Kunstig intelligens endrer din verden

Mulighetene er enorme med kunstig intelligens.  Bare fantasien setter grenser.

ALAN TURING: Den britiske matematikeren Alan Turing er opphavet til den berømte Turingtesten. Testen skulle brukes til å slå fast om en maskin kunne imitere et menneske så bra at den ikke kunne bli gjenkjent som en maskin. Illustrasjon: Hanne Utigard.

ALAN TURING: Den britiske matematikeren Alan Turing er opphavet til den berømte Turingtesten. Testen skulle brukes til å slå fast om en maskin kunne imitere et menneske så bra at den ikke kunne bli gjenkjent som en maskin. Illustrasjon: Hanne Utigard.

Under andre verdenskrig ledet matematikeren Alan Turing det britiske arbeidet med å knekke de kryptiske kodene som nazistene brukte for å hemmeligholde de militære instruksene. Takket være innsatsen hans seiret de allierte i en rekke slag. Rett etter krigen, i 1950, og bare noen år før han tok livet sitt etter å ha blitt kjemisk tvangskastrert på grunn av sin homofile legning, publiserte han den berømte artikkelen «Computer Machinery and Intelligence», der han stilte spørsmålet om datamaskinen kunne tenke. Her lanserte han den berømte Turingtesten. Dette ble datidens test på kunstig intelligens.

Tanken hans var at kunstig intelligens skulle etterligne menneskets intelligens og menneskelige trekk.

Turingtesten ble brukt til å slå fast om en maskin kunne imitere et menneske så bra at den ikke kunne bli gjenkjent som maskin. Testen forutsatte at maskinen skulle generere og gjenkjenne naturlige språk, altså språk som vi mennesker bruker for å snakke sammen, og at maskinen kunne resonnere og trekke konklusjoner fra den informasjonen den fikk. Det var store samfunnsvyer i datamaskinens barndom.

En av de første samtalerobotene som bygde på Turingtesten, var robotpsykologen Eliza. Psykologen var programmert slik at den skulle respondere på alle mulige spørsmål under en terapitime. Noen helt vanlige kommentarer til den kunstige psykologen var: : «Så interessant», «Fortell mer» og «Kan du fortelle mer om din mor». Da undertegnede var informatikkstudent ved UiO, gikk det sport i å kneble Eliza. Høydepunktet vårt var da den spurte oss hva problemet vårt var. «Vi er gutter», svarte vi. «Hvor lenge har dere vært gutter?», fulgte den opp. Eliza endte opp som et artig, lite humoreskeinnslag. Etter Eliza gikk den kunstige intelligensen i dvale. Lite skjedde på flere tiår.

– Nå er fimbulvinteren over. De siste årene har alle kastet seg på bølgen med kunstig intelligens, forteller professor Jim Tørresen, leder av gruppen robotikk og intelligente systemer på Institutt for informatikk ved Universitetet i Oslo.

Fagfeltet kunstig intelligens har likevel endret seg siden Alan Turings tid.

– I dag er de tre store pilarene i kunstig intelligens store datamengder, stor regnekraft og nevrale nett, forteller Klas Pettersen som har en doktorgrad i teoretisk nevrovitenskap.

Han er nå leder av den nye norske, nasjonale paraplyorganisasjonen for kunstig intelligens, NORA, et samarbeid mellom Simula-senteret, forskningsinstituttet Norce og sju av landets universiteter. 

Etteraper hjernen

Kunstige nevrale nett er bygd opp etter samme lest som hjernen.

– Hver enkelt av hjernecellene våre kan motta signaler fra opptil ti tusen andre hjerneceller. Hjernecellen summerer alle signalene den får. Hvis summen av signalene er høyere enn et visst nivå, vil hjernecellen fyre av et signal som sendes til de neste cellene.

Tenk på det! Du har mellom 85 og 100 milliarder hjerneceller. Hver av dem kan sende til og motta signaler fra opptil 10 000 andre hjerneceller.

– Signalbehandlingen i hjernen er ekstrem. Når vi lærer, endres forbindelsene mellom hjernecellene. Da styrkes noen av signalbanene, mens andre svekkes, forklarer Klas Pettersen.

Lagdelt struktur

Dagens kunstige, nevrale nettverk er arkitektonisk sett svært mye enklere enn hjernen vår. De nevrale nettverkene består også av celler. Disse cellene kan betraktes som kunstige hjerneceller. I de mest brukte nevrale nettene er alle cellene systematisk ordnet i ulike lag.

Hvis datamaskinen skal analysere et kattebilde, blir hvert av punktene i bildet koblet til hver sin celle i det første laget.

Konseptet er i teorien svært enkelt. Alle signalene som kommer inn til den enkelte celle, summeres opp. Hvis signalene overstiger en viss verdi, sender cellen et signal videre til cellene i det neste laget.

På åttitallet hadde man regnekraft bare til nevrale nett med noen få lag. Nå består nettverkene av langt flere lag. Jo flere lag, desto dypere læring. Dyp læring er faktisk en av de viktigste byggesteinene i kunstig intelligens.

Jim Tørresen, Klar Pettersen
TAR AV: De siste årene har alle kastet seg på bølgen med kunstig intelligens, poengterer Jim Tørresen (t.v.) og Klas Pettersen. Foto: Ola Sæther.

For at datamaskinen skal lære seg å skille mellom bilder av hunder og katter, må den trenes opp med bilder der fasiten er gitt på forhånd. Maskinen prøver kanskje millioner av ganger. Hver gang blir signalene fra hver av de kunstige hjernecellene justert litt opp eller ned, inntil datamaskinen har lært seg hvordan den kan skille mellom hunder og katter. Da er den utlært. Det å endre vektingen av signaler er helt essensielt.

