Hvad er KUNSTIG INTELLIGENS - og hvad kan det bruges til?
Du har sandsynligvis allerede hørt en del om kunstig intelligens, for de fleste er enige om, at AI rummer store potentialer for dansk erhvervsliv. Estimater peger på, at kunstig intelligens kan medvirke til op imod 35 milliarder kroner ekstra i BNP fra 2030.[1]
Dog kæmper mange med, hvor de skal starte, eller hvordan de tager skridtet videre fra idéstadiet. Gælder det også jer?
Kan du svare ja, så er der en god grund til det, for det at få succes med kunstig intelligens kræver både forskellige og dybe kompetencer.
Er man helt grøn, vil de bedste første skridt være at begynde at opbygge viden om kunstig intelligens. Derfor har vi lavet en kort introduktion, der giver en basisforståelse af, hvad kunstig intelligens er, hvorfor det rykker nu og et ordforråd til at begynde at tale om kunstig intelligens.
Indholdsoversigt
Stærk og svag/snæver kunstig intelligens
Der findes ingen eksakt definition af kunstig intelligens, men de fleste er enige om, at kunstig intelligens bredt set handler om at udvikle software, der kan løse opgaver på en måde, der imiterer menneskelig intelligens.[2]
En meget populær rammesætning af kunstig intelligens, som man ofte kan støde på, er en skelnen mellem stærk kunstig intelligens på den ene side og svag eller snæver kunstig intelligens på den anden.
Stærk kunstig intelligens er systemer, der kan generalisere på tværs af mange forskellige domæner og opgaver, og som kontinuerligt lærer nyt.
Snæver kunstig intelligens er systemer, der kan løse en eller flere specifikke opgaver inden for et domæne.
Meget få virksomheder arbejder med stærk kunstig intelligens, og for nu er det ikke så relevant, da det mest er de store, internationale teknologivirksomheder som Deepmind (Alphabet) og OpenAI, der har mange hundrede personer dedikeret til arbejdet. Man hører imidlertid meget om de systemer, så det kan give et indtryk af, at det primært er dét, der er kunstig intelligens. Men der er mange oplagte muligheder med AI, også inden man når op til det niveau.
Derfor, når de fleste taler om kunstig intelligens-systemer, så vil det være kunstig intelligens-systemer i en snæver optik – altså systemer, der kan løse en eller flere specifikke opgaver inden for et afgrænset område.
En specifik opgave kan for eksempel være at analysere, om kundehenvendelser er positive eller negative, og hvem der i så fald skal besvare dem. Eller eksempelvis om der optræder indikationer på sygdom på et røntgenbillede.
Hvorfor kunstig intelligens nu?
AI er ikke så nyt, som man ellers kunne tro. Så længe, der har været computere, har der været folk, der har interesseret sig for at få computere til imitere menneskelig intelligens.
Men det er først inden for de seneste år, at det er blevet muligt at realisere mange af disse idéer så godt, at de kan anvendes i en kommerciel sammenhæng. Der er primært fire årsager til dette skift i anvendelighed:
Ingen data, ingen kunstig intelligens
Den mest kritiske komponent i forhold til at bygge kunstig intelligens-systemer er data. Ingen data, ingen AI. For det er i store træk data, der er afgørende for den tekniske kvalitet af et kunstig intelligens-system. Ikke kun for systemets præcision, men også for dets robusthed, sikkerhed og muligheder for at skalere det på længere sigt.[3]
Det skyldes, at kunstig intelligens-systemer for det meste bliver til på den måde, at man giver en maskine et antal eksempler på det, man gerne vil lære systemet at gøre, og så lærer systemet, hvad det skal gøre ud fra disse eksempler.
Typisk vil der derfor være en sammenhæng mellem antallet af eksempler, man giver, og hvor retvisende de eksempler er, og den ydeevne et system kan opnå. Inden for kunstig intelligens-feltet tales der populært om “garbage in, garbage out” – at hvis man bygger kunstig intelligens på data af dårlig kvalitet, så får man også dårligt produkt ud af det.
Det betyder også, at hvis der ikke er data, er det svært at udvikle brugbar kunstig intelligens. Og mangel på data er da også en af de typiske barrierer for at komme i gang med kunstig intelligens. Er man i en fase, hvor man overvejer at gå i gang med kunstig intelligens, er datagrundlaget derfor et godt sted at starte.
Lyd, tekst, billeder og video er også data
Når talen falder på data, kan man let komme til at sætte lighedstegn mellem data og tal, som vi kender dem fra Excel og databaser.
Men inden for feltet er der over de seneste år blevet udviklet et væld af nye metoder, så det er blevet muligt at behandle andre typer af data som lyd, tekster, billeder og video.
På den ene side åbner det op for, at langt mere af det data, som allerede eksisterer, kan bringes i anvendelse, men samtidig øger det også kompleksiteten i forhold til at få greb om mulighederne med kunstig intelligens. Hvor er det netop, at vi kan få mest ud af kunstig intelligens?
Værktøjskassen af teknikker og metoder inden for kunstig intelligens er så uoverskuelig stor, at det for mange er en svær vej ind i feltet. En anden vej til at skabe overblik over, hvad man kan med kunstig intelligens, kan derfor være at anskue feltet ud fra de forskellige typer af data, som kan behandles.
Kunstig intelligens er meget mere end teknologi
Kunstig intelligens handler naturligvis meget om teknologi, men det handler også om mere end det. Det er i al fald vores erfaring, at menneskelige og forretningsmæssige aspekter er lige så vigtige at fokusere på for at lykkes i praksis.
Mange, der skal i gang med kunstig intelligens, kommer til at overfokusere på teknologien og modsat underfokusere på ting, der skal sikre, at teknologien løser de rigtige udfordringer for ens kunder eller egen organisation.
Det er derfor vigtigt allerede fra start at tænke på en satsning inden for AI som mere end et teknologiprojekt.
Dels er der en forretningsmæssig side, hvor en kunstig intelligens-baseret løsning skal kunne løse en konkret problemstilling, som der er nogen, der villige til at betale for.
Og endelig er der en menneskelig og organisatorisk side til dit kunstig intelligens-projekt. Der er en væsentlig risiko for, at dit kunstig intelligens-projekt aldrig får et liv udenfor skuffen, hvis ikke du får medarbejderne og organisationen med om bord. Dels har du brug for, at du har en ledelse, der går forrest og prioriterer jeres digitale udvikling, dels at medarbejderne forstår, både hvorfor I er gået i gang med udviklingen, og hvorfor den er vigtig. Det er derfor godt givet ud at inddrage både ledere og medarbejdere i jeres udviklingsproces, og løbende sætte fokus på den værdi, som projektet vil bibringe jer og jeres kunder, så der opstår ejerskab og engagement omkring projektet.
Ansvarlig og sikker kunstig intelligens
I takt med, at flere og flere bygger kunstig intelligens ind i deres produkter og processer, er det blevet åbenbart at teknologierne ikke er uproblematiske.
Der er forskellige udfordringer og nogle er mere kritiske end andre. Simple eksempler på udfordringer kan være løsninger, der udvikles på data, som indeholder uhensigtsmæssige bias, hvor problemer forstærkes, når denne data bruges som grundlag for et kunstig intelligens-system.
Et andet eksempel kan være, at der anvendes teknologier i udviklingen, som gør det umuligt at forklare, hvordan systemet er kommet frem til et resultat.
Det er særligt relevant i sammenhænge, hvor der behandles følsomme informationer som fx personoplysninger, hvor det svar et AI-system kommer frem til kan have betydning for beslutninger, der efterfølgende træffes om personer. Fx om nogen er berettiget til en specifik ydelse.
Så bliv meget tidligt i jeres proces klar over, hvor jeres kunstig intelligens kan være problematisk eller usikker – eller få hjælp til at vurdere det så tidligt i projektfasen som muligt. Det kan blive dyrt at rette op, hvis jeres produkt eller service er sendt i produktion, både for jer og jeres kunder. Og omvendt kan det være en konkurrenceparameter for jer, hvis I kan vise jeres kunder, at jeres løsning er sikker, gennemsigtig og ansvarligt udviklet.
[1] Rapport: AN AI NATION? Harnessing the opportunity of artificial intelligence in Denmark. [2] Websted: https://www.merriam-webster.com/dictionary/artificial%20intelligence. [3] Artikel: “Everyone wants to do the model work, not the data work”: Data Cascades in High-Stakes AI.