Hackschooling er et wakeup-call  

Dennis Nørmark på Afveje

 

FB
Titel:
Robotterne har brug for vores hjælp
VF12 Printartikel:
FB
Kort tekst:
Ligesom barnet lærer computeren ved, at nogen peger på en hund i billedbogen og siger "Det er en hund!" Computeren er ikke lige så kvik som barnet, så den skal gerne have det gentaget nogle tusind gange. Derfra kan vi til gengæld opdrage den til at gøre fantastiske ting
Person:
Billede:
IMG_3982_Nina
Navn:
Nina Holm-Jensen
Titel:
Dataspecialist
Arbejdssted:
Schultz
Fotoreportage:
Lang tekst:

Vores verden starter med data. Fra børn åbner øjnene, suger de til sig af indtryk og billeder og ord og lektier og vurderinger. ”Dér er en hund.” ”Det der må du ikke gøre.” ”Sig tak, når du får en gave.” ”To plus to er fire.” Først gentager de blot, hvad de hører og ser. Senere lærer de at følge elementære regler. Og senere begynder de selv at stille spørgsmål, selv at opsøge manglende viden, selv at træffe egne beslutninger. Naturen har udstyret mennesket med alt det nødvendige apparatur til at mestre den proces.
 

Inden for teknologihistorie arbejder man med, hvordan den teknologiske udvikling har formet samfundet, produktionen, infrastrukturen. Teknologi muliggør. Trykpressen var en forudsætning for oplysningstiden. Olieudvinding var en forudsætning for industrialiseringen. I bagklogskabens lys er det nemt at se, hvordan teknologiske landvindinger har formet verden på godt og ondt. Computerens indtog har allerede reformeret, hvordan vi arbejder, socialiserer og producerer. Jeg er overbevist om, at kunstig intelligens kommer til at gøre det samme.
 

Kunstige hjerner fascinerer

Kunstig intelligens som felt strækker sig tilbage til det antikke Grækenland, hvor filosoffer prøvede at afdække logikken bag menneskets tankegang. Litteraturen og mytefortælling er heller ikke fattige i kunstige hjerner. Fra jødiske myter om den beskyttende Golem til Mary Shelleys Frankenstein og helt frem til den moderne Hal 9000 i A Space Odyssey har vi været fascinerede af kunstigt intelligente væsner som hjælpere eller som fjender. I 1800-tallet, da Ada Lovelace opfandt den analytiske maskine (computerens forgænger), adresserede hun da også muligheden. Ada afviste dog, at computeren ville kunne lære at tænke uden for de rammer, som mennesket gav den.

Hjerne_Kunstig Intelligens
 

I 1950'erne erklærede forskningen sig uenig med Ada. Dette var den første gyldne periode for kunstig intelligens, og spilteori blev udviklet side om side med algoritmer og logik. Den første chatrobot, Eliza, gjorde brug af simple retoriske kneb såsom at gentage den foregående sætnings sidste ord, hvilket allerede i 1966 var nok til at bestå Turing-testen, som præciserer, at computeren er ægte intelligent, når den kan narre en menneskelig samtalepartner til at tro, at den selv er menneskelig. Kunstig intelligens er kun stormet frem siden da. Supercomputeren Deep Blue besejrede skakmesteren Kasparov i 1997. I 2011 vandt IBM's Watson et spil Jeopardy. I januar i år vandt den kunstige Libratius en pokerturnering mod verdens bedste pokerspillere. På et halvt århundrede har computere lært at løse simple logiske problemer, overskue komplekse optimeringsudfordringer, forstå og besvare et formuleret spørgsmål og nu også at bluffe.
 

Skakmat?

De første kunstige intelligenser var baseret på heuristiske metoder, som blev pioneret af matematikeren og datalogen Alan Turing, som også udtænkte Turing-testen. En heuristisk kunstig intelligens undersøger tænkelige udfald af en situation og træffer valg, der giver den største chance for et godt resultat. Det kan gøres ved at undersøge samtlige muligheder, hvilket er ganske nemt i fx Fire-på-stribe, hvor der kun er ca. 250.000 tænkelige spil, men langt mere kompliceret i skak, hvor antallet af mulige spil overstiger mængden af atomer i universet. En af de smartere metoder er Monte Carlo-metoden, hvor man tager tilfældige stikprøver af lovlige træk, som man dernæst går videre med. Således undgår man at beregne samtlige muligheder for hvert træk, og netop denne metode har vist sig meget præcis, når det kommer til alt fra skak til beregning af broers bærestyrke.
 

