UiO brukar kunstig intelligens for å forklare bilder

Oppfyller de svært strenge kravene med AI: – For 12.000 bilder betaler vi 500 kroner

Dei brukar kunstig intelligens for å få lagt inn forklarande tekst til bilete for blinde og svaksynte på UiOs nettstad. – Det er ein liten innovasjon, seier underdirektør Ivar Holm i USIT (t.h.) Her står han saman med Tomm Eriksen som leier gruppa for brukaropplevingar og leiar for UiOs skyteam, Karine Fluge Ulleberg.
Dei brukar kunstig intelligens for å få lagt inn forklarande tekst til bilete for blinde og svaksynte på UiOs nettstad. – Det er ein liten innovasjon, seier underdirektør Ivar Holm i USIT (t.h.) Her står han saman med Tomm Eriksen som leier gruppa for brukaropplevingar og leiar for UiOs skyteam, Karine Fluge Ulleberg. (Foto: Ola Gamst Sæther/Uniforum)

Denne artikkelen er levert av Uniforum.uio.no, en nettavis utgitt av Universitetet i Oslo (UiO).

Seks av ti bilete på nettsidene til UiO manglar utfylling med ein omtale av biletet for blinde og svaksynte. No har UiO tatt i bruk kunstig intelligens for å få dette ned.

Universitetet i Oslo skal ha universell utforming av alle sine offentlege tenester. Det gjeld også alle bilete som blir lagde ut på nettsidene til Universitetet i Oslo.

60 prosent mangler

Derfor skal alle som legg ut bilete, også fylla ut den alternative teksten om kva eit bilete inneheld, om det er ein mann, ei kvinne, eit barn eller ein bygning.

– Fram til no er er 60 prosent av bileta på UiOs nettstad utan denne forklarande teksten, som skal gjera bileta meir forståelege for blinde og svaksynte. Tallause oppfordringar frå nettredaktørane ved UiO om å fylla ut denne rubrikken, har heller ikkje ført til resultat, fortel Tomm Eriksen som leier gruppa for brukaropplevingar hos Universitetets senter for informasjonstenester (USIT).

Les også

Derfor har USIT tatt i bruk kunstig intelligens for å få lagt ein forklarande tekst til alle bilete som manglar det. Underdirektør Ivar Holm i Underavdelinga for brukarnære tenester, forklarar korleis dei gjer det i praksis.

– Først sender me eit bilete til Google Cloud. Så får me tilbake eit forslag på engelsk av kva biletet inneheld. Deretter sender me det vidare til Google Translate, der teksten blir omsett til norsk bokmål.

Vil ikke utnyttes kommersielt

– Så kan det endelege resultatet sendast til redigeringsverktøyet Vortex som forslag til alternativ tekst under det aktuelle biletet. Dermed er me visse på at det kjem ein omtale i den boksen. No ynskjer me at endå fleire på Universitetet i Oslo tar i bruk kunstig intelligens og skytenester frå Google, fortel han.

Ivar Holm og Tomm Eriksen er einige om ein ting.

– Eit menneske kan skriva betre tekst enn Google. Men når alternativet er at me ikkje har nokon alternativ tekst, er dette den beste måten å gjera det på, slår dei fast.

Senioringeniør Karine Fluge Ulleberg i Gruppe for drift av macOS, mobile einingar og meldingstenester sit som leiar for UiOs Sky-team og er ansvarleg for mellom anna UiOs tenester hos Google, og generell innføring av skybruk på UiO.  

For henne er det viktig å understreka at bileta frå UiO ikkje kan nyttast kommersielt av Google.

– Det som skjer, er at Google indekserer nettstaden vår. Det som me gir dei, ville dei allereie ha fått på nettet etter eit par dagar, peikar ho på.

Hjelper svaksynte

Først og fremst er dette ein reiskap for å hjelpa blinde og svaksynte til å danna seg eit inntrykk av bileta som ligg ved ein tekst.

Og for at UiO skal oppfylla pålegget frå staten om universell utforming, er dette eit tiltak som UiO må ha på plass.

– Me arbeider med forskarar som jobbar med blinde og svaksynte. Og me skal jobba meir med dette, seier Tomm Eriksen.

Dette seier Likestillings- og diskrimineringslova om universell utforming av IKT:

§ 18.Særlig om universell utforming av IKT

Løsninger for IKT som underbygger virksomhetens alminnelige funksjoner, og som er hovedløsninger rettet mot eller stilt til rådighet for allmennheten, skal være universelt utformet fra det tidspunktet som er fastsatt i § 41.

