Teknologitrender : “AI first”
For snaue to år siden lanserte Google en ny retning for selskapet. De forlot doktrinen mobile first og erklærte at kunstig intelligens (AI) var den viktigste driveren for alle deres tjenester.
De store plattformselskapene som Apple, Amazon, Google, Facebook, IBM, Microsoft og ikke minst de kinesiske Alibaba, Tencent og Baidu følger etter og investerer milliarder i forskning og utvikling av AI.
Sammen med tusenvis av partnere og innovative start-ups skapes nye løsninger på problemer vi knapt visste vi hadde.
Til nytte for oss alle. Og samtidig problematisk om vi ikke følger med i timen.
Teknologitrender og 1 stort spørsmål som påvirker forsvarlig bruk av kunstig intelligens
- Nevrale nettverk og hyperdimensional computing peker mot neste generasjons AI.
- Med hukommelse og reflekser som oss mennesker vil kunstig intelligens ta ett vesentlig steg videre.
- Datasyn og ansiktsgjenkjenning blir ditt nye grensesnitt mot din digitale verden
- Avanserte skytjenester gjør det mulig å opprette og drifte et virtuelt selskap helt fra bunnen av.
- Med modelldrevet AI-arkitektur kan du like lett å utvikle nye avanserte AI-tjenester.
- Regnekapasiteten fortsetter sin eksponensielle utvikling. Datalagring og regnekapasitet er ikke lenger noen begrensning.
- Med ny maskinvare vil edge computing og IoT-prosjekter gjøre at vi snart kan se hva alle og alt gjør hvor – i sanntid
Og det store spørsmålet: Hvordan sikrer vi innsyn, personvern og eierskap til data i en verden hvor kunstig intelligens for alvor konkluderer at data er den nye oljen?
1. Teknologitrend : Nevrale nettverk med hyperdimensional computing
De nye tjenestene vi har latt oss imponere av bare de siste 2-3 årene som billed – og ansiktsgjenkjenning, deepfakes – videoer og bilder av mennesker som ikke finnes, er drevet frem av avanserte algoritmer.
Det er i bånn og grunn kjente algoritmer fra begynnelsen av åttitallet.
Virkelig fart fikk vi da disse algoritmene videreutvikles i nevrale nettverk som lærer, husker og lar seg “motivere”. Når de så ble lagt i lag på lag, med millioner av koblinger inspirert av hvordan vi ser for oss at mennesker tenker, fikk vi se imponerende resultater.
Og det ser ikke ut som om det er noen ende på hva som kan forbedres: I akademia vil en forskers nye funn og forbedringer av en algoritme ganske så straks offentliggjøres og gjøres tilgjengelig for alle. Selv de store, lukkede utviklermiljøene hos de store plattformselskapene ivrer med å demonstrere sine nyvinninger, til inspirasjon og kopiering verden over.
Et barn overgår kunstig intelligens med glans
En vesentlig forskjell på menneskelig og kunstig intelligens at vi mennesker umiddelbart assosierer det vi ser foran oss eller hører med andre referanser. Vi “ser” verden i hele sin komplekse form. Et nevralt nettverk må regne seg frem til et sannsynlig resultat. Og tar fortsatt feil. Feil som en 4-åring umiddelbart ser. Selv et 2 år gammelt barn har fantastiske evner til å lære og sette erfaringer i kontekst som langt overgår dagens AI-systemer.
Jeg lar meg imponere av Google Photos billedgjenkjenning. Under mine innlegg som foredragsholder om kunstig intelligens bruker jeg ofte familiens Bolonka som eksempel.
Få, om noen blant mitt publikum vet hva en Bolonka er. Det er en russisk sirkushund, “lillebror” til vår Rottweiler. Apple finner ingen. Google alle.
Men Google Photos tar også feil: Den viser også et bilde fra hjemmeslakt av en sau fra mange år tilbake.
Du og jeg – og 4-åringen ser umiddelbart at det ikke er en hund, og langt fra en Bolonka. Det er et saueskinn.
Algoritmen overgår de fleste av oss, men gjør likevel fatale bommerter som et menneske ikke vil gjøre. Du kan heller ikke spørre den hvorfor den “mener” at bildet av et saueskinn er en Bolonka.
Likevel er det imponerende og presisjonen blir større og større for hver gang jeg tester.
Det problematiske blir om vi legger til grunn at algoritmene er ufeilbarlige i et AI-system, f.eks i saksbehandling. Da kan det konkluderes i din disfavør, uten at vi i dag kan finne ut hvorfor AI-systemet konkluderte som det gjorde.
Et barn vet hva en katt er
Har du vist et barn på 4 år en katt, vil barnet umiddelbart assosiere bilder, tegninger eller andre katter med konseptet “katt”.
En AI bruker mye energi sammenlignet med et menneske og må regne seg frem til sluttresultat, hver gang.
Hyperdimensional computing
Med hyperdimensjonale computing mener forskerne at de kan skape minner og refleksjoner i AI-systemer.
Metoden vil kreve mye mindre beregning og vil gjøre AI i stand til å løse slike oppgaver mye raskere og mer effektivt enn dagens AI-systemer.
