Hur samarbetar vi bäst med Artificiell Intelligens?

Artificiell Intelligens (AI) tar sig in i alla områden i samhället – men hur fungerar AI och vad kan vi utveckla med hjälp av AI? Hur kan vi ta vara på möjligheterna och vilka risker finns? Erik Man, Senior Arkitekt på Edument, lotsar oss mot större insikt.

14 november 2019

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.

”When a measure becomes a target, it ceases to be a good measure”
- Goodhart’s Law

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