Arbejdspørgsmål om kunstig intelligens

For ikke så længe siden var der en elev fra en niende klasse, der kontaktede mig om arbejdspørgsmål om kunstig intelligens i forbindelse med et projekt, han skulle lave i skolen. Han stillede en række spørgsmål, en hel del af dem handlede om selvkørende biler (se indlægget her, hvis du er nysgerrig på selvkørende biler), men også spørgsmål der handlede om kunstig intelligens. Det, jeg svarede ham, kunne sagtens være relevant for andre, og jeg vil derfor gengive de svar, jeg gav ham.

Hvordan står det til med udviklingen af kunstig intelligens?

Det er jeg ikke ekspert nok til at udtale mig om, primært fordi jeg ikke arbejder med forskning indenfor feltet mere, men jeg har haft stor glæde af følgende artikel og video, der også underbygger en af mine pointer omkring, at vi skal hen mod systemer, der kan forklare, hvordan en beslutning blev nået. Se denne artikel om de nyeste teknikker til kunstig intelligens, samt en video om udviklingen (start med at se videoen). 

Hvordan kan mennesker mest hensigtsmæssigt anvende kunstig intelligens?

Svært spørgsmål. Jeg ikke har noget svar på. Vagtsomt.

Nogle modstandere er bange for det, som de kalder the intelligens explosion. Der er det tidspunkt, hvor en kunstig intelligens bliver så smart, at den kan forbedre sig selv, og derefter vil kunne gøre det uendeligt hurtigt. Og at de kunstige intelligenser derefter vil forsøge at udrydde mennesker. Jeg anser det ikke for noget, jeg selv vil komme til at opleve, men dog for noget man skal overveje. Og en af grundene til at man skal forske og tænke over etikken i anvendelse af teknologi.

Det gælder forøvrigt ikke kun kunstig intelligens, men også f.eks. cyborg-teknologi, hvor vi begynder at forbedre vores kroppe, så det kan mere end almindeligt. Også her skal man overveje etikken i det. Kig efter artikler om transhumanisme, hvis du vil læse om de helt vilde perspektiver, hvor man forestiller sig en sammensmeltning mellem robotter og mennesker.

Hvordan bliver mennesker påvirket af kunstig intelligens?

Lige nu – ikke ret meget, som jeg ser det. Men der er lavet flere undersøgelser og studier inden for de sidste år, der prøver at forudsige udviklingen. Se blandt andet: 

Og ikke mindst en interessant side på engelsk, der kan fortælle om lige det job du kunne tænke dig at få, når du er færdiguddannet, i virkeligheden vil blive udført af en robot: http://www.bbc.com/news/technology-34066941

Bør vi frygte kunstig intelligens?

Hvad tænker du selv, efter at have kigget på noget af det ovenstående, samt sikkert på andre kilder?

Jeg er af den overbevisning, at vi ikke bør frygte det, men at vi skal være opmærksomme og forholde os til etikken og til den påvirkning teknologi (ikke kun kunstig intelligens) har på vores fremtid og samfund.
En af mine missioner med min hjemmeside, og med de bøger jeg skriver, er blandt andet at gøre børn og unge, som dig, interesserede i emnerne, og at I uddanner jer, så I kan være med til at forske og sætte retningen for udviklingen og brugen af teknologi i fremtiden.
 
Der findes flere som advarer mod forskning og brug af kunstig intelligens, og det er ikke bare nogen der er uvidende, men faktisk forskere indenfor området, blandt andet en svensker Nick Bostrom i bogen: Superintelligens, se også denne artikel om ham eller sådan en som James Barrat i hans bog: Our final invention, eller se en video med ham her. Og så til sidst kender du formodentlig til stephen hawkings brev.
 

På den anden side har man transhumanisterne og singularity university, der mener at AI vil redde os og jorden (vær opmærksom på, at singularity university IKKE er et egentligt universitet, men en organisation, der ønsker at sprede troen på og viden om at AI og fremtiden bringer os en masse goder og løsninger).

Specielt Ray Kurzweil er centrum for disse synspunkter, læs om ham i wiki og på DR 

Jeg håber, der er andre end Simon, som kan få glæde af disse svar og samlingen af links.

Hvordan laver man en kunstig intelligens?

Kunstig intelligens er et bredt begreb. I dette indlæg vil jeg præsentere forskellige teknikker der anvendes, når man forsøger at udvikle og lave programmer eller algoritmer, der simulerer intelligens.

Svag eller stærk

Først er det dog vigtigt, at man forstår forskellen mellem en svag og en stærk kunstig intelligens. Dette har jeg beskrevet i indlægget: Stærk eller svag kunstig intelligens, men kort fortalt, så er en stræk kunstig intelligens i stand til selv at tage initiativ og være bevidst, mens en svag kunstig intelligens ikke er bevidst, men dog alligevel kan være dygtigere til en opgave end et menneske.

