kunstig intelligens

Maskinlæring er en viktig underkategori av kunstig intelligens, og omhandler systemer som lærer. Forenklet betyr dette at programmet ikke kan noen ting når det startes, men er så i stand til å lære over tid, på samme måte som et menneske som ønsker å lære å spille piano blir bedre ved å øve.

Øvingen foregår ved prøving og feiling, og i starten vil ikke maskinen være spesielt flink. Den vil for eksempel gjette helt tilfeldig på hva som er en katt og hva som en hund, hvis den blir bedt om å skille mellom disse dyrene i en bildeanalyse. Det finnes flere metoder for å veilede denne læringen, slik at maskinen kan justere sin indre modell, og dermed bli litt bedre for hver gang den øver.

Overvåket læring er den mest brukte formen for å trene opp den indre modellen. Det vil si at en lærer, et menneske som vet svaret på oppgaven, interagerer med maskinen. I eksempelet over kan læreren hjelpe maskinen med å sortere tusenvis av bilder av katter og hunder i kategorier, og programmet vil gradvis justere seg selv slik at det gjenkjenner formene på hunder og katter. Dette kalles også tilbakepropagering (engelsk «backpropagation»).

Siden overvåket læring krever tilstedeværelse av et menneske, kan det være en kostbar prosess å trene opp modellen. Det blir derfor forsket mye på forskjellige former for uovervåket læring og forsterket læring, der treningen gjøres automatisk. Det finnes også andre metoder som lærer av data, for eksempel support vector machines og case-based reasoning (CBR).

• Les mer om maskinlæring

En avansert form for maskinlæring er såkalte nevrale nettverk, som er inspirert av den menneskelige hjernen. Hjernen er bygd opp av nevroner (hjerneceller), som er koblet sammen via synapser. Hvert nevron foretar en veldig enkel beregning av signalene som kommer inn til nevronet. Veldig forenklet kan man si at denne beregningen er addisjoner over tid, og når man en viss terskel, så sender nevronet et signal videre til alle nevronene den er koblet til. Kompleksiteten oppstår fordi det er så mange slike koblinger og mange nevroner (i vår hjerne finnes det cirka 100 milliarder nevroner).

Disse prinsippene er også brukt i kunstig intelligens. Kunstige nevrale nettverk er en grov forenkling av de biologiske nettverkene som finnes i hjernen, og som i hjernen kobler man sammen mange enkle prosesseringsenheter i et nettverk. Spesielt såkalt dyp læring (engelsk «deep learning») har fått mye oppmerksomhet de siste årene.

Dyp læring er en metode hvor man bygger et nevralt nettverk med mange lag. For hvert lag man legger til, økes beregningskraften til hele systemet. Forenklet sett kan man si at hvert lag lærer en annen måte å forstå informasjonen på, som en abstraksjon av det lavere laget. For eksempel i et dypt nettverk som forsøker å identifisere objekter i et bilde, vil de lavere lagene gjenkjenne enkle former, for eksempel kanter, mens de høyere lagene gjenkjenner mer abstrakte former, for eksempel et ansikt.

• Les mer om nevrale nettverk og dyp læring

Ekspertsystemer er i hovedsak systemer som har en oppførsel som er definert på forhånd, i motsetning til maskinlæringssystemer, som ikke kan noen ting på forhånd. Ekspertsystemer kalles derfor også regelbaserte systemer.

Mange systemer fungerer på en måte hvor man har skrevet ned regler som beskriver et miljø, og som deretter følger disse reglene. Dette fungerer veldig fint i miljøer som er forutsigbare, begrenset og regelbundet, for eksempel sjakk, som har et klart avgrenset spillebrett og entydige regler for hvordan brikkene kan flyttes. I den virkelige verden er det som regel ikke slik, og derfor får ekspertsystemene ofte problemer når de møter situasjoner de ikke har sett før (i sjakkeksempelet kan dette være nye typer brikker, eller at en brikke plutselig beveger seg ut av spillebrettet).

Likevel har ekspertsystemer stor nytteverdi på mange felt, og i 1980-årene var dette et stort forskningsområde, med applikasjoner for eksempel innen helse, kontroll av roboter, ruteplanlegging og finans. Det største problemet var at systemene ikke enkelt kunne takle store mengder med eksempler. I stedet måtte eksperter destillere (programmerere) kunnskapen og legge den inn i systemet manuelt. Derfor har ekspertsystemer begrenset nytte sammenlignet med maskinlæring, hvor programmene justerer dette selv.

• Les mer om ekspertsystemer og ekspertsystemer i forbindelse med medisinsk bruk

I 2024 vedtok EU en forordning for kunstig intelligens (KI-forordningen), som supplerer personvernreglene. KI-forordningen trådte i kraft i EU 1. august 2024. KI-forordningen innfører forbud mot åtte praksiser, deriblant å bruke KI-systemer til å manipulere eller villede personer til å ta skadelige avgjørelser som de ellers ikke ville tatt. Bruk av KI-systemer til kriminalitetsbekjempelse vil bli begrenset på flere områder. For eksempel vil det bli forbudt å bruke KI-systemer til å predikere kriminell adferd utelukkende basert på personprofiler.

Forordningen innfører detaljerte regler for KI-systemer med «høy risiko», som blant annet gjelder KI-systemer brukt i eller sammen med medisinsk utstyr, leker, biler, fly, og en rekke andre regulerte produkter. En rekke sektorer vil også bli regnet som «høy risiko», blant annet bruk av KI-systemer til å vurdere opptak til utdanning, jobbrekruttering, overvåking på arbeidsplassen, samt tilgang til helsetjenester. Det gjelder egne regler for generative KI-modeller, for eksempel språkmodeller som kan brukes til mange ulike formål.

