Rotot av /Unsplash. Falt i det fri (Public domain)

kunstig intelligens

I vanlige smarttelefoner brukes ofte kunstig intelligens i «smarte apper» som prøver å forutse hva brukeren vil gjøre. Maskinlæring, den vanligste formen for kunstig intelligens, har en lang rekke bruksområder, fra enkle telefon-apper til selvkjørende biler.

Smarttelefon
Av /Unsplash.
Oslos første selvkjørende bussrute, linje 35 mellom Kontraskjæret og Vippetangen, åpnet i mai 2019 med to selvkjørende busser. Kjøretøyene som brukes er modellen Arma levert av NAVYA. Bussene er elektriske med sitteplass til elleve passasjerer.
Av /NTB Scanpix.

Kunstig intelligens er informasjonsteknologi som justerer sin egen aktivitet og derfor tilsynelatende framstår som intelligent.

Faktaboks

etymologi:
engelsk artificial intelligence, AI

Man sier ofte at en datamaskin som er i stand til å løse oppgaver uten å få instruksjoner fra et menneske på hvordan den skal gjøre det, har kunstig intelligens. For eksempel foreslår «intelligente» søkemotorer treff på grunnlag av data om tidligere søk og annen brukeradferd. Dette kalles maskinlæring, og har en lang rekke bruksområder, fra enkle programmer i smarttelefoner til selvkjørende biler. Det finnes også kunstig intelligens som ikke lærer, for eksempel såkalte regelbaserte systemer, hvor komplekse regler for «intelligent adferd» er spesifisert av mennesker på forhånd.

Det arbeides spesielt mye med kunstig intelligens innen talegjenkjenning, bildegjenkjenning, brukerinteraksjon og styring av fysiske prosesser. Som regel når det snakkes om kunstig intelligens, refereres det til såkalt dype nevrale nettverk eller dyp læring.

Som fagfelt er kunstig intelligens en sammensmelting av datateknikk, logikk, matematikk, psykologi og nevrovitenskap. Begrepet har vært en del av datateknikken siden 1950-årene, men det er særlig siden 2010-tallet at teknologien har fått stor utbredelse. I dag er kunstig intelligens en vital del av utviklingen innen informasjonsteknologi, og introduseres i stadig nye felt.

Typer kunstig intelligens

Kunstig intelligens omfatter alle intelligente systemer. Et grovt skille kan trekkes mellom regelbaserte modeller (ekspertsystemer) og datadrevne modeller (maskinlæring). Regelbaserte modeller forstår begreper gjennom regler, som ofte er programmerte før modellen brukes. I datadrevne modeller lærer maskinen i stedet for å bli programmert.

Maskinlæring

Maskinlæring er en viktig underkategori av kunstig intelligens, og omhandler systemer som lærer. Forenklet betyr dette at programmet kan ingenting når det startes, men så er de i stand til å lære over tid, på samme måte som et menneske som ønsker å lære å spille piano blir bedre ved å øve.

Øvingen foregår ved prøving og feiling, og i starten vil ikke maskinen være spesielt flink. Den vil for eksempel gjette helt tilfeldig på hva som er en katt og hva som en hund, hvis den blir bedt om å skille mellom disse dyrene i en bildeanalyse. Det finnes flere metoder for å å veilede denne læringen, slik at maskinen kan justere sin indre modell, og dermed bli litt bedre for hver gang den øver.

Overvåket læring er den mest brukte formen for å trene opp den indre modellen. Det vil si at en lærer, et menneske som vet svaret på oppgaven, interagerer med maskinen. I eksempelet over kan læreren hjelpe maskinen med å sortere tusenvis av bilder av katter og hunder i kategorier, og programmet vil gradvis justere seg selv slik at det kjenner igjen formene på hunder og katter. Dette kalles også tilbakepropagering (engelsk «backpropagation»).

Siden overvåket læring krever tilstedeværelse av et menneske kan det være en kostbar prosess å trene opp modellen. Det blir derfor forsket mye på forskjellige former for uovervåket læring og forsterket læring, der treningen gjøres automatisk. Det finnes også andre metoder som lærer av data, for eksempel support vector machines og case based reasoning (CBR).

