Connect with us

Hvad søger du?

Science ReportScience Report

Kultur

Kunstig intelligens kan hjælpe forskere der husker at bruge hovedet

Ny bog om kunstig intelligens gennemgår fordelene og ulemperne ved brugen af AI

– Kunstig intelligens ruller ind over os som en bølge. Snart er der ikke den videnskab, hvor man ikke skal have større og større mængder data i bagagen for at kunne konkludere noget, siger Thomas Terney, der er ph.d. i kunstig intelligens og aktuel med bogen Kampen om Fremtiden med samme emne.

Kunstig intelligens er det nye sort. Men i modsætning til mange andre modefænomener er den analyserende computerkraft kommet for at blive. På få øjeblikke kan den overskue og fortolke datasæt, som et traditionelt forskerhold end ikke var kommet igennem på et helt liv. Regeringen ønsker at vi skal være førende på området i 2025. Alle taler om det, men hvordan bruger man det egentlig?

Overordnet kan metoderne til at lave kunstig intelligens placeres inden for kategorierne symbolsk kunstig intelligens og maskinlæring.

Ideen med symbolsk kunstig intelligens er at tage allerede eksisterende viden fra mennesker og lægge den ind i computeren, så computeren kan bruge den som fundament til at løse nye opgaver.

– Den kunstige intelligens består her i, at computeren på intelligent vis kan kombinere alle de tilgængelige fakta, sammenhænge og tommelfingerregler hurtigere og med et bedre overblik, end et menneske ofte kan, siger Thomas Terney.

Symbolsk kunstig intelligens bliver også kaldet GOFAI
Symbolsk kunstig intelligens bliver også kaldet GOFAI, forkortet fra det engelske Good Old Fashioned Artificial Intelligence, men da der ikke er ret mange forskningsmidler, samarbejdspartene eller kunder i det, så foretrækker de fleste at betegnelsen symbolsk kunstig intelligens.

I modsætning til symbolsk intelligens, hvor man lægger eksisterende viden ind i computeren, så er formålet med maskinlæring, at man fodrer maskinen med data, som den selv skal generere viden ud fra.

– Kunstig intelligens indenfor maskinlæring handler om at opbygge systemer, der kan lære af sig selv. Systemerne bliver bedre og bedre til at løse en opgave, efterhånden som de får mere og mere erfaring med at løse opgaven, forklarer Thomas Terney.

Maskinlæringsmetoden er nyttig, når man ikke kan definere viden præcist eller ønsker at opnå viden om et givent felt ud fra en stor mængde data.

Eksempelvis lærte et forskerhold ved Stanford Universitet’s laboratorie for kunstig intelligens en computer at diagnosticere hudkræft gennem billeder ved at fodre den med 130.000 billeder af hudskader såsom hudkræft, akne, allergiske reaktioner og så videre, der alle var diagnosticeret af hudlæger på forhånd.

Som resultat lærte computeren at foretage en korrekt diagnosticering i 70 procent af tilfældene, når den blev præsenteret for nye billeder af hudskader. Det er fuldt ud på linje med hvad trænede hudlæger kan. Da systemet lærer gennem erfaring, bliver det bedre og bedre jo flere billeder af hudskader det præsenteres for.

Maskinen lærer ikke fakta om verden

Men selv om det kan lyde forjættende, er kunstig intelligens er ikke en teknologi, hvor vi bare skovler store mængder data ind på en stor server og tænder for den, og vupti, så kortlægger den årsagssammenhængene, forklarer Thomas Terney. Computeres svar af den data vi fodrer den med og de spørgsmål vi stiller.

– Sammenfald i data er ikke ensbetydende med, at der rent faktisk er en årsagssammenhæng. Samtidig kan computeren være med til at bekræfte nogle antagelser om en årsagssammenhæng, der ikke er der, siger han og tilføjer:

– Maskinen lærer ikke fakta om verden. Den lærer fakta om datasættet.

Eksempelvis bruger man ved domstolene i USA et værktøj ved navn COMPAS til at risikovurdere, om forbrydere vil begå ny kriminalitet inden for de næste to år. En tidlig udgave af systemet forudsagde, at sorte havde dobbelt så stor sandsynlighed for at begå ny kriminalitet, som hvide har. Det er én mulig udlægning af virkeligheden. Men der er også en anden og mindst lige så valid mulig forklaring, siger Thomas Terney.

I USA har sorte nemlig dobbelt så stor risiko for at blive dømt for en forbrydelse, som hvide har. Og dét er en markant anderledes virkelighed end, at risikoen for at sorte begår en forbrydelse er dobbelt så stor.

– Dermed udstiller systemet en potentiel strukturel udfordring i det amerikanske retssystem, nemlig at der er en klar racebias i domsafsigelserne. En racebias, der ikke er opstået som konsekvens af kunstig intelligens og data, men på grund af mennesker, siger Thomas Terney.

Data fra et retsvæsen viser nemlig ikke hvem der begår forbrydelserne, men hvem der bliver anholdt og stillet for en dommer, uddyber han. Således viser den kunstige intelligens i COMPAS os, at der historisk set er et mønster af forskelsbehandling.

– Kunstig intelligens kan være med til at bringe bias i datasættene frem til overfladen. For brugt rigtigt kan kunstig intelligens være den tiltrængte lup på alle de beslutninger og handlinger, vi træffer på baggrund af fordomme eller simpel mangel på forståelse, siger han.

Kunstig intelligens er for alle

Hvis man er grøn udi kunstig intelligens, kan man få hjælp til at analysere og fortolke sine store mængder indsamlede data på SCIENCE AI-computeren på datalogisk Institut ved Københavns Universitet. SCIENCE AI er sat i verden for at hjælpe forskere på tværs af videnskaberne med at analysere og fortolke datasæt, som er for store eller for komplekse at angribe for mennesker eller almindelige computere. Medarbejderne, der er tilknyttet SCIENCE AI, kan bistå med at stille computeren de rigtige spørgsmål til materialet.

Thomas Terney er aktuel med bogen Kampen om Fremtiden – Forstå hvordan kunstig intelligens påvirker mennesker, magt og markeder. Udover en udførlig indføring i kunstig intelligens, og dens mangfoldige anvendelsesmuligheder, gør Thomas Terney læseren klogere på, hvordan kunstig intelligens bruges i kampen om at dominere på markederne, vinde valgkampene og overtage verdensherredømmet.

Forsiden lige nu:

Johan Olsen modtager hæderspris 

– Han forener et aktivt forskerliv og et musikerliv i bandet Magtens Korridorer med en bred populær forskningsformidling, siger professor Anja C. Andersen.

Seneste artikler:

Loading...

Something went wrong. Please refresh the page and/or try again.