"ALTERNATIV INTELLIGENS": Maskiner kan se mønstre i store datamengder og trekke raske konklusjoner, skriver Peter Hidas. Illustrasjon: iStock

Intelligens på tube

PETERS PLASS: Alternative fakta er blitt et godt innarbeidet begrep. Jeg skal nå slå et slag for alternativ intelligens.

Publisert Sist oppdatert

Verden er stor og rik på detaljer. Et nettverk av datamaskiner og sensorer beskriver den dypere og mer realistisk enn det vi mennesker klarer. Dermed er det duket for en ny sort intelligens.

Konsernsjef Helge Leiro Baastad i Gjensidige ble intervjuet i Dagens Næringsliv 22. april. Han snakket om en helteknologisk skade- og takseringsprosess som selskapet har fått utviklet sammen med Epigram som driver med maskinlæring og bildegjenkjenning. Systemets («robotens») kjerne er en million bilder av bilskader. Kunder som har fått en skade, tar bilder av den med sin smarttelefon og sender dem til Gjensidige. Der blir de mest sammenlignbare bilder plukket frem, uberørt av menneskehånd, og taksering og oppgjør kan starte straks. Baastad mener at Gjensidige er i verdenstoppen på dette området.

Gjensidiges robot er et skoleeksempel på hva maskinlæring og bildegjenkjenning kan brukes til. Mennesker klarer ikke å bale med millioner av bilder. Maskiner derimot kan se mønstre i store datamengder og trekke raske konklusjoner. Stjernen på laget er IBM Watson Analytics. Watson er generisk og kan brukes til mange ting, Gjensidige valgte å utvikle en robot spesifikt for sitt behov. Og det beste er at roboten er lærenem, jo flere skader den får vurdere desto flinkere blir den. Og desto større «bibliotek» får den.

Kunnskapsomfanget og detaljrikdommen er mye større enn det mennesker kan håndtere.

Å vurdere bilskader har erfarne folk godt grep på. Hvorfor skal jobben likevel overlates til en robot? Fordi mennesker har begrenset hjernekapasitet og bare klarer å ta hensyn til en håndfull variabler. Det blir ganske overfladisk. Vi vet at alt henger sammen med alt, og roboten kan få med seg alle variabler og sammenhengene mellom dem. Hver gang. Kunnskapsomfanget og detaljrikdommen er mye større enn det mennesker kan håndtere. Prosessen blir mer faktabasert.

En analogi er å arkivere i henhold til strikte arkivnøkler versus å søke i usorterte datamengder.

Noen påstår at det finnes alternative fakta. Det jeg snakker om her er at det holder på å vokse frem en alternativ (ofte kalt kunstig) intelligens. Et alternativ til menneskelig intelligens. Watson har bevist mange ganger at den ikke behøver å starte med modeller og hypoteser slik vi mennesker har vært vant til. Det som behøves er trening, en masse data, mye maskinkapasitet og analytisk programvare som også leser og forstår bilder. Den trenede roboten kan gå løs på enorme, relevante datamengder og «vaske frem» resultater.

Relevant er et nøkkelord her, menneskelig intelligens må til for å velge ut eller peke på de datasett roboten skal tygge i seg og lære av.

Robotene arbeider ikke slik vi mennesker gjør. De har en annen måte å praktisere intelligens på. Vi følger vår logikk, de følger sin. Roboten leverer et resultat, og det ser bra ut, men kan det etterprøves? Er det det optimale? Vi forstår ikke hvordan roboten har tenkt da den bladde gjennom alle sine data og gjorde sine valg. Gjør det noe?

Å gå ut fra en tenkt modell av virkeligheten og visse prinsipper er vår måte å løse problemer på. Modeller og prinsipper er pr definisjon sterkt forenklede og det skal de være. De reduserer virkeligheten til noe som lar seg forstå og programmere - unntakene skyves til siden og håndteres manuelt. Roboten har ikke bruk for slike forenklinger, den går løs på oppgaven i all dens kompleksitet. Ingen detaljer er for små, og det gir ofte et bedre resultat.

Det er ikke mulig å forstå hvordan roboten «tenker».

En ung klassiker i det fremvoksende feltet er Googles Alphago robot. For et par år siden vant den flere ganger over verdens beste Go-spillere. Go er mye vanskeligere på et høyt nivå enn sjakk fordi antall mulige trekk er langt flere. Spill kan vare i mangfoldige timer. Det er utenkelig å programmere en Go-maskin, her må dyp maskinlæring til. Alphago ble trent med 30 millioner brettposisjoner fra 160.000 gjennomførte spill. Det er ikke mulig å forstå hvordan roboten «tenker» når den spiller, det finnes ingen generelle prinsipper som kan hjelpe oss til å avlure maskinens hemmeligheter. Uutgrunnelig gjør den sine trekk, og den vinner!

Den store forskjellen mellom menneskelig og maskin-intelligens, i maskinenes favør, ligger i at de klarer å holde orden på alt, stort og smått, alt de har fått beskjed om å holde orden på. Verken mer eller mindre.

Avstanden mellom de to formene for intelligens er stor. Jeg er redd at ordet «alternativ» kan leses som enten det ene eller det andre. Forhåpentlig har jeg ikke gitt inntrykk av at det nye alternativet vil utkonkurrere den hittil enerådende menneskelige intelligensen. Sammen er de dynamitt!

Peter Hidas er konsulent i Gartner og fast kommentator i Computerworld.