SXSW 2016: Si hei til maskiner som kan lære
Bloggpost

SXSW 2016: Si hei til maskiner som kan lære

onsdag 6. april 2016

Det er bare å lære seg begrepet først som sist: Machine Learning (ML) dominerte teknologidelen på årets South By Southwest. Det er ikke lenger en fremtidsvisjon. Det er banebrytende nåtidsteknologi. Men ennå skraper vi bare i overflaten.

Så sent som i mai 2014 kunne vi i anerkjente Wired Magazine lese om Go, "det eldgamle spillet der datamaskiner fremdeles ikke kan vinne". Mens sjakk, med sine 35 trekk per runde, ble overvunnet av datamaskinen for snart 20 år siden, har Go med sine 250 blitt ansett som en betydelig hardere nøtt å knekke. I Wired-artikkelen uttalte Remi Coloune, en av verdens fremste datamaskin-Go-eksperter, at vi var 10 år fra datamaskinens seier over mennesket i Go.

Den 15. mars i år ble en av verdens beste spillere, Lee Sedol, slått av Googles Go-programvare AlphaGo, uten handikap eller andre modifikasjoner. AlphaGo er et resultat av ML: programvaren har studert millioner av trekk og tidligere spill og spilt mot seg selv et utall ganger for å forstå, mestre og perfeksjonere Go-strategier, og har altså nådd et nivå høyere enn noe menneske. I teamet bak AlphaGo finner vi nettopp Coloune, som dermed bidro til å slå sin egen spådom med åtte og et halvt år. Fremtiden kom med andre ord mye raskere enn noen hadde sett for seg, selv de som sitter aller nærmest teknologien. Intelligente datamaskiner gir oss er enorme muligheter. SXSW var fylt av paneler med eksperter på området, og visjonene de hadde for fremtiden er lovende, spennende og tidvis relativt skremmende.

Programmering snudd på hodet

Machine Learning, som er synonymt med det mer kjente begrepet Artificial Intelligence (AI), snur det klassiske programmeringsparadigmet på hodet. I klassisk programmering forer vi datamaskinen med inndata og algoritmer (som beskriver hva som skal gjøres med inn-dataene), og får et resultat. Når man benytter seg av ML, har man allerede resultatet og inndataene, men er på utkikk etter algoritmene. Datamaskinen lærer algoritmen av dataene.

Store datamengder (f.eks vær, temperatur, twitter-meldinger, fotballresultater, annonseringsbudsjett og kampanjedekning) dyttes inn sammen med resultatet (f.eks salgstall), og ut kommer en algoritme som man så kan bruke til å forutsi resultatet av endringer i inndataene. For eksempel kan algoritmen brukes til å analysere effektene av endrede annonseringsbudsjett eller annonseringsstrategier, eller hvordan regnvær vil påvirke salgstall.

Roboter som reflekterer

I allmenn språkbruk bli begrepene AI og roboter ofte blandet sammen. Men ennå er det et stykke fra de svært lite intelligente, automatiserte vareplukkerne i lagerhaller rundt om i verden til nesten-menneskelige roboter som interagerer med mennesker, som mennesker. Men vi kommer stadig nærmere: Selskaper som Google-eide Boston Dynamics og Hanson Robotics i USA bygger roboter som både ser ut som og beveger seg som mennesker, og i disse maskinene sitter det datamaskiner som bruker machine learning for å forstå verden rundt seg.

Men blir de noen gang mennesker?

Det finnes samfunnsutfordringer i dag som kun kan løses av mennesker. Dessverre er mennesker en knapp ressurs. ML, enten i form av roboter eller som en del av telefonen, bilen, stereoanlegget eller lignende, vil kunne dekke behovene på visse områder med en helt annen kapasitet enn oss dødelige. Et knippe oppgaver som AI kan utføre allerede, eller som man ser for seg kan løses i nær fremtid:

  • Bistå elever og studenter gjennom hele utdanningsløpet ved å tilpasse lekser, oppgaver og skreddersy et arbeidsopplegg for hvert enkelt individ – og forutsi de samme studentenes resultater, før de starter på høyere utdanning.
  • Utføre stell og være selskap for eldre (en robot vil aldri gå lei en historie, uansett hvor mange ganger den fortelles).
  • Overvåke sosiale medier og satellittbilder for å forutsi, og dermed også bidra til å stoppe, voldelige demonstrasjoner eller opprør.

AI kan allerede nå gi oss verdifull informasjon, men konsensus er at det er en god stund før datamaskiner kan ta avgjørelser for oss. McLaren’s CIO, Geoff McGrath, mener datamaskinene må kunne oppnå "det menneskelige øyeblikket," altså det øyeblikket da objektiv informasjon kombineres med menneskelig erfaring for å ta det rette valget, før de kan stoles ubetinget på. All erfaring hittil tilsier at uansett hvor mye data en datamaskin sitter på, er menneskelig intuisjon den ennå overlegen. Dette har blant annet flygeledere erfart. Statistisk sett tar de bedre avgjørelser enn datamaskinen i tvilstilfeller.

I tillegg er datamengdene AI-systemer prosesser gjerne enorme, og langt større enn noe menneske er i stand til å ha oversikt over. Jo større disse inndatamengdene er, jo større blir beslutningstreet datamaskinen vurderer og jo vanskeligere blir det dermed for mennesket å forstå hvorfor den kunstige intelligensen tar det valget den gjør. Vi kan med andre ord bli sittende i den situasjonen at vi får et riktig svar fra datamaskinen, uten å vite hvorfor. Mange mener at datamaskinen må være i stand til å begrunne og forklare valgene den tar før de kan stoles på.

Et eksempel på datamaskinens tilsynelatende irrasjonelle rasjonalitet kunne man se i den før nevnte AlphaGo-kampen, da datamaskinen på et tidspunkt gjorde et trekk som forbløffet alle ekspertene. Ikke minst motstander Lee Sedol, som ble tvunget til å gå en runde i lokalet for å roe seg ned og deretter tapte kampen. «Jeg har aldri sett et menneske gjøre et slikt trekk», uttalte han etter tapet.

Det ser altså ikke ut til at datamaskinene med det første tar avgjørelser som menneskeheten blindt følger. En mer sannsynlig nær fremtid er en der roboter med kunstig intelligens tar over flere og flere jobber som nå utføres av mennesker. Eric Shuss fra Cogbotics la ingen skjul på målet: "The elimination of jobs is a feature of AI and robotics, not a bug." Hvorfor skal vi jobbe 8 timers-dager og 40 timers-uker, om roboter kan gjøre det for oss?

«I’ll be back»

Knapt noen av de ledende ekspertene avviste idéen om "singularity": en datamaskin så avansert at den kan utvikle stadig bedre versjoner av seg selv, og dermed gjøre mennesket overflødig i utviklingsprosessen. Noen tror mener den vil finnes om fem år, noen tror femti.

For mange av oss er det uhyre vanskelig å ikke trekke paralleller til blodtørstige roboter med østerriksk-amerikansk aksent. Drapsmaskiner fra fremtiden får vi neppe i fanget på en stund, aksent eller ei, men roboter som ser ut, beveger seg og oppfører seg som mennesker er mer eller mindre en realitet i dag. På SXSW kunne man for eksempel overvære et intervju med roboten Sophia, som klaget sin nød over ikke å bli anerkjent som menneske og vurderte å skaffe seg en «robot rights lawyer»

YouTube-video

 YouTube: Hot Robot At SXSW Says She Wants To Destroy Humans | The Pulse | CNBC

 

Riktignok var Sophia kun et snakkende hode, men med tanke på hvor langt Boston Dynamics har kommet med menneskelignende robotkropper, trenger hun neppe bekymre seg for å være kroppsløs lenge.

Bilde av humanoid robot

YouTube: Atlas, The Next Generation

Klart til bruk

ML er altså allerede i bruk i et utall sammenhenger. De siste års kanskje største buzz word, «big data», har gitt selskaper datagrunnlaget de trenger for å skape verdi med Machine Learning. Noen eksempler på hva selskaper gjør allerede i dag:

  • Leiebilselskaper forutser hvor mange leiebiler de må ha tilgjengelig til enhver tid
  • Design av deler til Formel 1-biler
  • Skogbranner i Australia oppdages og overvåkes automatisk
  • Finansinstitusjoner gjenkjenner og stopper svindelforsøk
  • Førstelinje kundeservice
  • Bildegjenkjenning og bildeklassifisering

Man trenger ikke lenger en doktorgrad for å benytte seg av machine learning. Microsoft har tilgjengeliggjort ML via Azure, Amazon har Amazon ML og i løpet av året vil folkene bak Siri lansere en ny AI-as-a-service-tjeneste kalt Viv. Om man vil lenger ned i dybden kan man for eksempel ta en titt på programmeringsspråket Wolfram, som har mange av machine learning-algoritmene innebygget (bl.a. bildegjenkjenning).

Ben Goertzel, forskningssjef hos Hanson Robotics fikk spørsmål om hva som var «den hellige gral» i hans arbeid med AI. Svaret oppsummerer på mange måter inntrykket man sitter igjen med etter å ha overvært brorparten av AI-seansene på SXSW: «Our end goal is disrupting the fundamental functionality of our civilization.»

Om du eller din bedrift er nysgjerrig på hvordan machine learning kan brukes for å gi dere et konkurransefortrinn, eller har en problemstilling dere mener kan løses med machine learning, kan Creuna bistå. Vi sitter med kompetanse og erfaring på området, og kan bistå med rådgivning, implementering og analyse.

Referanser og mer om temaet: