Hva er egentlig kunstig intelligens?

­

Vegard Kolbjørnsrud forsker på kunstig intelligens og ledelse.

Foto

Anita Myklemyr

Vegard Kolbjørnsrud ved Handelshøyskolen BI har forsket på kunstig intelligens (KI) sett fra et bedrifts- og ledelsesperspektiv i åtte år. Han viser til at det finnes veldig mange definisjoner av kunstig intelligens. Selv bruker han denne definisjonen: Systemer som kan sanse, forstå, handle og lære − og dermed oppføre seg tilsynelatende intelligent i komplekse miljøer.

– Kunstig intelligens er ikke én teknologi. Ofte er det systemer som er satt sammen av flere teknologier, men maskinlæring er en viktig ingrediens i de fleste kunstig intelligens-systemene, forklarer Kolbjørnsrud.

Han viser til at man gjerne skiller om tre typer KI:

• KI som brukes til prediksjon

• KI som brukes til klassifisering

• Generativ kunstig intelligens

Klassifisering og prediksjon

I starten ble maskinlæring mye brukt til klassifisering (sortering av data i ulike grupper) og prediksjon. Man kunne for eksempel bruke teknologi til å lage predikere når man måtte vedlikeholde en vei, ut fra historiske data i kombinasjon med data fra sensorer som måler for eksempel rystelser og lyd.

Generativ kunstig intelligens betyr at man bruker algoritmer til å skape noe som ikke finnes fra før. ChatGPT, som har fått mye oppmerksomhet de siste månedene, er generativ kunstig intelligens på tekst - i den forstand at den svarer på spørsmålet du skriver inn ved å sette sammen tekst som ikke finnes fra før. Tjenesten er bygget på språkmodeller, statistikk og sannsynlighetsberegninger, og den kan skrive forståelig og ofte korrekt tekst.

Å «trene» algoritmer

Ved bruk av kunstig intelligens snakkes det ofte om å «trene» algoritmen; det vil si den oppskriften datamaskinen opererer etter. Dette til forskjell fra da programmerere som lagde og skrev inn alle algoritmer steg for steg.

Når algoritmer «trenes» slippes teknologi løs på et sett med treningsdata på en måte som gjør at teknologien selv identifiserer mønstre og komponerer algoritmer som beskriver sammenhenger. Algoritmene testes etterpå på et lignende sett med data, for å sjekke mønstre og algoritmer. Til slutt har man fått algoritmer som kan brukes til å forutsi eller gjenskape tilsvarende situasjoner, men også til å skape og gjennomføre handlinger. Dette er, forenklet fremstilt, noe av basisen i maskinlæring og kunstig intelligens. Det gir masse muligheter, ifølge Vegard Kolbjørnsrud, men også en helt annen kompleksitet i algoritmene, som kan gjøre det vanskeligere å forklare og forstå dem.

«Den desidert største faren ved kunstig intelligens er at folk konkluderer for tidlig med at de forstår det».
Elizer Yudkowsky (amerikansk kunstig intelligens-forsker)

En gigantisk statistikkmaskin

Språkmodellen ChatGPT er kanskje det mest kjente eksempelet på generativ kunstig intelligens på tekst. Du skriver inn spørsmål, og den svarer ved å sette sammen ord til en tekst som ikke finnes fra før. Dette er imidlertid ikke et tradisjonelt nettsøk. Det modellen gjør, er å kverne seg gjennom store mengder data, for så å sannsynlighetsberegne hva neste ord i teksten bør være. Modellen er så god at den kan skrive forståelig, overbevisende tekst. Ofte er fakta riktig, men den kan også gjøre grove feil; fordi den sannsynlighetsberegner – og ikke har en helhetlig menneskelig forståelse.

– Du må med andre ord kunne noe om det du spør den om for å oppdage feil den gjør og teste sannferdigheten, understreker Kolbjørnsrud, og forteller at han testet ChatGPT ved å spørre om kilden til en akademisk artikkel.

ChatGPT oppga at artikkelen var fra 1951, og hadde riktig navn på tidsskrift og forfattere, men hadde oppgitt feil artikkeltittel. Dette kunne skje fordi ChatGPT ikke gjorde et søk der den fant den faktisk kilden. Den sannsynlighetsberegnet i stedet et svar ut fra en stor mengde data. I dette tilfellet bommet den, og sannsynlighetsberegnet seg frem til feil artikkelnavn.