– Med dyp læring kan vi nå finne mønstre som vi tidligere ikke var i stand til å finne.

De siste årene er algoritmene for dyp læring stadig blitt bedre. Det gjør det mulig å lage svært store nevrale nettverk.

Utnytter dagens teknologi

Datamaskinen er konstruert slik at den dype læringen skal gå så raskt som mulig. Helt konkret skjer beregningene i en Graphics Processing Unit (GPU), som på godt norsk kalles for en grafikkprosessor. Grafikkprosessoren er konstruert for at grafikken i skjermbildet skal reagere så raskt som mulig. Dette er spesielt nyttig i dataspill. Hver enkelt piksel i skjermen kommuniserer med en bitte liten del i prosessoren som beregner fargen og intensiteten der og da. Beregningene for alle pikslene i skjermen skjer parallelt. Det betyr at beregningene i alle pikslene på skjermen skjer uavhengig av hverandre. Det er nettopp denne måten å organisere beregninger på som gjør grafikkprosessoren spesielt egnet til dyp læring.

Med skreddersydd maskinvare er det nå mulig å gjøre en million beregninger parallelt. Det åpner for enorme muligheter.

Verdensmester i sjakk

En av de store revolusjonene innen kunstig intelligens er sjakk-datamaskiner. I stedet for å mate datamaskinene med all verdens partier, klarte man for noen år siden, med fire timers trening på fem tusen parallelle prosesser, å lære opp kunstig intelligens til å bli bedre enn eksisterende sjakkprogrammer. Mas- kinen hadde ikke fått noe som helst informasjon om hvordan tidligere verdensmestre har spilt sjakk. Den hadde bare fått spillereglene. Intet mer.

– Den nye maskinen spiller sjakk på en helt annen måte og foreslår trekk som ikke er intuitive for oss mennesker. Selv om noen av trekkene kan se helt feil ut, har det vist seg at disse trekkene er helt avgjørende for å vinne partiet, forteller Klas Petter- sen, som selv er en lidenskapelig sjakkspiller.

En ting er å lage kunstig intelligens som knuser Magnus Carlsen i sjakk. I et annet dataspill, Dota 2, skulle fem maskiner med kunstig intelligens i april i vår samarbeide om å konkurrere med fem mennesker, som samarbeidet seg imellom. Selv her vant maskinene.

Jo mer maskinene trente, desto bedre ble de.

– Foreløpig ser begrensningen ut til å være regnekraft og tilgang til nok data.

Selvkjørende biler

Uheldigvis er det mye vanskeligere å bruke kunstig intelligens på biler.

– Det er umulig å trene maskinen for alle mulige bilscenarier. Hva gjør bilen når en plastpose flyr over veien? Hva skiller en plastpose fra en stein eller et menneske? Bilene kan ikke trenes fullkomment opp før alle de mulige situasjonene har oppstått, poengterer Jim Tørresen.

Grunntreningen av de automatiserte bilene behøver ikke skje i sanntid, som betyr at beregningene ikke må skje her og nå. Da kan datamaskinen ta den tiden den trenger.

– Den dagen de selvkjørende bilene er på veien, må noe av treningen være i sanntid for å kunne korrigere for uforutsette hendelser. Da vil tiden være en kritisk faktor.

Et av de store, uløste problemene i kunstig intelligens er inspiserbarhet. I dag vet man ikke hvordan den kunstige intelligensen har kommet frem til svaret sitt.

– Problemet med dyp læring i dag er at svaret fremstår som en svart boks. Hvis det har skjedd en feil, vet vi ikke hvor feilen har skjedd. Da er det ikke lett å rette opp nettverket for å unngå at feilen skjer igjen, forklarer Jim Tørresen.

Enorme muligheter

Kunstig intelligens kan endre fremtiden vår.

Ved å bruke kunstig intelligens til å sammenligne genprofiler med sykdomshistorier, kan den personifiserte medisinen bli bedre. Kunstig intelligens kan også brukes til å stille medisinske diagnoser.

– Man kan risikere at kunstig intelligens stiller feil diagnoser, men likevel sjeldnere enn med andre systemer. Det finnes altså en del paradokser, sier Tørresen.

Kunstig intelligens kan brukes til å forutsi om du har depresjon ut fra måten du bruker og beveger telefonen din på. Strømnettet kan styres med kunstig intelligens, og det er mulig, takket være analyse av enorme mengder data, å varsle feil på strømnettet før det skjer. Geologene kan bruke kunstig intelligens til å forutsi ras i fjellet eller oljefunn. Meteorologene kan bruke kunstig intelligens til fremtidens værmodeller og klimamodeller. Patologene kan få hjelp til å se hvem som har kreft eller ei.

I Kina har kunstig intelligens tatt helt av. Der blir innbyggerne premiert etter hva de gjør.

– Innen språkgjenkjenning er det også store muligheter.

Smarttelefonen din kan i fremtiden bestille sushi på en restaurant, uten at den personen som tar imot bestillingen, skjønner at han prater med en maskin.

– Kunstig intelligens vil derfor gjennomsyre alt i samfunnet. Her snakker vi om en like stor utvikling som den gangen samfunnet gikk over fra hest til bil, men teknologene bør ikke styre utviklingen alene. Alle må være med. Også politikere og etikere, understreker Klas Pettersen.

Artikkelen ble først publisert i Apollon

Av Yngve Vogt
Publisert 17. nov. 2019 13:44 - Sist endret 17. nov. 2019 21:48