Pål Børseth-Hansen under seminaret «Kunstig intelligens i praksis».
Camilla Skjær Brugrand.
Arbeidstilsynet bruker maskinlæring for å finne skurkene i arbeidslivet
Algoritmen for å identifisere virksomheter som har høyest sannsynlighet for å begå alvorlig brudd på arbeidsmiljøloven er likevel ikke den eneste faktoren tilsynet bruker å gjennomføre tilsyn.
Arbeidstilsynet er en av kundene som konsulentfirmaet Inmeta jobber med for å løse problemer ved hjelp av kunstig intelligens.
Konsulentene har de siste årene jobbet med 30 prosjekter for både privat og offentlig sektor med å finne trender, gjøre prediksjoner og hjelpe brukere med å få anbefalte tjenester og varer.
– Vi tar disse algoritmene på alvor og vi prøver å bevise når de virker og når de ikke virker, sier Pål Børseth-Hansen, fysiker og forretningsutvikler i Inmeta.
Begrunne avgjørelsen
Det er ikke slik at Arbeidstilsynet bare kan banke på døra til et bestemt selskap å si at nå skal vi gjøre et tilsyn fordi en algoritme har bestemt det. Det holder ikke.
– I mange av de prosjektene vi jobber med er det viktig å begrunne avgjørelsene og videre driverne til den beslutningen som algoritmen foreslår, sier Børseth-Hansen.
Man må altså forklare hvorfor denne algoritmen med 90 prosent sannsynlighet mener at dette selskapet er i en posisjon hvor man tror det er noen alvorlige brudd på loven å finne.
Maskinlæringsalgoritmen er en av mange faktorer som tilsynet bruker.
Vi tar disse algoritmene på alvor og vi prøver å bevise når de virker og når de ikke virker
– Dette er det siste beslutningsgrunnlaget de bruker, understreker fysikeren.
Konsulentene har laget en algoritme som kan forklares og som deler selskapene inn i fire grupper. Dette er integrert i kundens system hvor algoritmen kan sortere de med høyest sannsynlighet for å begå alvorlige lovbrudd.
– Deretter kan Arbeidstilsynet sammen med den listen bruke annen kunnskap om bedriftene og miljøene og gjøre en beslutning om man skal gå inn med tilsyn eller ikke.
Smal kunstig intelligens
Inmeta jobber med det Børseth-Hansen definerer som «smal kunstig intelligens». Det handler om å løse spesifikke oppgaver innenfor et problemområde. Det kan være å få en drone til å bevege seg innenfor et bestemt område eller med en bestemt type kreftbehandling.
– De teknologiene og algoritmene vi bruker for å løse disse problemene faller under maskinlæring. Det handler om å bruke algoritmer for å gjenkjenne mønstre, forklarer Børseth-Hansen.
Maskinlæring handler om dyp kunnskap om matematikk og statistikk, kreativitet i forhold til de algoritmene og de verktøyene som er tilgjengelig og den dype domene-forståelse som er det fagområdet innenfor hvor problemet skal løses
I mange av de prosjektene vi jobber med er det viktig å begrunne avgjørelsene og videre driverne til den beslutningen som algoritmen foreslå
– Når vi snakker med kreftleger eller arbeidstilsynet går vi aldri inn og påstår at vi har mer kunnskap om deres fagområde enn de har.
Oppgavene konsulentene løser for sine kunder faller under to hovedområder. Det ene området er hvor kundene har mye historiske data hvor man sitter på svaret på det algoritmen skal trene på. Med disse dataene man skape et mønster.
Det andre området overlates algoritmen til seg selv – man har historiske data, men man har ikke noe svar. Her kan man ikke måle opp svarene mot en fasit.
Løse problemer
Firmaet hjelper ofte bedrifter med å finne en kontinuerlig formel til en problemstilling. For eksempel å beregne boligpriser, salg eller produksjonsutfall.
– Vi tar med oss matematikken og kreativiteten og vi vet hvordan vi skal bruke teknologien for å hjelpe til. De prosjektene vi jobber med som blir mest vellykket, er de hvor vi jobber tett med fagfolkene og kundene. Nå er vi på et tidspunkt hvor vi kan få gode resultater av maskinlæring. Kunstig intelligens tar av og det er mulig å anvende det en hensiktsfull måte, sier Børseth-Hansen.
Hos Tine har Inmeta sett på alt av data fra kyr for å beregne melkeproduksjonen per ku per år over hele landet.
– Man sitter på veldig mye data per ku. Vi lager en modell av sammensettingen av kyr på gården og hvordan den vil utvikle seg. Da får vi en modell som er den reelle produksjonen og prediksjonsmodellen, forklarer han.
Mange av de prosjektene de jobber med har et eller annet element av klassifisering. Den mest kjente klassifiseringsalgoritmen er søppelkasse-filteret.
– Den er veldig god i dag sammenlignet med for et par år siden. Nå er spørsmålet om vi bruke maskinlæring til å automatisk gjenkjenne kreft i et bilde, sier Børseth-Hansen.
Anbefalinger
Anbefalinger er noe mange nettsteder jobber hyppig med. I dag får man anbefaling for neste bok på Amazon eller neste film på Netflix.
– Disse algoritmene begynner å bli såpass gode nå at de kan gi en sannsynlighet basert på mye data om deg som person og produktet.
I de tilfellene hvor man ikke har historiske data å trene på handler det om å se på normaliteten av data for å prøve å fange opp avvikende data. Bankene bruker algoritmer som ser på alle kredittkorttransaksjoner og ser om det er noe som avviker fra normalen.
– Da har du ikke på forhånd definert normalen, men man sender strømninger av data inn til algoritmen og så bygger den seg opp til en modell og dermed flagge unormaliteter.
Børseth-Hansen forklarer at verden er et stykke unna å ha den generelle kunstige intelligensen – det å kunne dra konklusjoner fra et område til et annet.
– Den maskinen jeg sitter med nå, vil rundt år 2023-2025 ha samme prosesseringskraft som vår menneskelige hjerne. Da kommer vi til et punkt hvor vi kan prosessere samme mengde informasjon per sekund, som vår menneskelige hjerne. Det er ikke dermed sagt at vi vil nå generell kunstig intelligens på det tidspunktet. Da må vi igjen legge på 15 år for å kunne simulere mye av menneskers kognitive ferdigheter. Vi må ta dette på alvor, men vi er et stykke unna, sier han.