Hyperdimensjonal computing kan gi AI muligheten til å virkelig “se” verden og lage sine egne slutninger basert på egne referanser og erfaringer.
I stedet for å prøve å bruke rå datakraft til å gjennomføre regnestykket for alle observerbare objekter og variabler, kan hypervektorer aktivere “aktiv persepsjon” i roboter, autonome systemer – ja, alt som er AI-drevet.
En 16-åring kan lære å kjøre bil på noen dager og kan som kjent mye mer.
I dag kan programvaren i en Tesla imponere som selvkjørende bil.
Men den kan kun kjøre fra et sted til et annet. Uansett hvor imponerende den er, så er det en smalsporet, dedikert kunstig intelligens.
Utfordringen er å knekke koden for hvordan mennesker lærer som barn.
Kan vi med teknikker som f.eks hyperdimensional computing overføre denne måten å lære på til maskiner, ja da er vi ett stort steg videre. Den dagen du kan laste opp programvaren fra en Tesla i et helikopter eller en drone og den selv finner ut hvordan den skal fly, da er vi nære kunstig generell intelligens.
En AI som løser alle oppgaver like godt eller bedre enn mennesker.
Kommer vi dit, forstår jeg frykten for kunstig superintelligens – en intelligens utenfor vår fatteevne.
Mange mener vi aldri vil komme dit, andre mener vi er dømt til å komme dit, men at vi ikke kan si noe om hvor lang tid det vil ta. 10 år? 100 år? Aldri?
2. Teknologitrend : Datasyn og ansiktsgjenkjenning – det nye grensesnittet
Det vi mennesker tar for gitt – evnen til å se, føle, bearbeide inntrykk og deretter handle på alle inntrykkene har vist seg å være svært vanskelig å gjenskape i maskiner. Utfordringene med å få til dette har vært undervurdert. Det som først virket som et enkelt problem å løse, viste seg å kreve flere tiår med forskning.
Vår verden, – den virkelige verden er svært så kompleks. Det er fortsatt mye som er ukjent om hvordan menneskets syn fungerer og hvordan hjernen faktisk bearbeider visuelle inntrykk.
Hvordan skal vi kunne replisere det i maskiner? Maskinsyn – computer vision er et sett av teknologier som forsøker å gi datamaskiner disse ferdighetene. Drevet frem av kunstig intelligens kan maskiner identifisere og behandle visuelle inntrykk fra bilder, video, satellitter, medisinsk utstyr og alle mulige andre kilder.
Med datasyn vil roboter, selvkjørende biler, droner – ja, alt som beveger seg i den virkelige verden, samle inn enorme datamengder og få ferdigheter som tidligere har vært umulig for maskiner.
Ansiktsgjekjenning og datasyn er viktig for utvikling av roboter i alle mulige varianter, enten de står fastsmontert, ruller på hjul eller beveger seg på to bein.
Les siste nytt om roboter med computer vision i artikkelen “Roboter – hjemme og på jobb“
Teknologien er ikke viktig bare for roboter, men også for selvkjørende biler, droner – ja sågar satelitter som tar bilder i større oppløsning enn noensinne av alt vi foretar oss fra rommet.
I landbruket kan kameraer for eksempel brukes til å gjenkjenne ugress for mer presis bruk av ugressmidler.
AI identifiserer hva som er ugress og sprayer ugresset med så stor presisjon at mengden ugressmiddel reduseres med imponerende 95 %.
Milliarder av bilder og video lastes opp
Vi trener opp algoritmene til de store plattformselskapene aldeles gratis.
Et eksempel er de milliarder av bilder og videoer som lastes opp på YouTube og Google Photos.
Data som er perfekt som kilde til trening.
Prisen på utstyret har falt, kvaliteten på bilder og video blir stadig forbedret og regnekapasiteten har tilsvarende skutt i været.
Med nevrale nettverk og massive treningsdata fra all verdens innhold på internett er vi snart der hvor AI-systemer lærer å “forstå” innholdet.
Ansiktsgjenkjenning sniker seg inn og blir en del av våre liv
Selv om du kanskje har innvendinger til å la tjenesteleverandørene bruke ditt ansikt for identifikasjon, så sniker teknologien seg inn i våre liv, skritt for skritt.
Et eksempel er Facebooks Deepface-program som merker din familie og venner på dine og deres bilder.
Har du lagt merke til meldingene fra Facebook som forteller deg at noen har lagt ut et bilde hvor du er med?
Et annet eksempel er iPhone som bruker ansiktsgjenkjenning som digitalt passord. Teknologien er så sikker at også norske banker tillater bruk av ansiktet ditt til innlogging.
Om kort tid vil du se at ansiktsgjenkjenning blir et av dine viktigste brukergrensesnitt mot din digitale verden.
Eksempler på teknologitrender hvor bruk av ansiktsgjenkjenning vil få stor betydning er foruten betalingstjenester, bransjer som jobber med sikkerhet, adgangskontroll, politiet og diagnostisering innen helsesektoren.