Vi kan lige så godt få det på det rene. Der findes idag ikke nogen teknikker der kan skabe en bevidst kunstig intelligens. Det vi alene kan skabe er programmer eller algoritmer, der kan simulere intelligens f.eks. ved at man i programmer og algoritmer simulere de måder, vi mennesker tænker på. Altså svag kunstig intelligens.

Teknikker til kunstig intelligens

Der findes flere forskelige teknikker til at lave kunstig intelligens, eller rettere simulere intelligens. De fleste teknikker forsøger at kopiere den måde, vi mener, at mennesker tænker, og hjernen fungerer. F.eks.  den teknik der tales og skrives en masse om i øjeblikket deep learning (maskinlæring), videnbaserede systemet (ekspertsystemer), som var meget oppe i tiden i 1990’erne eller case based reasoning (casebaseret læring/beslutninger). Nedenfor vil jeg ganske kort og i ikke tekniske ord forklare principperne i disse tre forskellige teknikker.

Deep learning, maskinlæring og neurale net

Maskinlæring baserer sig på teknikken neurale net, der igen er udviklet som en simulering af det net af synapser, der findes i vores hjerner, som sender og modtager signaler.  En synaps modtager et input og udsender et output. En node i et neuralt net opføre sig på samme måde: den får et input og levere et output. I et neuralt net er der mange noder ligesom der er mange synapser i vores hjerner. Og man kan ved at give et neuralt net input med kendte output træne det. Langsomt vil det lære at genkende det, vi træner det i at genkende. F.eks. katte på billeder eller mennesker på fortove. Med tilstrækkeligt mange eksempler vil et neuralt net være istand til at genkende mønstre f.eks. en kat selv om der på billedet kun er omridset af en kat.

Det nyeste inden for neurale net og maskinlæring er deep learning, og selvlærende neurale net. Det betyder ikke, at man bare laver et neuralt net og så lære det noget af sig selv. Vi skal stadig træne det, ved at give det forskellige input. Men f.eks. har DeepMind udviklet AlphaGo, der er et neuralt net, som selv  kan lære sig at spille go ved at prøve sig frem. Til at starte med har systemet ingen viden om Go. Det finder ud af, hvordan det vinder ved at spille mod sig selv og lære af, om det vinder eller taber.

Maskinlæring er super interessant og spændende, og der kommer mange flere anvendelse af det i fremtiden. Ulempen ved denne type kunstig intelligens er, at vi ikke ved, hvad der ligger til grund for systemets beslutning. Og vi kan ikke spørge det, for det ligger ikke i opbygningen af et neuralt net, at det kan fortælle, hvordan det er kommet frem til en beslutning. Hvis f.eks. en fremtidig kunstig intelligens, der anvendes i sundhedsvæsnet, angiver at en patient har kræft, så vil vi ikke af det neurale net kunne se, hvorfor den kunstige intelligens ‘mener’ det. I starten er der derfor mange, der er utrygge ved at  bruge disse metoder til alvorlige beslutninger.

Ekspertsystemer

Ekspertsystemer var meget oppe i tiden i 1990’erne, men der tales ikke så meget om dem mere. Det betyder dog ikke, at de ikke anvendes. De er bare blevet almindelige … En stor del af de Wizards/chatbots der findes er i virkeligheden en slags ekspertsystem.

Ekspertsystemer basere sig på en regelmotor og en vidensbank. Man modellerer den viden, man vil have systemet til at bruge i form af regler, der hænger sammen med en model af verden eller den situation, som systemet skal hjælpe en med. I mit studie udviklede vi et ekspertsystem, der kunne vejlede omkring nedrivning af bygninger med sprængstof. Ved at lære systemet regler og viden om bygninger, nedrivning og brug af sprængstof til nedrivning, kunne det med reglerne i sin regelmotor og viden om den bygning der skulle rives ned, foreslå den rigtige måde at gøre dette på.

Når der anvendes et ekspert system er det tydeligt og kan vises, hvordan systemet er nået til sin beslutning. Det kan være en fordel. Ulempen ved ekspertsystemer er at de ikke kan lære noget nyt, med mindre vi lære dem det. Altså skal vi indsamle viden/regler, finde sammenhængen til modellen af verden og lægge dem ind i programmet. Et ekspertsystem kan altså kun det man har lært det, og det er min erfaring at det tager tid og er ret krævende at samle, forstå og modellere viden om et område.

Cased based reasoning

Case based reasoning har ikke noget navn på dansk, men groft oversat kan man kalde det: Problemløsning baseret på kendte cases, og det er noget mennesker gør hele tiden hverdag. Det er for eksempel den måde en mekaniker kan bruge, når han skal reparere en bil. Han kender bilen, og han har måske set en tilsvarende fejl på en tilsvarende bil tidligere. Altså bruger han sin erfaring (de cases han har set) til at løse et problem eller finde en fejl.  En del af mit PhD-studie gik ud på at undersøge de designmetoder ingeniører bruger i design/projektering af bygninger, og her anvendes netop denne type metoder. Når der skal designes et nyt parkeringshus sker der meget ofte det, at ingeniøren tager det sidste projekt han arbejde på frem af skuffen og genbruger store dele af det. Det er case based reasoning.

