga hand, og vi har fått ei autonom, sjølvlærande maskin.
- Kunstig intelligens
- Kunstig intelligens handlar om å systematisere store mengder data og løyse problem gjennom bruk av teknologi. Mange oppgåver som vanlegvis ville ha kravd menneskeleg intelligens, kan no løysast av maskiner. Ei av dei vanlegaste formene for kunstig intelligens i dag blir kalla maskinlæring.
- Stordata
- Stordata (big data) er enorme datamengder som ved hjelp av avansert databehandling kan gi nyttig informasjon til styresmakter, bedrifter og organisasjonar.
- Maskinlæring
- Maskinlæring er ei spesialisering innan kunstig intelligens. Ved hjelp av statistiske metodar lar ein datamaskiner finne mønster i store datamengder. Vi seier at maskina "lærer" i staden for å bli programmert.
Relatert innhald
Forstå maskinlæring og reflekter over kva skeivskap i treningsdata kan ha å seie for korleis vi kan bruke maskinlæring som støtte i problemløysing.
Tankeeksperiment: Tenk ut ein algoritme som kan motverke fråfall frå vidaregåande skule.