Hvad er AI og ML?

Hvad er kunstig intelligens (AI)?

Kunstig intelligens indebærer, at en computer udfører opgaver, som normalt kræver et menneske.

AI diskuteres overalt i dag. Der tales om robotter, som skal overtage vores arbejdsopgaver og gøre mennesket arbejdsløst og overflødigt. Sundhedsvæsenet, økonomien, infrastrukturen og alt andet vil blive styret af AI. Det har medført, at mange har et negativt billede af AI, og bekymringerne er mange. AI-revolutionen vil utvivlsomt forandre livet på jorden, men det vil ske gradvist, og mennesket vil altid have en central plads i tilværelsen. Faktisk gælder det, at jo flere arbejdsopgaver AI overtager, desto mere tid får vi til at udvikle ny viden og nye færdigheder.

Mennesket har drømt om AI siden 1950'erne, hvor man for første gang begyndte at fantasere om maskiner, der kunne tænke og lære. Siden da har AI haft en broget vej frem mod nutidens succeser. AI har konstant svinget mellem rampelyset og lossepladsen siden 1950'erne. Det var først i 2012, at AI forandrede verden.

Gammel AI

Tidlige former for AI indeholdt faktisk ingen “indlæring”; man skabte i stedet computerprogrammer, der bestod af regler. Denne type AI kaldes ekspertsystem eller symbolsk AI (eng. expert systems, symbolic AI) og er egentlig ikke ægte AI. Et ekspertsystem kan dog være nyttigt. Forestil dig for eksempel et computerprogram, der giver dig råd om, hvorvidt du har råd til at købe et par sko (Figur 1). I programmet har man defineret regler, som evalueres, hvorefter brugeren får råd baseret på de oplysninger, brugeren indtaster. Alle reglerne er på forhånd specificeret af mennesker, og der sker ingen indlæring. Rådgivningen følger ganske enkelt et flowdiagram. Selvom dette kan virke primitivt, kan denne type AI være meget nyttig.

Man troede i begyndelsen, at menneskelige evner kunne opnås, hvis det lykkedes at programmere tilstrækkeligt mange og tilstrækkeligt gode regler, som computeren kunne følge, men sådan var det ikke. Det viser sig, at metoden er utilstrækkelig. Den mangler fleksibilitet og kan ikke tage højde for mere komplekse situationer; reglerne kan ikke anvendes på andre opgaver (et program, der kan spille skak, kan ikke bruges til at spille backgammon); i mange situationer bliver det praktisk umuligt at definere alle tænkelige regler, og desuden kræves der eksperter for at kunne skabe reglerne. Forklaringen på dette er, at symbolsk AI ikke indebærer nogen egentlig indlæring (eng. learning).

Moderne AI

Næsten al AI i dag indebærer maskinlæring (eng. machine learning), hvilket betyder, at computeren lærer på egen hånd. Computeren studerer og lærer mønstre i data, hvorefter den automatisk skaber regler.

Forestil dig, at vi forsøger at skabe en algoritme, der kan afgøre, om en patient har kræft, og at vi til vores hjælp har to blodprøver. For at løse denne opgave med maskinlæring har vi brug for eksempeldata: vi har brug for mange eksempler på patienter, og for hver patient har vi brug for oplysninger om blodprøverne samt om, hvorvidt de havde kræft (Figur 2). Lad os sige, at vi har en stor database med patientjournaler, hvor der (for hver enkelt patient) findes oplysninger om blodprøver samt om, hvorvidt patienten havde kræft. Denne type data kan analyseres med maskinlæring, hvilket betyder, at computeren studerer de mønstre, der findes i journalerne, for at finde sammenhænge mellem blodprøver og kræft. Ud fra disse mønstre skaber computeren regler. Formålet med dette er at bruge reglerne til at vurdere, om en fremtidig patient har kræft. Det gøres ved at indtaste den nye patients blodprøver i algoritmen, som derefter kan fortælle, hvor sandsynligt det er, at patienten har kræft. Følgende er vigtigt at være opmærksom på:

1. Man har brug for eksempeldata for at skabe algoritmen. Eksempeldata bruges til at studere sammenhænge mellem blodprøver og kræft. Dette er selve indlæringen eller træningen. Eksempeldata kan også kaldes træningsdata.
2. Computeren lærer sammenhængen mellem blodprøver og kræft ved at studere mange patienter, som sandsynligvis har gennemgået mange udredninger og er blevet vurderet af flere læger. Det betyder, at maskinlæringen fodres med alle udredninger og lægevurderinger. Maskinen vil derfor besidde alle lægernes samlede erfaring.
3. Jo flere patienter der indgår i træningen, og jo dygtigere lægerne er, desto bedre bliver de regler/den algoritme, der skabes. Det er således menneskets intelligens, der danner grundlaget for maskinens.
4. De mønstre, der findes i data, dechifreres af en matematisk funktion. Der findes mange forskellige matematiske funktioner til indlæring (diskuteres senere). Disse funktioner er fleksible og kan finde mønstre (og dermed skabe regler) i mange forskellige typer data (kræftpatienter, kunder i en webbutik, billeder af forskellige dyr, salg af boliger osv.).
5. Denne type AI, hvor computeren løser en specifik opgave, kaldes specifik AI (eng. narrow AI).
6. Algoritmen vil være god til at forudsige, hvilke patienter der får kræft, men den kan sandsynligvis ikke bruges til at forudsige, hvem der får et hjerteanfald. Det skyldes, at algoritmen blev trænet på ét enkelt specifikt udfald: kræft.

Man kan sætte spørgsmålstegn ved, om dette kan klassificeres som intelligens: at bruge en matematisk funktion til at løse en enkelt opgave. Men faktum er, at disse metoder fungerer fremragende, også til at løse meget komplicerede opgaver. Ved at udnytte computeres regnekraft kan algoritmerne blive meget imponerende. Forestil dig, at vi har en database med 1000 forskellige blodprøver. Hvor mange læger kan tage højde for alle disse blodprøver for at vurdere, om nogen har kræft? Ingen læger, men for AI er dette en ekstremt let opgave.

Maskinen er (endnu) ikke et menneske

At skabe AI, der besidder menneskets intellekt, er ingen leg. Menneskets intellekt er kendetegnet ved evnen til at bearbejde forskellige typer information (data), integrere data og reagere på en meningsfuld måde med følelse, fantasi og konsekvenstænkning. At løse opgaver, forstå tale, generere tale, tolke følelser, drømme, ræsonnere, lide, elske, huske og udvise konsekvenstænkning er nogle eksempler på vores intellektuelle evner. Mennesket har desuden en fantastisk evne til at lære hurtigt. Hvis et 2-årigt barn får vist et eller to billeder af en giraf, kan barnet oftest afgøre, om der er en giraf på det næste billede. Med kunstig intelligens kræves der ikke sjældent tusindvis af billeder af giraffer for at lære computeren at forstå, hvordan en giraf ser ud. Mennesket har desuden en udsøgt evne til at overføre sin læring fra ét domæne til et andet. En person, der er dygtig til fodbold, kan også anvende sine færdigheder i andre boldsportsgrene. Det magter kunstig intelligens (på nuværende tidspunkt) ikke; hvert enkelt AI-program klarer én opgave og i princippet kun den opgave.

Desuden er mennesket et enormt kreativt væsen. Hvert døgn frembringer mennesker på jorden enorme mængder ny viden, nye opfindelser, ny kunst, ny musik og nye bygningsværker. Man har ganske vist formået at skabe AI, der producerer musik og maler billeder, hvilket ofte har resulteret i overraskende og (for os) underlige kreationer. Men i modsætning til AI er menneskets kreativitet tøjlet af konsekvenstænkning, frygt og medfølelse. Disse egenskaber findes ikke i et AI-program. Forestil dig et AI-program, hvis opgave er at diagnosticere kræft; i det tilfælde kan utøjlet kreativitet blive skæbnesvanger for patienten.

Generel AI

AI-forskningens ultimative mål er at efterligne menneskets fulde kapacitet. Denne type AI kaldes generel AI og eksisterer ikke i dag. Til gengæld er der opnået enorme fremskridt inden for specifik AI (eng. narrow AI), hvilket indebærer evner begrænset til en eller et par opgaver. Specifik AI bliver stadig mere udbredt i samfundet, og du bruger det med sikkerhed allerede på mange måder.