Det er også krav om at KI-systemet skal varsle brukerne om at det er et KI-system, med mindre det er åpenbart ut fra konteksten. KI-generert innhold, slik som tekst og bilder, skal også merkes.

Selve begrepet kunstig intelligens ble skapt i 1956 under en seks uker lang konferanse kalt Summer Research Project on Artificial Intelligence som ble holdt ved Dartmouth College i New Hampshire, USA. Konferansen samlet forskere innen automasjonsteori (kybernetikk, et fagfelt som sto veldig sterkt i USA i 1940- og 1950-årene), hjernens nevrale nettverk og studier av intelligens. Mange av de som skulle forme fagfeltet de neste tiårene var til stede.

Det er vanlig å tillegge etableringen av begrepet til den amerikanske forskeren John McCarthy (1927–2011), som var en av de sentrale foredragsholderne på konferansen. Blant oppgavene det ble eksperimentert med var programmering av spill som sjakk og nim.

I 1950 forsøkte den britiske matematikeren og programmereren Alan Turing å definere kriterier for hva som må til for at en maskin skal kunne kalles «intelligent» gjennom den såkalte Turingtesten. Enkelt sagt handler testen om hvorvidt det er mulig å konstruere maskiner som kan imitere et menneske så godt at det ikke gjenkjennes som en maskin.

Testen forutsatte at maskinen måtte kunne:

• generere og gjenkjenne naturlige språk, altså de språk som menneskene snakker
• lagre informasjonen den får
• resonnere og trekke konklusjoner basert på denne informasjonen
• lære å tilpasse seg det den informasjonen den har fått, samt den interaksjonen som finner sted i punkt 1

Turingtesten er i etterkant ikke ansett som en spesielt god metode for å måle kunstig intelligens, men er viktig i historisk sammenheng.

• Les mer om Turingtesten

Etter konferansen på Dartmouth var det mye optimisme i forskningsmiljøene, og i 1960-årene trodde mange at maskinene ville bli like smarte som menneskene om få år. Dette førte til en voldsom interesse, og det ble donert mye penger til forskning rundt kunstig intelligens.

Etter noen år innså man imidlertid at resultatene uteble, og på 1970-tallet gikk man derfor inn i det som har blitt kalt en «AI-vinter». Forskningsmidlene stoppet opp, og forskningen på området ble sterkt begrenset.

På 1980-tallet kom kunstig intelligens tilbake i form av ekspertsystemer, med tilhørende optimisme. I tillegg introduserte Hollywood kunstig intelligens i offentlighetens bevissthet gjennom store filmer som Terminator (1984) og Short Circuit (1986). Men igjen gikk det ikke som forskerne hadde lovet fordi ekspertsystemene heller ikke klarte å levere på det nivået man håpet. Fra slutten av 1980-tallet og utover 1990-tallet kom det derfor nok en «AI-vinter».

Det ble forsket mye på anvendelser av nevrale nettverk opp gjennom 1990-tallet og ut på 2000-tallet, men det var først på 2010-tallet at metodikken, regnekraften og datamengden muliggjorde at man virkelig kunne ta skrittet ut av forskningslaboratoriene og inn i den industrielle verden.

Et viktig vendepunkt kom i 2012 i forbindelse med konkurransen ImageNet, en årlig test for automatisk gjenkjenning av objekter i en stor bildedatabase. Alex Krizhevsky utviklet en etablert teknikk basert på nevrale nettverk som senket feilraten på bildegjenkjenning med oppsiktsvekkende stor margin. Etter dette året ble så å si all bildeforståelse gjort med nevrale nettverk, og metoden viste seg å kunne anvendes på tolkning av sekvenser også, det vil si lyd og tekst. Kunstig intelligens kom dermed raskt tilbake for fullt, både i industriell sammenheng og i folks bevissthet.

Hvorfor kom gjennombruddet i 2012, selv om nevrale nettverk hadde eksistert i flere tiår? Det er i hovedsak to faktorer:

• Man fikk datamaskiner som var så kraftige at de kunne trene opp store modeller relativt raskt (det vil si i løpet av noen uker eller dager)
• Man hadde store datamengder for å trene opp slike modeller – siden de var så store, krevde de mye data for å kunne lære

Denne metodikken har dominert kunstig intelligens siden.

I november 2022 kom OpenAI ut med sin ChatGPT-modell, som tilsynelatende virket som en intelligent chatbot. Alle de andre store teknologi-gigantene (blant dem Google, Microsoft og Facebook) måtte hive seg rundt for å bli med på karusellen, for ChatGPT ble enormt populær på veldig kort tid. Siden da har det vært en eksplosjon i antallet modeller som er tilgjengelig for publikum. Noen er basert på åpen kildekode, mens andre er lukkede, det vil si at bedriften som produserte modellen ikke offentliggjør detaljene bak modellen. Utviklingen er enorm, og landskapet endres raskt.

Felles for alle disse modellene er at de i utgangspunktet ikke kan unnslippe det å «hallusinere», det vil si «lyve» når det gjelder tekst eller bilder. Dette er fordi modellene ikke har noen underliggende forståelse av verden. Derfor er det veldig viktig å kvalitetssikre hva disse modellene skaper.

• Les mer om generativ kunstig intelligens.