Disse heuristiske metoder gør computeren til den fødte optimeringsmaskine, ikke mindst når problemet kan modelleres som et (semi-)lukket system, hvor man med en vis enkelhed kan definere succeskriterier såsom "Vind spillet" eller "Maksimal besparelse". Det er derfor, computere er så imponerende i spil. Hvis man derimod beder computeren beskrive motivet på et billede, er der så mange muligheder og så mange potentielt rigtige svar, at traditionel heuristisk logik ikke er nok.
 

Fra data til dommedagsprofetier

Dermed ikke sagt, at computere ikke er ved at komme efter det. I nyere tid har kunstig intelligens haft en renæssance med maskinlæring, som er en række metoder til at fodre computeren med enorme mængder data og lade den lære selv. Ligesom barnet, der sjældent får beskrevet, at en hund har fire poter og tre øjenlåg og 42 tænder, lærer computeren i stedet ved, at nogen peger på en hund i billedbogen og siger "Det er en hund!". Computeren er dog ikke så kvik som barnet, så den skal gerne have det gentaget nogle tusind gange. Det er her, data kommer ind i billedet.
 

Hvis robotten får data nok, kan den finde mønstre, som den kan overføre på nye datapunkter, fx ved at lære, at dette nye billede forestiller et bestemt dyr. Vi mennesker drager de konklusioner intuitivt, computeren snyder og bruger i stedet statistik. Sådanne forudsigelser spænder bredt: Hvor vil det næste indbrud finde sted i Barcelona, hvilken e-mail hører til i spammappen, hvilke banklån vil næppe blive tilbagebetalt, hvilken dims på samlebåndet skal kasseres, hvad bliver det næste ord i denne sætning. Alle disse spørgsmål bliver p.t. besvaret af programmer verden over ved hjælp af heuristiske metoder og maskinlæring, som altså dækker et utal af problemstillinger og metoder, som vi kun lige er begyndt at skrabe overfladen på.
 

Det lyder jo alt sammen imponerende og lidt skræmmende. Og det skorter da heller ikke på dommedagsprofeter, som frygter robotternes overtagelse af jobs. Der tales mest om den generaliserede kunstige intelligens, som kan alt, og som bliver lige så klog som – eller endda klogere end – mennesket. Og hvem ved, måske kommer den en dag. Det lyder jo godt på papiret. Men i mellemtiden er vi alle sammen ved at vænne os til de mindre, mere specialiserede kunstig intelligens-systemer, som allerede gennemsyrer vores hverdag. Google Maps er dygtigere til at finde vej, end jeg nogensinde bliver. Det amerikanske politivæsen bruger data og seismologiske modeller til at forudsige kriminalitet. Din mailboks kan frasortere langt størstedelen af din spam. Københavns Kommune bruger robotter til at automatisere sagsbehandlernes kedeligere rutineopgaver. Kunstig intelligens bruges til kvalitetskontrol, til sikkerhedsmonitorering, til rutineopgaver, til sortering, til kategorisering, til forudsigelse, til at understøtte beslutninger og til at føre dem ud i livet. Det findes allerede overalt.
 

I dag er data den mest begrænsende faktor. Computeren kan ikke lære, at din bil snart skal til mekanikeren, hvis den ikke har set en lang række skadede biler før. Der er altså stadig oplagte grænser for robotternes formåen. Det er derfor, vi ser fremskridt komme i ryk og ofte fra uventet front. Det er ikke til at forudsige, hvilket problem der pludselig bliver angrebet med den rigtige algoritme, og hvor det tilgængelige data pludselig afspejler virkeligheden nok til at fralære sig de rigtige lektioner. Robotten vandt poker, fordi den fik lov at sidde og spille hele natten mod menneskelige modstandere. Efter nogle måneder havde den dygtiggjort sig nok til at vinde. Modsat kæmper forskere stadig med noget så simpelt som at genkende navne i tekster (en opgave, som jeg selv er markant bedre til end poker), fordi sprog er så grundlæggende komplekst.
 

Men det er kun et spørgsmål om tid. For hvert år, der går, bliver computerne hurtigere og bedre, og i dag har vi både computerkraft og datamængder til gøre et nævneværdigt indhug i problemet. Det er derfor, de store virksomheder som Facebook så ofte kommer i medierne, anklaget for at indsamle og stjæle dine data. De kigger næppe selv på det. De fodrer det til den kunstige hjerne, så den kan blive endnu klogere.
 

På forkant med fremtiden

Det skræmmer dig måske. Det skræmmer mig lidt. Der er store etiske spørgsmål at stille. Hvem skal tage sig af undtagelserne og afvigerne, når statistikken rammer skævt? Hvad med de problemstillinger, som robotter slet ikke kan tage – dem, der er defineret af menneskelig varme og omsorg og kreativitet? Hvem skal have gavn af de massive forbedringer, som robotterne vil muliggøre?
 

