(Bilde: Google/YouTube)
(Bilde: Mopic/Alamy/All Over Press)

Maskinlæring

Google: «Skynet» er mange tiår unna

Til tross for tidenes satsing på maskinlæring.

Alle de store, og mange små IT-selskaper opplever i dag at kunstig intelligens har kommet ut av det som omtales som en AI-vinter (Artificial Intelligence) og over i en AI-vår. Etter mange år med stillstand, har det de siste årene skjedd betydelige framskritt innen kunstig intelligens generelt og maskinlæring spesielt.

Dette har fått en del til å advare om at disse framskrittene vil kunne gå så fort at vi mister kontrollen og at kunstig intelligens går fra å være nyttig for menneskeheten til å bli skadelig eller farlig.

Google er blant selskapene nå investerer tungt i blant annet nevrale nettverk og dyp læring. I forbindelse med en seanse på scenen under med Google I/O-konferansen i forrige uke gjorde blant annet selskapets sjef for søk og maskinlæring, John Giannandrea, det klart det vil være lenge til det blir noen grunn til å bekymre seg om at maskinene blir så intelligente at de utgjør noen fare.

Ingen grunn til bekymring – ennå

– Jeg tror at forskere innen dette feltet ikke tenker så mye på det. Det er en bekymring som er mange tiår unna, sa Giannandrea, ifølge CNET News.

Under hovedtalen til Google-sjef Sundar Pichai ble det vist fram et opptak av en robotarm som lærte seg å plukke opp gjenstander. Under treningen lærte roboten seg på egenhånd at den kunne skyve vekk andre gjenstander for å tak i gjenstanden den skulle plukke opp i. Se opptaket her.

For mange kan dette oppleves som både fascinerende og foruroligende. Ifølge CNET News sa Giannandrea at dette på en måte er iboende skremmende for folk, noe som kanskje skyldes hvordan roboter ofte har framstilt i blant annet science fiction-orienterte skrekk- og spenningsfilmer.

I opptaket nedenfor (mellom omtrent 9 og 39 minutter), som tilsynelatende er avsluttet før Giannandrea kom med uttalelsene over, forteller Giannandrea, forskeren Jeff Dean og Google Now-sjef Aparna Chennapragada om Googles forskning på og bruk av dyp læring.

Virkelige problemer

Selv om Google har eksperimentert med maskinlæring i minst ti år, var det ifølge Giannandrea først for fire år siden at selskapet for alvorlig begynte å investere i dette, spesielt på områder som tale- og bildegjenkjenning, i tillegg til oversettelse, hvor de siste års framskritt har ført til dramatisk reduserte feilrater.

– Det er kraftige verktøy for å løse virkelige problemer. For oss og andre produktutviklere endrer dette spillet på to måter. Det ene er å kunne «turbolade» eksisterende bruksområder. Det andre, som muligens er mer spennende, er at det kan låse opp nye produkt-bruksområder, sa Chennapragada. Hun nevnte helse og transport som eksempler på dette.

De store utfordringene

Men ifølge Giannandrea er det fortsatt viktige områder innen kunstig intelligens som det vil ta lang tid å løse.

– Jeg mener at språk og dialog er det store, uløste problemet innenfor informatikk. Vi har mange år med investeringer igjen før vi kommer til virkelig naturlige dialogsystemer hvor du kan si akkurat det du vil, og hvor vi har en god mulighet til å forstå det, sa han.

Et annet eksempel er at dagens maskinlæringssystemer typisk krever virkelig store mengder med eksempler for å lære noe. Dette gjør at treningen og eksperimenteringen med slike systemer tar lang tid.

– Vil kan gi systemene hundre tusener eller millioner av eksempler, mens små barn ikke behøver dette. De kan lære av veldig små mengder av eksempler, sa Giannandrea.

En annen viktig utfordring er å kunne overføre kunnskap mellom ulike områder.

– Akkurat nå er man nødt til å bygge et system for å lære en spesifikk oppgave, og dette kan ikke overføres til en annen oppgave, sa Giannandrea. For eksempel kan ikke AlphaGo-systemet som Google bygde for å konkurrere i spillet Go, ikke uten videre kan mestre for eksempel sjakk.

For utviklere

Til tross for utfordringene, kan maskinlæring ifølge Jeff Dean allerede tas i bruk av utviklere med høyst varierende grad av kunnskaper om kunstig intelligens. Dean deler utviklerne inn i tre grupper.

Den minste gruppen består av utviklere som utvikler nye algoritmer og lignende for kunstig intelligens. Men mange flere vil kunne ta i bruk eksisterende modeller og bruke dem på nye områder. For eksempel kan bildegjenkjenning brukes til svært mange og høyst forskjellige oppgave, som systemene må læres opp til å utføre.

Men ifølge Dean vil også utviklere med temmelig begrenset kunnskap om maskinlæring kunne ta i bruk teknologiene i egne produkter. Dette dreier seg primært om forhåndstrente programmeringsgrensesnitt, inkludert noen innen bilde- og talegjenkjenning som tilbys av Google i dag.

Samtidig ble det understreket av maskinlæring ikke egner seg til alt.

– Det er viktig å bruke maskinlæring til de oppgavene som er lette å gjøre for maskiner og vanskelige for mennesker, sa Chennapragada. For ofte er det fortsatt slik at oppgaver som er enkle å gjøre for mennesker, er vanskelige å utføre for maskiner.

Til toppen