Denne teknik kan også simuleres i en kunstig intelligens, så en sådan algoritme bliver i stand til at vælge den bedste løsning fra mange alternativer til et givent problem. For at kunne vælge det ‘bedste’ alternativ er man desuden nødt til at fortælle systemet, hvad er vil være en optimal løsning. Man definere en matematisk funktion, der beskriver den optimale løsning, og lader så algoritmen ændre på designet på forsekellige parametre, for at optimere løsningen. Case baseret resonering er et forskningsområde idag specielt indenfor netop design og projektering. Autodesk har arbejdet med det ifht. optimering af et cykel design. Her er løsningen kombineret med en genetisk algoritme, der introducere mutationer i designet, for at opnå nye ideer, der måske er mere optimale. Genetiske metoder i design er et andet emne for sig, som jeg ikke vil gå ind i her.

Kilder, artikler og sites der kan anbefales:

Video med Thomas Bolander – kunstig intelligens forklaret på 5 minutter

Neurale net den store danske

Hvad er et neuralt netværk i Ingeniøren

Kunstig intelligens af Thomas Bolander

Stærk eller svag kunstig intelligens

Der findes forskellige grader af kunstig intelligens. Stærk eller svag kunstig intelligens. Grupperinger man bruger til at opdele de forskellige typer, fra de ‘dummeste’ til de ‘klogeste’. Opdelingen har ikke kun fokus på, om en kunstig intelligens er smart/klog, men også på hvor selvbevidst, eller hvor følsom den er.

Stærk kunstig intelligens:

Stærk, eller som nogen kalder den avanceret, kunstig intelligens er en intelligens som fungerer, som den menneskelige bevidsthed. Den har følelser, og den har fantasi, kan forestille sig ting og har selvstændige tanker, den selv har skabt.

Endnu er vi langt fra at have skabt en sådan intelligens i en computer.

Svag kunstig intelligens:

Svag, eller som nogen kalder den simpel, kunstig intelligens kan ikke sammenlignes med et menneskes bevidsthed. Den kan løse specifikke afgrænsede opgaver, og kan på disse afgrænsede områder også være hurtigere eller bedre end den menneskelige bevidsthed.

En svag kunstig intelligens har ikke selvstændige tanker, og er derfor alene algoritmer og logikker der udleder svar, træk i et spil eller spørgsmål i en Jeopardy konkurrence.

Vi har allerede svage kunstig intelligens idag, og anvendelsesområderne udvikler sig hele tiden.  Vi har alle hørt om skak-computeren Deep Blue, der vandt i skak, eller Watson der vandt i Jeopardy, men som nu sættes til at lede efter sjældne sygdomme hos patienter(se artikel hos ingeniøren).

Hver uge kommer nye til  f.eks. har Google i sidste uge beskrevet, hvordan de har oplært et neuralt netværk, så den er lige så god som menneskelige fotografer til at beskære og billedbehandle et foto (se:  artikel hos CNBC). En opgave som tidligere er blevet betragtet som noget der krævede kreativitet og forståelse af æstetik, altså menneskelig intelligens, men som nu kan gøres af en computeralgoritme.

Langsomt vil vi udvikle mere og mere omfattende svage kunstig intelligens, der kan videreudvikles og sammensættes med andre og på sigt vil den samlede intelligens måske nærme sig en stærk kunstig intelligens.

Turing-testen

Hvordan måler vi, om den er stærk eller svag?
– Det kan vi ikke

Der er en flydende overgang mellem svag kunstig intelligens og stærk. Og vi er ikke i stand til at måle det. Da vi ikke har fuld forståelse af vores egen hjerne, kan vi heller ikke måle om en kunstig skabt intelligens er på niveau med et menneske.

Der findes dog en test, udviklet af Alan Turing (kaldet Turing-testen), som mange peger på, når man skal teste en kunstig intelligens. Testen går ud på, at menneskelige dommere vurdere, hvor overbevisende  den er, ved at ‘tale’ (Chatte) med den i fem minutter. Hvis den ‘narre’ 30 procent af dommerne, har den bestået Turing-testen.

Hvert år kan programmører få afprøvet deres bud på en kunstig intelligens. Lykkedes det den at ‘narre’ dommerne, vinder programmørene 100.000 dollars. I 2014 var der første gang et program, der bestod Turing-testen (se artikel hos BBC).

Læs mere i bøger om fremtidsteknologi for unge eller bøger for fremtidsteknologi for voksne (kommende).