Det, vi ser i dag, er, at robotterne i stor stil er begyndt at løfte opgaver, som gør livet en smule bedre. For til nogle ting er de bevisligt bedre. De vinder i skak. Amerikanske virksomheder sparer allerede millioner kroner på bedre, mere intelligent kvalitetskontrol. Googles selvkørende biler overholder kørselsloven i næsten pinagtig grad. Vores modeller bliver bedre og bedre og mere præcise. Men samtidig bruges de af hackere og militæret og til spionage og til at overflødiggøre jobs for folk, som måske ikke får glæde af effektiviseringen.
 

Robotterne er her, de bliver flere, og de kommer til at udfordre os.
 

Jeg tvivler på, at de kommer til at udfordre os på den måde, som Hollywood frygter med SkyNet, som pludselig erklærer krig mod menneskeheden. I dag løser computere stadig de opgaver, som de bliver stillet, med de succeskriterier, som de får defineret. Vi har bare i svindende grad brug for at fortælle dem hvordan. En eller anden dag skal vi nok stå over for robotter, hvis kompleksitet overstiger vores fatteevne – på samme måde som vi ikke forstår vores egne hjerner, som dog gør os til selvbevidste, intelligente væsner. Men det er stadig et fremtidsscenarie. I mellemtiden må vi ikke misse skoven for træerne. For når den ægte menneskelignende robot kommer, har vi allerede revolutioneret vores samfund og produktion helt og aldeles på samme måde, som stål og olie gjorde det for et århundrede siden.
 

Den gode nyhed er, at vi lige nu er på forkant med udviklingen, og hvis vi er villige til at tage diskussionerne, til at planlægge vores færd grundigt, til at fokusere på, hvordan vi lærer computerne at tjene mennesker og ikke omvendt, kan vi ende med at opdrage dem til at gøre helt fantastiske ting.

 
Disclaimer:
Denne artikel er normalt ikke gratis, men vi synes alligevel, at du skal læse den. Prøv også Vejlederforum i en måned. Så kan du læse mange flere.

Vores verden starter med data. Fra børn åbner øjnene, suger de til sig af indtryk og billeder og ord og lektier og vurderinger. ”Dér er en hund.” ”Det der må du ikke gøre.” ”Sig tak, når du får en gave.” ”To plus to er fire.” Først gentager de blot, hvad de hører og ser. Senere lærer de at følge elementære regler. Og senere begynder de selv at stille spørgsmål, selv at opsøge manglende viden, selv at træffe egne beslutninger. Naturen har udstyret mennesket med alt det nødvendige apparatur til at mestre den proces.
 

Inden for teknologihistorie arbejder man med, hvordan den teknologiske udvikling har formet samfundet, produktionen, infrastrukturen. Teknologi muliggør. Trykpressen var en forudsætning for oplysningstiden. Olieudvinding var en forudsætning for industrialiseringen. I bagklogskabens lys er det nemt at se, hvordan teknologiske landvindinger har formet verden på godt og ondt. Computerens indtog har allerede reformeret, hvordan vi arbejder, socialiserer og producerer. Jeg er overbevist om, at kunstig intelligens kommer til at gøre det samme.
 

Kunstige hjerner fascinerer

Kunstig intelligens som felt strækker sig tilbage til det antikke Grækenland, hvor filosoffer prøvede at afdække logikken bag menneskets tankegang. Litteraturen og mytefortælling er heller ikke fattige i kunstige hjerner. Fra jødiske myter om den beskyttende Golem til Mary Shelleys Frankenstein og helt frem til den moderne Hal 9000 i A Space Odyssey har vi været fascinerede af kunstigt intelligente væsner som hjælpere eller som fjender. I 1800-tallet, da Ada Lovelace opfandt den analytiske maskine (computerens forgænger), adresserede hun da også muligheden. Ada afviste dog, at computeren ville kunne lære at tænke uden for de rammer, som mennesket gav den.

