3-stegs introduksjon til kunstig intelligens — eller AI, om du vil
Man kan lure på hva en sykepleier med videreutdanning i helseinformatikk kan komme med av informasjon om kunstig intelligens, skytjenester og andre buzzwords. Sannheten er kort fortalt at jeg selv ikke har dyptgående kunnskap om disse temaene. Like fullt har jeg den glede over å jobbe med hauger med spesialister innenfor disse temaene, og så er jeg ikke redd for å spørre dumme spørsmål. Så kort fortalt — i en serie av blogginnlegg vil jeg gjengi intervjuer jeg har gjennomført med en serie eksperter. Målet er naturligvis at jeg selv skal lære litt, men ikke minst at du som meg får en kjapp og lettfattelig introduksjon til disse omfattende og til dels vanskelige tekniske områdene. I tillegg har jeg spurt ekspertene om lesetips; blogger, nettsider eller bøker som kan gi mer informasjon om teamene. Lesetipsene kommer som små drops til slutt i intervjuene.
Marco Angel Bertani-Økland er matematiker og ingeniør, og han jobber med maskinlæring med fokus på “explainable AI”. Altså er Marco et ypperlig intervjuobjekt å spørre om mitt første tema: kunstig intelligens (KI på norsk) eller artificial intelligence (AI).
Hvis du skal forklare hva kunstig intelligens er med tre setninger…?
Kunstig intelligens (KI) er menneskers forsøk på å automatisere intelligens — altså å få maskiner til å kopiere hva vi gjør som mennesker. Kunstig intelligens dekker mye og har et spenn fra lavnivå til høynivå funksjoner. Maskinlæring er en del av KI området, men det er en stor forskjell mellom kunstig intelligens og maskinlæring. Når “folk” generelt snakker om KI, er det stort sett maskinlæring de mener. Altså at man tar i bruk eksisterende data for å finne løsninger på et problem. At man mater inn data, benytter statistiske metoder på disse og så forventer et svar ut igjen. Og for å kunne få gode svar ut igjen er en avhengig av at det er korrelasjoner mellom dataene, altså at de henger sammen på et vis. Med kunstig intelligens definerer man regler med mål om å få en slags guide for å nå målet man jobber mot.
Benytter du kunstig intelligens i hverdagen? Til hva?
Ja. Alle gjør det. Hele tiden.
Både Google, Instagram, Facebook, Amazon, Netflix, LinkedIn for å nevne noen få benytter maskinlæringsalgoritmer, altså regler som lærer opp maskinene til å servere meg innhold basert på mine preferanser og tidligere kjøp. Målet med å ha algoritmer i disse tjenesten er å servere brukerne bedre innhold og tjenester, men samtidig er målet å kunne sikre økt inntjening for produktets egen del. For eksempel “35 % av det som selges i amazon og 75% av det som sees på Netflix kommer fra recommendation systems” (McKinsey & Company, oktober 2013). Ellers er det KI i mobilen min, for eksempel kan kameraet detektere smil i forbindelse med bildetaking.
Er det noen sektorer du mener potensialet med kunstig intelligens er ekstra stort? Hvilke? Og hvorfor?
Ja, offentlig sektor generelt og helse spesielt. Særlig for legene. Leger jobber lange vakter og på disse vaktene må de ta mange beslutninger om mange forskjellige pasienter, pasienter som har mange forskjellige tilstander og oppfølgingsbehov. Det må være veldig vanskelig å holde seg mentalt på topp hele tiden når man jobber lange, krevende vakter. Det er et kjempepotensiale med å benytte maskinlæring for å kunne gi et forbedret beslutningsgrunnlag for legene. For eksempel kunne en ha sett for seg algoritmer som ser på blodtrykksmålinger foretatt over lengre tidsperioder, algoritmene justeres så og settes opp til å identifisere avvik som “det er noe rart med målingen som ble gjennomført for tre dager siden. Samme type avvik er sett hos andre pasienter som har tilstand X eller sykdom Y”.
Altså kan man tenke seg å benytte KI til å servere analyser og vise sammenhenger til legene, slik at de kan fatte beslutninger om videre behandling og oppfølgning på et bredere grunnlag. Legene selv kan så vurdere om resultatet fra algoritmene er falsk positive eller om det er noe annet som påvirker analysene, faktorer som algoritmene ikke har fanget opp. Hovedmålet vil kunne være å støtte arbeidet ved at maskiner går i gjennom de enorme mengdene data som produseres, for så å støtte beslutninger med å foreslå potensielle sammenhenger i dataene hos pasientene.
Et annet eksempel er eldre hjemmeboende. Flere og flere kommuner benytter bevegelsessensorer i hjemmene hos de eldre. Kunstig intelligens kan legges til “på toppen av” bevegelsessensorene, slik at maskiner kan analysere og se på endringer og trender over tid. En trend kan være at en enkelt av de eldre beveger seg mindre og mindre. Da vil maskinene kunne fange opp denne trenden om redusert bevegelse og helsetjenesten kan tidligere gjøres oppmerksom om dette og kan så sette inn tiltak. Målet vil være å sikre god helse ved tidlig å avdekke at “noe” kommer til å skje for så å sette inn tiltak tidlig.
Støtte — ikke erstatte!
Andre områder som viser seg vanskelig å skalere uten hjelp er offentlig saksbehandling. Ved bruk av kunstig intelligens vil man kunne støtte opp under saksbehandleren ved å benytte algoritmer som gir input til den enkelte sak med “Denne saken ligner på saken X, og i sak X har ble beslutning Y tatt grunnet sånn og sånn”. Altså på en enklere måtte kunne støtte opp under saksbehandlingen ved å tilby oversikt over liknende saker og hvilke beslutninger som ble tatt tidligere.
Uansett hvilke område så er målet det samme; å utvide muligheter for saksbehandling og beslutninger, men ikke erstatte mennesker som utfører oppgavene. En kan derimot vurdere KI hjelp for utføring av oppgaver der mennesker kan brukes mer effektivt; som for eksempel å lese på kvitteringer for å summere opp totalsum (et faktisk use-case). Kunstig intelligens og de tekniske løsninger vi har er ikke klare til å kjøre selv uten menneskelig vurdering av resultatene. Så målet er å støtte opp under det eksisterende, ikke erstatte!
Hvorfor peker du på områder innenfor det offentlige spesielt?
Jeg er ofte ute og snakker med eksisterende og nye kunder. Det jeg legger merke til er at det i det private næringsliv oftere og oftere finnes ressurser som allerede kjenner til KI og at mange allerede benytter “KI-funksjonalitet”. Når jeg så har kontakt med offentlige tjenester og kunder, legger jeg merke til at svært ofte er det mindre kunnskap om hva KI og potensialet faktisk er. I møter med offentlige ressurser må jeg ofte starte fra “scratch”, altså forklare hva kunstig intelligens er, for den fruktbare og gevinstgivende diskusjonen kan starte. Jeg ser derimot at det offentlige har startet reisen, trenden med å ha kunnskap om kunstig intelligens har startet.
Hovedpoenget mitt er at når det enkelte firma selv har ressurser som kjenner til kunstig intelligens og potensialet, reduseres usikkerhet og kunstig intelligens avmystifiseres.
Hvilke betraktninger har du rundt risiko og utfordringer — er det noe vi bør være ekstra bekymret for?
Det er mye snakk om at vi kommer til å miste jobber og slikt. Jeg tror vi er svært langt unna det! Største risiko vi har med de løsningene vi har nå, er at mange bruker KI som legeklosser. Tar litt her og der, putter tjenester og data inn og med håp om å få noe lurt ut. Dette er ikke veien å gå! Det er svært viktig å se på og håndtere det som kalles bias i datagrunnlaget. Dette med bias er et stort begrep og område i maskinlæring. Bias betyr at dersom man har skjevhet i datagrunnlaget og i algoritmene som kjører på denne skjevheten, så vil man få skjevhet og unøyaktige resultater fra maskinlæringsalgoritmene.
For eksempel: Dersom man utarbeidet algoritmer for “søke om lån i bank”. Dersom datagrunnlaget kun har i seg data om like folk fra samme sted — “standard folk fra Norge” — vil algoritmene ikke gi gode og korrekte resultater for lånesøkere som ikke passer inn i “standard folk fra Norge” boksen. Folk utenfor boksen vil da, dersom bias ikke er håndtert korrekt, aldri få igjennom sin lånesøknad. Dersom man ikke justerer og håndterer skjevheten i dataene og algoritmene vil fordommene og skjevhetene i dataene ytterligere forstekes hele tiden — maskinlæringen vil bli stadig sterkere i skjevheten og fordommene.
Dersom skjevhet i datagrunnlaget ikke håndteres — vil den kunstige intelligensen bli dummere og dummere
Det er derfor svært viktig at KI ikke bare “dyttes ut” og tas i bruk. Det må være en komplett og full forståelse tilstede først. For å oppnå det kreves det at flere typer folk fra hele organisasjonen og tjenesten er med i utformingen, alle må jobbe sammen for å kunne levere løsninger på en god etisk måte.
Har du noen lesetips?
Ja, det er mange gode steder du kan lese deg opp på for å lære mer. I tillegg er Marco en ivrig blogger og foredragsholder og har snakket om kunstig intelligens på flere konferanser og publisert blogger om temaet:
Kurs for å lære om kunstig intelligens for allmenheten: https://www.deeplearning.ai/ai-for-everyone/
OReilly pleier å ha gode artikler om KI (for nybegynnere til viderekomne): https://www.oreilly.com/topics/ai
DataScience central er en samling med mange ressurser: https://www.datasciencecentral.com/profiles/blogs/neural-networks-for-machine-learning
Foredrag på Software 2019: https://event.dnd.no/software/sessions/interpretability-in-machine-learning-a-proxy-for-fairness-accountability-and-transparency/
Foredrag på Javazone 2018: https://2018.javazone.no/program/fb04ceb5-d6bb-4e7b-bfcd-67fe632eafa5
Foredrag på Hegnar Media Event Kunstig intelligens i praksis sammen med masterstudentene Denise Warncke Hansen og Josephine Honoré mai 2019: https://www.hegnarevent.no/kunstig-intelligens19
Marcos blogg: https://medium.com/grensesnittet/https-medium-com-mab-55055-what-is-fatml-and-why-should-you-care-dfb36e51f2f4
Ytterligere kilder:
McKinsey & Company “How retailers can keep up with consumers”, oktober 2013 https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers
