Hur samarbetar vi bäst med Artificiell Intelligens?

Många när­mar sig idag AI med skräck­blan­dat intres­se och har svårt att grep­pa vil­ka kon­se­kven­ser den kan få för vårt sam­häl­le. Alla är dock över­ens om att det finns sto­ra möj­lig­he­ter och sam­ti­digt sto­ra ris­ker. På ett väl­be­sökt semi­na­ri­um på World Trade Center Malmö berät­tar Erik Man, Senior Arkitekt på Edument, hur vi kan använ­da AI och vad vi bör tän­ka på för att sty­ra utveck­ling­en åt rätt håll. Han inled­de med att beskri­va ett eget litet pro­jekt han genom­fört. 

–  Mest för att det var roligt vil­le jag se hur AI kun­de hjäl­pa mig att lösa Rubiks kub. Jag kon­stru­e­ra­de en algo­ritm som kan läsa av hela kuben och sedan visa mig ste­gen till rätt lös­ning genom ett inter­ak­tivt gräns­snitt.

Nästa industrirevolution står för dörren

Enligt Erik Man visar exemp­let på just de två saker vi behö­ver för att ”pra­ta” med dato­rer och maski­ner:

• AI för att maski­ner ska “för­stå” den värld vi lever i, till exem­pel att kän­na igen objekt i bil­der eller för­stå mänsk­ligt tal
• AR (Augmented Reality eller för­stärkt verk­lig­het) som sedan pro­ji­ce­rar till­ba­ka datorns infor­ma­tion så att den visas i vår värld, exem­pel­vis via en mobil-app eller ett head­set

När vi kom­bi­ne­rar AI och AR får vi en glimt av hur män­ni­skor och maski­ner kan sam­ar­be­ta. 

Ett annat exem­pel häm­tar Erik Man från indu­strin, där det blir allt van­li­ga­re att arbe­tar­na bär AR-head­set för att få till­gång till infor­ma­tion och lös­ning­ar direkt ute på plats. Om du till exem­pel ska han­te­ra en ny typ av utrust­ning kan du få ovär­der­lig hjälp av instruk­tio­ner pro­ji­ce­ra­de rakt på utrust­ning­en som visar dig steg för steg hur du ska använ­da den.

–  Vi står pre­cis i ett läge där sam­ar­be­tet mel­lan dato­rer och män­ni­skor kom­mer att ta helt nya steg.

Läs mer om hur du anpas­sar din affärsmo­dell för digi­ta­li­se­ring­en

Deep Learning är inspirerat av hjärnans sätt att fungera

Erik Man för­kla­rar ock­så begrep­pen AI, Machine Learning och Deep Learning – där AI är den över­gri­pan­de ter­men för pro­gram som för­sö­ker lösa upp­gif­ter som behö­ver mänsk­lig intel­li­gens. Största delen av den AI vi använ­der idag kan bara lösa väl­digt spe­ci­fi­ka upp­gif­ter. När det gäl­ler mer kom­pli­ce­ra­de pro­blem får vi bäst resul­tat med så kal­lad Machine Learning, där pro­gram­met lär upp sig själv från data. Algoritmen i sig kan inte göra någon­ting för­rän vi trä­nat upp den.

Det områ­de inom Machine Learning som växt all­ra mest är så kal­lad Deep Learning. Där lär sig algo­rit­men med hjälp av så kal­la­de neu­ra­la nät­verk, som inspi­re­rats av hur vår hjär­na fun­ge­rar. Deep Learning är sär­skilt bra på att hit­ta sig­na­ler i kom­plexa möns­ter.

Deep Learning kan använ­das i vitt skil­da syf­ten – allt från att göra det möj­ligt att pra­ta med smar­ta hög­ta­la­re till att påver­ka män­ni­skors åsik­ter med hjälp av rik­ta­de annon­ser på Facebook. Här finns sto­ra utma­ning­ar för oss när det gäl­ler att för­stå vad Deep Learning fak­tiskt inne­bär, och sty­ra vil­ka kraf­ter vi tyc­ker ska få dra nyt­ta av det­ta.

–  När det gäl­ler exem­pel­vis skan­da­len kring Cambridge Analytica så med­de­la­des det att de rade­rat all sin data, men de har ju kvar sina neu­ra­la nät­verk som trä­nats upp med hjälp av datan. Och des­sa kan fort­sät­ta att använ­das på pre­cis det sätt omvärl­den rea­ge­ra­de mot.

Viktigt att mäta rätt saker

Utöver att få grepp om vad vi vill att AI ska använ­das till och inte, finns en annan stor utma­ning – näm­li­gen att AI behö­ver siff­ror och mås­te kun­na mäta någon­ting för att opti­me­ra vida­re. Vi behö­ver allt­så reda ut vad vi egent­li­gen ska mäta för att få använd­ba­ra resul­tat. Erik Man ger ett exem­pel på hur det kan gå snett. 

–  När YouTube för­sö­ker mäta hur nöj­da deras använ­da­re är, mäter de hur lång tid man till­bring­ar på platt­for­men. Men det är ju egent­li­gen inte alls sam­ma sak. Att opti­me­ra för att få folk att stan­na så länge som möj­ligt ger inte auto­ma­tiskt mer nöj­da besö­ka­re.

När vi inte kan mäta det vi egent­li­gen är ute efter utan bör­jar mäta någon­ting annat bara för att det är enkla­re att mäta, så kal­lad proxy metric, upp­står lätt pro­blem. De saker man mäter ris­ke­rar då att få orim­ligt stor bety­del­se. Att stir­ra sig blind på ensta­ka mäte­tal i en modell kan ock­så göra att vi mis­sar det sto­ra per­spek­ti­vet.

–  Man kan jäm­fö­ra det lite med hur vi män­ni­skor age­rar, exem­pel­vis när det var pro­blem med råt­tor i Hanoi och byrå­kra­ter­na beslu­ta­de att beta­la för rått­svan­sar. Då bör­ja­de folk istäl­let föda upp råt­tor för att kun­na läm­na in svan­sar­na och få peng­ar.

Olika kompetenser för att fatta beslut

Det är extremt vik­tigt att män­ni­skor med områ­deskun­skap fort­fa­ran­de är invol­ve­ra­de i att vara med att trä­na AI och fat­ta beslut, tyc­ker Erik Man. 

–  När per­so­ner utan sak­kun­skap fat­tar beslut om hur vi använ­der AI kom­mer vi ohjälp­ligt att få pro­blem. Människor med oli­ka kom­pe­ten­ser mås­te job­ba till­sam­mans i det­ta, och inte bara data­ex­per­ter. Det är ock­så vik­tigt att inte ha allt för stor respekt för algo­rit­mer­na, och inte vara rädd för att ifrå­ga­sät­ta AI-resul­tat. Det som fun­ge­rar all­ra bäst är när män­ni­skor och maski­ner job­bar till­sam­mans.

Här kan du läsa mer om hur du lyc­kas med grän­sö­ver­skri­dan­de pro­jekt