Hjerne_Kunstig Intelligens
 

I 1950'erne erklærede forskningen sig uenig med Ada. Dette var den første gyldne periode for kunstig intelligens, og spilteori blev udviklet side om side med algoritmer og logik. Den første chatrobot, Eliza, gjorde brug af simple retoriske kneb såsom at gentage den foregående sætnings sidste ord, hvilket allerede i 1966 var nok til at bestå Turing-testen, som præciserer, at computeren er ægte intelligent, når den kan narre en menneskelig samtalepartner til at tro, at den selv er menneskelig. Kunstig intelligens er kun stormet frem siden da. Supercomputeren Deep Blue besejrede skakmesteren Kasparov i 1997. I 2011 vandt IBM's Watson et spil Jeopardy. I januar i år vandt den kunstige Libratius en pokerturnering mod verdens bedste pokerspillere. På et halvt århundrede har computere lært at løse simple logiske problemer, overskue komplekse optimeringsudfordringer, forstå og besvare et formuleret spørgsmål og nu også at bluffe.
 

Skakmat?

De første kunstige intelligenser var baseret på heuristiske metoder, som blev pioneret af matematikeren og datalogen Alan Turing, som også udtænkte Turing-testen. En heuristisk kunstig intelligens undersøger tænkelige udfald af en situation og træffer valg, der giver den største chance for et godt resultat. Det kan gøres ved at undersøge samtlige muligheder, hvilket er ganske nemt i fx Fire-på-stribe, hvor der kun er ca. 250.000 tænkelige spil, men langt mere kompliceret i skak, hvor antallet af mulige spil overstiger mængden af atomer i universet. En af de smartere metoder er Monte Carlo-metoden, hvor man tager tilfældige stikprøver af lovlige træk, som man dernæst går videre med. Således undgår man at beregne samtlige muligheder for hvert træk, og netop denne metode har vist sig meget præcis, når det kommer til alt fra skak til beregning af broers bærestyrke.
 

Disse heuristiske metoder gør computeren til den fødte optimeringsmaskine, ikke mindst når problemet kan modelleres som et (semi-)lukket system, hvor man med en vis enkelhed kan definere succeskriterier såsom "Vind spillet" eller "Maksimal besparelse". Det er derfor, computere er så imponerende i spil. Hvis man derimod beder computeren beskrive motivet på et billede, er der så mange muligheder og så mange potentielt rigtige svar, at traditionel heuristisk logik ikke er nok.
 

Fra data til dommedagsprofetier

Dermed ikke sagt, at computere ikke er ved at komme efter det. I nyere tid har kunstig intelligens haft en renæssance med maskinlæring, som er en række metoder til at fodre computeren med enorme mængder data og lade den lære selv. Ligesom barnet, der sjældent får beskrevet, at en hund har fire poter og tre øjenlåg og 42 tænder, lærer computeren i stedet ved, at nogen peger på en hund i billedbogen og siger "Det er en hund!". Computeren er dog ikke så kvik som barnet, så den skal gerne have det gentaget nogle tusind gange. Det er her, data kommer ind i billedet.
 

Hvis robotten får data nok, kan den finde mønstre, som den kan overføre på nye datapunkter, fx ved at lære, at dette nye billede forestiller et bestemt dyr. Vi mennesker drager de konklusioner intuitivt, computeren snyder og bruger i stedet statistik. Sådanne forudsigelser spænder bredt: Hvor vil det næste indbrud finde sted i Barcelona, hvilken e-mail hører til i spammappen, hvilke banklån vil næppe blive tilbagebetalt, hvilken dims på samlebåndet skal kasseres, hvad bliver det næste ord i denne sætning. Alle disse spørgsmål bliver p.t. besvaret af programmer verden over ved hjælp af heuristiske metoder og maskinlæring, som altså dækker et utal af problemstillinger og metoder, som vi kun lige er begyndt at skrabe overfladen på.
 

Det lyder jo alt sammen imponerende og lidt skræmmende. Og det skorter da heller ikke på dommedagsprofeter, som frygter robotternes overtagelse af jobs. Der tales mest om den generaliserede kunstige intelligens, som kan alt, og som bliver lige så klog som – eller endda klogere end – mennesket. Og hvem ved, måske kommer den en dag. Det lyder jo godt på papiret. Men i mellemtiden er vi alle sammen ved at vænne os til de mindre, mere specialiserede kunstig intelligens-systemer, som allerede gennemsyrer vores hverdag. Google Maps er dygtigere til at finde vej, end jeg nogensinde bliver. Det amerikanske politivæsen bruger data og seismologiske modeller til at forudsige kriminalitet. Din mailboks kan frasortere langt størstedelen af din spam. Københavns Kommune bruger robotter til at automatisere sagsbehandlernes kedeligere rutineopgaver. Kunstig intelligens bruges til kvalitetskontrol, til sikkerhedsmonitorering, til rutineopgaver, til sortering, til kategorisering, til forudsigelse, til at understøtte beslutninger og til at føre dem ud i livet. Det findes allerede overalt.
 

I dag er data den mest begrænsende faktor. Computeren kan ikke lære, at din bil snart skal til mekanikeren, hvis den ikke har set en lang række skadede biler før. Der er altså stadig oplagte grænser for robotternes formåen. Det er derfor, vi ser fremskridt komme i ryk og ofte fra uventet front. Det er ikke til at forudsige, hvilket problem der pludselig bliver angrebet med den rigtige algoritme, og hvor det tilgængelige data pludselig afspejler virkeligheden nok til at fralære sig de rigtige lektioner. Robotten vandt poker, fordi den fik lov at sidde og spille hele natten mod menneskelige modstandere. Efter nogle måneder havde den dygtiggjort sig nok til at vinde. Modsat kæmper forskere stadig med noget så simpelt som at genkende navne i tekster (en opgave, som jeg selv er markant bedre til end poker), fordi sprog er så grundlæggende komplekst.
 

Men det er kun et spørgsmål om tid. For hvert år, der går, bliver computerne hurtigere og bedre, og i dag har vi både computerkraft og datamængder til gøre et nævneværdigt indhug i problemet. Det er derfor, de store virksomheder som Facebook så ofte kommer i medierne, anklaget for at indsamle og stjæle dine data. De kigger næppe selv på det. De fodrer det til den kunstige hjerne, så den kan blive endnu klogere.
 

På forkant med fremtiden

Det skræmmer dig måske. Det skræmmer mig lidt. Der er store etiske spørgsmål at stille. Hvem skal tage sig af undtagelserne og afvigerne, når statistikken rammer skævt? Hvad med de problemstillinger, som robotter slet ikke kan tage – dem, der er defineret af menneskelig varme og omsorg og kreativitet? Hvem skal have gavn af de massive forbedringer, som robotterne vil muliggøre?
 

Det, vi ser i dag, er, at robotterne i stor stil er begyndt at løfte opgaver, som gør livet en smule bedre. For til nogle ting er de bevisligt bedre. De vinder i skak. Amerikanske virksomheder sparer allerede millioner kroner på bedre, mere intelligent kvalitetskontrol. Googles selvkørende biler overholder kørselsloven i næsten pinagtig grad. Vores modeller bliver bedre og bedre og mere præcise. Men samtidig bruges de af hackere og militæret og til spionage og til at overflødiggøre jobs for folk, som måske ikke får glæde af effektiviseringen.
 

Robotterne er her, de bliver flere, og de kommer til at udfordre os.
 

Jeg tvivler på, at de kommer til at udfordre os på den måde, som Hollywood frygter med SkyNet, som pludselig erklærer krig mod menneskeheden. I dag løser computere stadig de opgaver, som de bliver stillet, med de succeskriterier, som de får defineret. Vi har bare i svindende grad brug for at fortælle dem hvordan. En eller anden dag skal vi nok stå over for robotter, hvis kompleksitet overstiger vores fatteevne – på samme måde som vi ikke forstår vores egne hjerner, som dog gør os til selvbevidste, intelligente væsner. Men det er stadig et fremtidsscenarie. I mellemtiden må vi ikke misse skoven for træerne. For når den ægte menneskelignende robot kommer, har vi allerede revolutioneret vores samfund og produktion helt og aldeles på samme måde, som stål og olie gjorde det for et århundrede siden.
 

Den gode nyhed er, at vi lige nu er på forkant med udviklingen, og hvis vi er villige til at tage diskussionerne, til at planlægge vores færd grundigt, til at fokusere på, hvordan vi lærer computerne at tjene mennesker og ikke omvendt, kan vi ende med at opdrage dem til at gøre helt fantastiske ting.

 
Tidsskriftsnr.:
2017 nr. 2
Publiceringsdato:
18-04-2017

Ophavsret


© Schultz Information

Se ophavsret og ansvar

Kommentarer
Kommentarlink:
kommentarvisning:
Kommenter link:
Om forfatteren:
Faktatitel:
Fakta:
Artikeltitel:
Relaterede artikler:
Nyhedtitel:
Nyhedslinks:
Litteraturtitel:
Litteraturlink:
Linktitel:
Schultz  Annexstræde 5  2500 Valby  T: 4848 5505  E: kundeservice@schultz.dk

Hjemmesiden bruger cookies


Cookies er nødvendige for at få hjemmesiden til at fungere, men de giver også info om hvordan du bruger vores hjemmeside, så vi kan forbedre den både for dig og for andre. Cookies på denne hjemmeside bruges primært til trafikmåling og optimering af sidens indhold.
Hvis du klikker videre på siden, accepterer du vores brug af cookies.
Vil du vide mere om vores cookies, og hvordan du sletter dem, klik her.