Med IKT menes teknologi og systemer av teknologi som brukes til å uttrykke, skape, omdanne, utveksle, lagre, mangfoldiggjøre og publisere informasjon, eller som på annen måte gjør informasjon anvendbar.

Plikten gjelder ikke IKT-løsninger der utformingen reguleres av annen lov eller forskrift.

Kongen kan gi forskrifter med nærmere bestemmelser om avgrensning av virkeområdet og innholdet i plikten til universell utforming av IKT-løsninger.

(Kjelde: Lovdata)

Det beste sosiale mediet i klassen på dette området er faktisk Facebook.

– Dei har fått masse skryt for det arbeidet dei gjer for at alle bileta automatisk genererer ein alternativ tekst. Ved UiO ser me helst at folk legg inn alternativ tekst sjølve. Det er då den bli best, fortel han.  

Jurister gikk igjennom

Heile avtalen med Google er også gått nøye etter i saumane.

 – Ja, juristane ved UiO har gått gjennom alle desse avtalane. Det er noko me har eit stort fokus på, seier Ivar Holm. Han legg vekt på at alle ved UiO er omfatta av desse avtalane og kan derfor nytta seg av desse tenestene.

– Dei er også tilgjengelege for forskarar som kan tenkja seg å bruka Google-tenestene til forsking. – No er målet vårt å få liknande avtalar med både Amazon og Azuve.

Karine Fluge Ullenberg viser til at dette er svært viktig fordi programmering i dag skjer over heile universitetet og ikkje berre ved Institutt for informatikk.

– Dersom dei UiO-tilsette har problem med Google Cloud kan dei no få hjelp av ekspertar som held til i Storbritannia.

Masse video

Dei viser til at det har vore ein stor auke i talet på videoopptak av førelesingar ved UiO.

– Det har auka frå 2000 til 4000 opptak berre på dei ni første månadane i år, seier Tomm Eriksen.

– Også der blir det synda mot kravet om at det alltid skal vera eit tekstalternativ. Derfor vil me vurdera om me i framtida skal begynna å bruka Google-programmet Speech-to-text. Det klarer fint å gjera munnleg norsk bokmål til skriftleg bokmål, fortel han.

Alle tykkjer at desse tenestene er svært billege.  

Les også

– For å ordna alternativ tekst til 12 000 bilete, betaler me til saman 500 kroner. På den måten får UiO også eit system som snakkar saman, meiner Ivar Holm. Han er imponert over kva han sjølv og gruppa hans på USIT har fått til.

– Å få sendt bilete til Google Cloud med forslag til alternativ tekst, få sendt forslaget vidare til Google Translate for å få det omsett til norsk før forslaget blir sendt som alternativ tekst til Vortex-programmet, er ein liten innovasjon som ingen andre har gjort før oss, trekkjer han fram. 

Alt skal være universielt utformet inn 2021

Kommunikasjonssjef Mia Jacobsen i Noregs Blindeforbund er svært glad for at UiO har sett i gang med dette arbeidet.

– Det er alltid ein meir presis omtale av eit bilete i ein alternativ tekst. Facebook har allereie ei automatisk generering av alle bilete som vert lagde ut hos dei. Med ein slik tekst kan me få vita meir ting, som til dømes om ei kvinne er glad, trist eller sint.

– Det er også svært viktig for dei blinde og svaksynte. Eg la ut ei twitter-melding med bilete utan alternativ tekst, og då fekk eg klar beskjed frå medlemane våre, seier Mia Jacobsen, som sjølv er sjåande. 

Les også

Ho synest det er flott at Universitetet i Oslo ynskjer å få opp talet på bilete som har alternativ tekst ved hjelp av kunstig intelligens.

– Ja, sjølv om det ikkje er heilt perfekt no, så blir det jo betre og betre etter kvart. Det er flott at det vil koma ein alternativ tekst automatisk på dei bileta der det ikkje blir gjort manuelt, seier ho til Uniforum.  

Og frå 1. januar 2021 skal alle IKT-løysingar vera universelt utforma, ifylgje § 41 i Likestillings- og diskrimineringslova.

Denne artikkelen er levert av Uniforum.uio.no, en nettavis utgitt av Universitetet i Oslo (UiO).

Kommentarer (3)

Kommentarer (3)
Til toppen