Nevrale nettverk og dyp læring

Grafikk-kort (GPU) ble opprinnelig utviklet for å spille dataspill, men viste seg å bli en viktig nøkkel i å trene dyp læring-modeller. Dette fordi de er spesialiserte på enkle matematiske operasjoner, som matrise-multiplikasjon. Bildet viser en NVIDIA Tesla K20x-GPU fra 2012.
Av /flickr.com.
Lisens: CC BY NC SA 2.0

En avansert form for maskinlæring er såkalte nevrale nettverk, som er inspirert av den menneskelige hjernen. Hjernen er bygd opp av nevroner (hjerneceller), som er koblet sammen via synapser. Hvert nevron foretar en veldig enkel beregning av signalene som kommer inn til nevronet. Veldig forenklet kan man si at denne beregningen er addisjoner over tid, og når man en viss terskel, så sender nevronet et signal videre til alle nevronene den er koblet til. Kompleksiteten oppstår fordi det er så mange slike koblinger og mange nevroner (i hjernen finnes det cirka 100 milliarder nevroner).

Disse prinsippene er også brukt i kunstig intelligens. Kunstige nevrale nettverk er en grov forenkling av de biologiske nettverkene som finnes i hjernen, og som i hjernen kobler man sammen mange enkle prosesseringsenheter i et nettverk. Spesielt såkalt dyp læring (engelsk «deep learning») har fått mye oppmerksomhet de siste årene.

Dyp læring er en metode hvor man bygger et nevralt nettverk med mange lag. For hvert lag man legger til, økes beregningskraften til hele systemet. Forenklet sett kan man si at hvert lag lærer en annen måte å forstå informasjonen på, som en abstraksjon av det lavere laget. For eksempel i et dypt nettverk som forsøker å identifisere objekter i et bilde, vil de lavere lagene gjenkjenne enkle former, for eksempel kanter, mens de høyere lagene gjenkjenner mer abstrakte former, for eksempel et ansikt.

Ekspertsystemer

Ekspertsystemer er i hovedsak systemer som har en oppførsel som er definert på forhånd, i motsetning til maskinlæringssystemer, som kan ingenting på forhånd. Ekspertsystemer kalles derfor også regelbaserte systemer.

Mange systemer fungerer på en måte hvor man har skrevet ned regler som beskriver et miljø, og som deretter følger disse reglene. Dette fungerer veldig fint i miljøer som er forutsigbare, og begrenset og regelbundet, for eksempel et spill som sjakk, som har et klart avgrenset spillebrett og entydige regler for hvordan brikkene kan flytte seg. I den virkelige verden er det som regel ikke slik, og derfor får ekspertsystemene ofte problemer når de møter situasjoner som ikke det har sett før (i sjakkeksempelet kan dette være nye typer brikker, eller at en brikke plutselig beveger seg ut av spillebrettet).

Likevel har ekspertsystemer stor nytteverdi på mange felt, og i 1980-årene var dette et stort forskningsområde, med applikasjoner for eksempel innen helse, kontroll av roboter, ruteplanlegging og finans. Det største problemet var at systemene ikke enkelt kunne takle store mengder med eksempler. I stedet måtte eksperter (programmerere) destillere kunnskapen og legge den inn i systemet manuelt. Derfor har ekspertsystemer begrenset nytte sammenlignet med maskinlæring, hvor programmene justerer dette selv.

Filosofiske, politiske og etiske betraktninger

Mange av diskusjonene rundt kunstig intelligens handler hvorvidt jobber kan komme til å bli overflødige som følge av kunstig intelligens. Bildet viser en selvkjørende bil fra Ford.
Av /flickr.com.
Lisens: CC BY SA 3.0
I en militær sammenheng er «intelligente» våpen, som selvstyrte droner og missiler, noe som preger utviklingen innen våpenindustrien. Bildet viser en RQ-4 Global Hawk, en amerikansk drone som brukes til etterretning, overvåkning og rekognosering.
Av /U.S. Air Force photo.

Mange likestiller kunstig intelligens med kunstig bevissthet. Dette er forståelig, da det gjennom språkbruk og populærkultur har dannet seg et slikt bilde. Mye av begrepsbruken rundt kunstig intelligens er hentet fra nevrovitenskap og bevissthetspsykologi, og mange av valgene som kunstig intelligens kan gjøre, kan også minne om bevisste valg når man observerer oppførselen. Men dette er ikke det samme som bevissthet. En maskin kan vise intelligent oppførsel, uten at den er selvbevisst.

I de politiske og etiske diskusjonene rundt kunstig intelligens blir det ofte hevdet at kunstig intelligens kan være en trussel mot menneskeheten og mot de økonomiske systemene vi kjenner. Frykten for at kunstig intelligens en dag skal bli smartere enn mennesker, og deretter skal vokse til den til slutt dominerer menneskene, har vært bakgrunn for mange klassiske science fiction-filmscenarier som for eksempel Terminator (1984) og The Matrix (1999). Slik teknologien fungerer i dag, er man imidlertid veldig langt unna den type kunstig bevissthet som dette krever. Mer nærliggende er det å tenke på at en del jobber kommer til å bli overflødige som følge av kunstig intelligens. Dette er mest aktuelt innen rutinepreget arbeid som ikke krever noe særlig langvarig tankevirksomhet. Selvkjørende biler er nok det mest nærliggende som vil ha stor innvirkning på det sivile samfunnet. I en militær sammenheng er «intelligente» våpen, som selvstyrte droner, noe som preger utviklingen innen våpenindustrien. Men kunstig intelligens har også potensiale til å effektivisere samfunnet på mange vis. Det er mulig å se for seg en framtid der menneskene jobber mindre, fordi maskinene produserer det meste av verdi.

