KUNSTIG INTELLIGENS

– Om ti år vet vi om kunstig intelligens er en flopp eller en enorm ressurs

Maskinlæring er fortsatt et ungt fagfelt med mange barnesykdommer. Et nytt senter skal bringe algoritmene opp på et nytt nivå.

Ingrid Glad og Arnoldo Frigessi vil utvikle maskinlæring som kan bidra til en grønnere og mer rettferdig verden.
Ingrid Glad og Arnoldo Frigessi vil utvikle maskinlæring som kan bidra til en grønnere og mer rettferdig verden. Foto: Eivind Torgersen/UiO

I løpet av få år har kunstig intelligens og maskinlæring inntatt ikke bare telefonen og datamaskinen din, men også forskningen.

– Maskinlæring er overalt og det gjøres enorme investeringer i kunstig intelligens, sier professor Arnoldo Frigessi ved Institutt for medisinske basalfag på Universitetet i Oslo (UiO).

– Derfor er det veldig viktig at maskinlæringen gjøres på riktig måte, sier professor Ingrid Kristine Glad ved Matematisk institutt.

De to UiO-professorene skal lede Integreat – Norwegian centre for knowledge-driven machine learning, som Forskningsrådet nylig ga status som et senter for fremragende forskning. Der skal de de neste ti årene jobbe for å gjøre maskinlæringsalgoritmene bedre og mer nyttige.

– Om ti år har vi vært med på å utvikle maskinlæring som virkelig vil ha betydning – på en positiv måte – både i samfunnet generelt og i vitenskapen, sier Frigessi.

Begrenset betydning – foreløpig

I det store bildet er dette fortsatt et ganske nytt forskningsfelt, og betydningen og effekten er foreløpig ikke så stor som hypen skulle tilsi.

– Mye virker veldig bra. Men innenfor for eksempel helse og mange andre sikkerhetskritiske anvendelser er ikke virkningen av kunstig intelligens og maskinlæring så stor. Det er egentlig ganske begrenset, sier Frigessi.

Kunstig intelligens

Kunstig intelligens er informasjonsteknologi som justerer sin egen aktivitet og derfor tilsynelatende framstår som intelligent. (Store norske leksikon)

Kunstig intelligens er en datamaskins evne til å simulere intelligent adferd – til å kunne besvare spørsmål, utføre regneoperasjoner, lage prognoser e.l. (NAOB)

Maskinlæring

Maskinlæring er en spesialisering innen kunstig intelligens hvor man bruker statistiske metoder for å la datamaskiner finne mønstre i store datamengder. Vi sier at maskinen «lærer» i stedet for å bli programmert. (Store norske leksikon)

Om ti år håper og tror de at de har bidratt til å løfte hele fagfeltet opp på et nytt nivå og fikset mange av de svakhetene kunstig intelligens lider under i dag.

– Vi må starte med å se på de problemene nåværende maskinlæring lider under, sier Glad.

Vil åpne de svarte boksene

Noe av det viktigste det nye senteret vil jobbe med er å sørge for at algoritmene kan utnytte allerede etablert kunnskap. I dag leter de nærmest i blinde etter mønstre i dataene.

– Ved å bruke kunnskap i kombinasjon med data slipper maskinene å lære om igjen ting vi vet fra før. Slik kan vi også redusere energiforbruket og gjøre algoritmene mer bærekraftige, sier Glad.

De vil også jobbe mye med å gjøre maskinlæringsmetodene mer gjennomsiktige. I dag er de mer som svarte bokser ingen kan se inn i. Selv om svaret kan være riktig, er det ingen som vet hvorfor det er riktig eller hvordan den kom frem til svaret.

– Vi vil også lage metoder som kan utstyre resultater og analyser med usikkerhetsangivelser og sannsynligheter, sier Glad.

Dagens algoritmer svarer på en måte enten ja eller nei, og i tillegg later de som om de er helt sikre. Men det kan de egentlig ikke være.

Det er mye vi allerede vet

Kreftforskning er et område der kunstig intelligens kan spille en viktig rolle. For eksempel kan en algoritme ta stilling til om en pasient skal få en bestemt type behandling eller ikke.

– Algoritmene baserer seg på veldig mye data fra andre pasienter med samme sykdom som har fått denne behandlingen. Noen ganger virker den og noen ganger virker den ikke, og algoritmene prøver å finne mønstre i disse datamengdene som kan forklare forskjellene, sier Frigessi.