Dette utløser en mengde etiske spørsmål, som av typen: Hvem som skal holdes ansvarlig hvis bruken av kunstig intelligens skader et annet menneske? Er det selskapet som har solgt teknologien, de som har utviklet den, eller ligger skylden hos dataene som er brukt til å trene opp den kunstige intelligensen? Enkelte har også tatt til orde for at roboter burde skattlegges, og dermed direkte bidra til samfunnets velferd som helhet.

Etikk innen kunstig intelligens er noe det forskes mye på, og globalt dukker det opp flere initiativer som krever regulering av kunstig intelligens, og i tillegg fins det nå institutter som kun forsker på etiske aspekter av anvendelse av kunstig intelligens, som for eksempel Leverhulme Centre for the Future of Intelligence.

Historikk

Før fagfeltet kunstig intelligens ble skapt, er det mange eksempler på menneskelige ønsker om å skape selvstyrte maskiner. Det første eksemplet i litteraturen kan spores tilbake til gresk mytologi. Talos var en stor statue som beskyttet øya Kreta mot innvandrere. De hadde ikke begrepet robot på den tiden (ordet robot stammer fra det tsjekkiske ordet robotnik som betyr «tvungen arbeider», og har sin opprinnelse i Karel Čapek teaterstykke R.U.R. – Rossum's Universal Robots fra 1920), men man så for seg en menneskapt entitet som var i stand til å handle selv.

Senere, i 1890 formulerte Sigmund Freud en sentral læringsalgoritme om at nevroner som fyrer samtidig, forsterker hverandres forbindelse. Dette ble gjenoppdaget av Donald Hebb i 1949, som formulerte noe som er kjent som Hebbiansk læring. Dette er en grov forenkling, og læringsalgoritmen har ikke vist seg å fungere rent praktisk, men regnes likevel som en historisk viktig innsikt i forskningsmiljøene.

Begrepet etableres

Selve begrepet kunstig intelligens ble skapt i 1956 under en seks uker lang konferanse ved Dartmouth College kalt Summer Research Project on Artificial Intelligence. Konferansen samlet forskere innen automasjonsteori (kybernetikk, et fagfelt som sto veldig sterkt i USA i 1940- og 1950-årene), hjernens nevrale nettverk og studier av intelligens. Mange av de som skulle forme fagfeltet de neste tiårene var til stede.

Det er vanlig å tillegge etableringen av begrepet til John McCarthy, som var en av de sentrale foredragsholderne på konferansen. Blant oppgavene som det ble eksperimentert med var programmering av spill som sjakk og nim.

Turing-testen

I 1950 forsøkte den britiske matematikeren og programmereren Alan Turing å definere kriterier for hva som må til for at en maskin skal kunne kalles «intelligent» gjennom den såkalte Turingtesten. Enkelt sagt handler testen om hvorvidt det er mulig å konstruere maskiner som kan imitere et menneske så godt at det ikke gjenkjennes som en maskin.

Testen forutsatte at maskinen måtte kunne:

  1. generere og gjenkjenne naturlige språk, altså de språk som menneskene snakker
  2. lagre den informasjon som den får
  3. resonnere og trekke konklusjoner basert på denne informasjonen
  4. kunne lære for å tilpasse seg det den informasjonen den har fått, samt den interaksjonen som finner sted i punkt 1

Turingtesten er i etterkant ikke ansett som en spesielt god måte for å måle kunstig intelligens, men er viktig i historisk sammenheng.

«AI-vinterne»

På 1980-tallet kom kunstig intelligens tilbake i form av ekspertsystemer, med tilhørende optimisme. I tillegg introduserte Hollywood kunstig intelligens i offentlighetens bevissthet gjennom store filmer som Terminator (1984) og Short Circuit (1986).
Av /Scanpix.
Det vakte oppsikt da sjakk-datamaskinen Deep Blue slo sjakkmesteren Garri Kasparov i 1997. Bildet viser Kasparov som gjemmer hodet i hendene da han innser at han har tapt det sjette og avgjørende partiet. Dette var første gang en datamaskin slo en regjerende verdensmester i sjakk. Selv om det tekniske prinsippet i programmeringen av Deep Blue er annerledes enn det meste som brukes innen kunstig intelligens i dag, var mediestunt av denne typen viktig for å introdusere denne typen teknologi i folks bevissthet.
Av /REUTERS/NTB Scanpix.

Etter konferansen på Dartmouth var det mye optimisme i forskningsmiljøene, og i 1960-årene trodde mange at maskinene ville bli like smarte som menneskene om få år. Dette førte til voldsomt med interesse, og det ble gitt mye penger til forskning rundt kunstig intelligens.

Etter noen år innså man imidlertid at resultatene uteble, og på 1970-tallet gikk man derfor inn i det som har blitt kalt en «AI-vinter». Forskningsmidlene stoppet opp, og forskningen på området ble sterkt begrenset.

På 1980-tallet kom kunstig intelligens tilbake i form av ekspertsystemer, med tilhørende optimisme. I tillegg introduserte Hollywood kunstig intelligens i offentlighetens bevissthet gjennom store filmer som Terminator (1984) og Short Circuit (1986). Men igjen gikk det ikke som forskerne hadde lovet fordi ekspertsystemene heller ikke klarte å levere på det nivået man håpet. Fra slutten av 1980-tallet og utover 1990-tallet kom det derfor nok en «AI-vinter».

Gjennombruddet

Det ble forsket mye på anvendelser av nevrale nettverk opp gjennom 1990-tallet og ut på 2000-tallet, men det var først på 2010-tallet at metodikken, regnekraften og datamengden muliggjorde at man virkelig kunne ta skrittet ut av forskningslaboratoriene og inn i den industrielle verden.

Et viktig vendepunkt kom i 2012 i forbindelse med konkurransen ImageNet, en årlig test for automatisk gjenkjenning av objekter i en stor bildedatabase. Alex Krizhevsky utviklet en etablert teknikk basert på nevrale nettverk som senket feilraten på bildegjenkjenning med oppsiktsvekkende stor margin. Etter dette året ble så å si all bildeforståelse gjort med nevrale nettverk, og metoden viste seg å kunne anvendes på tolkning av sekvenser også, det vil si lyd og tekst. Kunstig intelligens kom dermed raskt tilbake for fullt, både i industriell sammenheng og i folks bevissthet.

Hvorfor kom gjennombruddet i 2012, selv om nevrale nettverk hadde eksistert i flere tiår? Det er i hovedsak to faktorer:

  1. Man fikk datamaskiner som var så kraftige at de kunne trene opp store modeller relativt raskt (det vil si i løpet av noen uker eller dager)
  2. Man hadde store datamengder for å trene opp slike modeller – siden de var så store, krevde de mye data for å kunne lære

Denne metodikken har dominert kunstig intelligens siden.

Tilgjengelighet

Eksempel på automatisk gjenkjenning av objekter ved hjelp av kunstig intelligens. Mange av rammeverkene for å drive med kunstig intelligens er tilgjengelige som åpen kildekode. Objektene i bildet har blitt identifisert ved hjelp av OpenCVs Deep Neural Network module (dnn). Det har blitt brukt en YOLOv3 modell, trenet med et COCO datasett som kan gi gjenkjenning av 80 vanlige objekter. Alle programmene og datasettene er åpent tilgjengelige.

De største rammeverkene for å drive med kunstig intelligens er offentlig tilgjengelige som åpen kildekode. De to største er TensorFlow (utviklet av Google) og PyTorch (utviklet av Facebook).

Hvem som helst kan laste ned disse verktøyene og programmere sine egne systemer. Det fins mange veiledninger på internett, så terskelen har aldri vært lavere for å begynne med å utvikle kunstig intelligens selv.

Les mer i Store norske leksikon

Litteratur

  • Tørresen, Jim (2013). Hva er kunstig intelligens? Oslo: Universitetsforlaget

Eksterne lenker

Kommentarer (3)

skrev Gedi S

Veldig bra skrevet artikler Axel! Hvor/hvordan man kan abonnere på deres artikler?

mhv,
g

skrev Ola Nordal

Hei Gedi. Jeg takker på vegne av Axel. Det varmer å høre at du liker artikkelen! Hvis du vil få jevnlige oppdateringer om gode og aktuelle artikler kan du følge oss på facebook. Vi poster artikler vi er glade i og stolte av hver dag. Det er også mulig å følge oss på Twitter. Søk, så finner du oss.
Alt godt fra Ola i SNL-redaksjonen

skrev Axel Tidemann

Takk for tilbakemeldingen, Gedi! Flott å høre at du liker artikkelen.

Kommentaren din publiseres her. Fagansvarlig eller redaktør svarer når de kan.

Du må være logget inn for å kommentere.

eller registrer deg