– Men vi vet veldig mye om disse behandlingene allerede. For eksempel kan det hende vi vet at hvis pasienten har en bestemt mutasjon i et gen, da er det mer sannsynlig at denne behandlingen virker.

– All denne informasjonen kommer fra 50 år med forskning og evidensbasert medisin. Våre nye maskinlæringsmetoder skal utnytte denne kunnskapen. Algoritmen trenger ikke å finne ut dette en gang til. Dette vet vi, sier Frigessi.

Da må algoritmen få beskjed om å passe på dersom denne mutasjonen er der. Den må få vite at det gjør noe med sannsynligheten for at behandlingen skal virke.

– Vi må lage en metode, en algoritme, som kombinerer det vi vet med hva dataene forteller, sier Frigessi.

Les også

Det holder ikke med ja eller nei

Unyanserte ja- eller nei-svar er heller ikke det mest nyttige for kreftlegen som skal ta den endelige beslutningen om hvilken behandling pasienten skal få.

– Vi vil gjerne at algoritmen også sier at denne behandlingen kommer til å virke med en sannsynlighet på for eksempel 0,7. Dette tallet er mye viktigere for den kliniske beslutningen etterpå.

– Hvis den hadde vært 0,6, er det ikke like sikkert at den virker. Hvis den er 0,9, da er det enda mer evidens for at den kommer til å virke. Så dette tallet er veldig viktig, understreker Frigessi.

Det er mye forskerne må passe på når de nå skal oppgradere algoritmene slik at de også tar etablert kunnskap med i beregningene.

– Det er veldig mange forskjellige former for kunnskap man kan ha. Den kan til og med være feil, så vi må gjøre det slik at de ikke forsterker gale ting, sier Glad.

Alt forenes i matematikken

For å få til dette har Glad og Frigessi satt sammen en gruppe med forskere fra flere ulike fagområder og med ulike bakgrunner. Matematikere, statistikere, logikere, informatikere – til og med en etiker – skal nå sette seg ned sammen.

– Vi har med UiT – Norges arktiske universitet også. Noen av de beste maskinlærerne i Norge holder til i Tromsø, derfor er de også med, sier Frigessi.

Det er i matematikken de møtes.

– Alle disse fagene har matematikk i bunnen, som felles byggestener. Likevel er språkene ganske forskjellige. Det som utenfra kan se ut som samme ulla, er ikke nødvendigvis det, sier Glad.

For å nå det store målet om å bygge etablert kunnskap inn i kunstig intelligens, må de klare å oversette den til et felles språk. Det nytter ikke å bare putte inn alt som er publisert av forskning de siste 50 årene inn i datamaskinen.

– Vi må klare å formulere denne kunnskapen på en måte som gjør at vi kan ta det inn i algoritmene. Det gjør vi i matematikken, der vi kan forenkle, formalisere og abstrahere, sier Glad.

– Matematikken er et språk der du generaliserer til noe abstrakt. På den måten kommer vi dit hvor kreft, mobiltelefoner, aksjer og demokrati er det samme. De heter x og y. Plutselig ser du at du kan løse problemer i kreftforskningen samtidig som du løser et problem for mobiltelefoner, sier Frigessi.

Vil bidra til en bedre verden

Målsettingene er ambisiøse, og det er ikke uten ærefrykt at Glad og Frigessi setter i gang. Men det er ikke vanskelig å finne motivasjon.

– Vi vet at de problemene vi skal jobbe med, er viktige. Hvis vi får til det vi har tenkt, så vil det være ekstremt nyttig, sier Glad.

Integreat-senteret skal ha en sterk sosial og politisk profil. De vil rett og slett bidra til at verden blir et bedre sted å leve for flest mulig.

– Vi gjør dette fordi vi tenker at verden bør være mer rettferdig, fordi vi tenker at den må være grønnere, fordi vi tenker at fattigdom og rasisme er noe vi må bekjempe. Disse tingene er sentralt i det vi vil gjøre, sier Frigessi.

– Vi vil gjøre algoritmene til et instrument som kan bidra til en bedre verden, sier han.

– Og vi vil sørge for at de er til å stole på, sier Glad.

– I løpet av de neste ti årene finner vi ut om kunstig intelligens er en flopp og en fare eller om det er en enorm ressurs, sier Frigessi.

Artikkelen ble først publisert på Titan.uio.no

Les også

Kommentarer:

Vi har byttet system for artikkelkommentarer. For å opprette brukerkonto, registrerer du deg med BankID.