På kafeen Heimatt på Grünerløkka i Oslo kan du i et prøveprosjekt allerede nå betale med ansiktet ditt.
Les mer om teknologien i artikkelen “Ansiktsgjenkjenning – det nye grensesnittet“
De som er først ute og tenker på bruk av ansiktsgjenkjenning i kombinasjon med andre nye teknologier kan skape helt nye, disruptive løsninger.
Enten det er en start-up eller en av de store aktørene, så gjelder det å tenke fort på hvordan denne teknologien kan brukes i nettopp din bransje?
Den disruptive kraften ligger i kombinasjonen av mange nye teknologitrender som brukes enkeltvis eller i kombinasjon, de fleste AI-drevet
3. Teknologitrend : Skytjenester og modelldrevet applikasjonsutvikling
Skytjenester snudde på noen få år opp/ned på hvordan næringslivet og offentlig forvaltning utviklet programvare og ikke lenger selv måtte drifte sine egne IT-systemer. Amazon Web Service (AWS) ble raskt etterfulgt av de fem andre store skytjenesteleverandørene Google, IBM, Microsoft Azure, Oracle og Alibaba. Veksten i bruk av skytjenester er formidabel og nye tjenester legges til løpende.
Med stadig nye kompletterende tjenester er det fullt mulig å opprette og drifte et selskap fra bunnen av 100 % virtuelt med skytjenester. Det samme er i ferd med å skje for utvikling av AI-prosjekter.
Modelldrevet AI-utvikling
Skytjenesteleverandørene tilbyr til sammen et hundretalls av enkeltstående verktøy som kan brukes til utvikling av egne AI-applikasjoner.
Å sette de sammen for å bygge et egeutviklet AI-system fra bunnen av er likevel svært komplisert og for de fleste uoverkommelig.
Selv med kosteffektive skyapplikasjoner vil en tradisjonell tilnærming til et egenutviklet AI-system gjerne kreve mange menneskeår i utviklingstid. Ikke bare går det tusenvis av timer til utvikling og tilpasning, koden du skriver er også plattformavhengig.
Er det utviklet på Amazon AWS, må du gjøre store tilpasninger om du ønsker å skifte skytjenesteleverandør.
Modelldrevet arkitektur åpner for helt nye muligheter for virksomheter av en viss størrelse. Med modelldrevet arkitektur kan utvikle dine egne AI-systemer slik at tradisjonelle programmeringskode erstattes med begreper som f.eks «kunde», «ordre», «lege» og “pasient”. Ved å bruke modeller, trenger ikke utvikler bry seg med ulike type data.
Alle underliggende data, koblinger og prosesser som er koblet til data er beskrevet i modellen. Alt kan representeres som en modell koblet sammen med eksterne applikasjoner.
De enkelte modellene linker til andre applikasjoner som igjen kan erstattes, uten at det får innvirkning på andre applikasjoner eller AI-applikasjonen som helhet. Denne tilnærmingen sparer vesentlig tid og innebærer at du kan bygge systemet fra bunnen av som en plattformuavhengig AI-applikasjon.
En modelldrevet AI-arkitektur forenkler implementering av AI- og IoT-applikasjoner. Illustrasjon: Thomas M. Siebel
4. Teknologitrend : Ny maskinvare og en verden hvor alle vet alt om alle og alle ting i sanntid
Ny maskinvare driver eksponensiell vekst. Eksplosiv utvikling av mengden data drevet frem av sensorer og IoT-prosjekter verden over er mat for AI.
De store plattformselskapene investerer også milliarder i ny maskinvare. Begrensninger som ligger i regnekapasiteten overvinnes av brikkeprodusenter som NVIDIA, Intel, AMD, ARM og Qualcomm. De utvikler helt nye, dedikert maskinvare for raskere AI-aktiverte applikasjoner. Ny og svært mye raskere teknologi blir optimalisert for billed, talegjenkjenning og oversettelse.
Roboter, autonome kjøretøy og droner vil bidra ytterligere til en eksponensiell datafangst.
Dette gjelder også vi mennesker med stadig enklere og mer praktiske AR/VR-briller.
Utvidet virkelighet (AR) med geotagging og satelitter som overvåker vår minste bevegelse vil skape helt nye bruksområder og peker mot en verden hvor alle vet alt om alle og alle ting i sanntid. Teknologien er grenseoverskridende. Nye teknologier utvikles med en hastighet vi aldri tidligere har sett i menneskehetens historie.
5. Teknologitrend : Edge Computing og tingenes internett (IoT)
Med Edge-computing flytter vi dataprosesseringen tilbake til den fysiske verden. Med tingenes internett kan alle fysiske objekter i en verdikjede kobles sammen i sanntid. I tillegg til sensorer som påmonteres nytt og gammelt utstyr står vi foran en utvikling hvor fysiske objekter utstyres med små superdatamaskiner. De er ikke stort større enn en kredittkort og du finner de i roboter, biler, overvåkningskameraer og i en rekke andre objekter.
I stedet for å samle data fra alle mulige kilder og sende disse opp i skyen for prosessering, skjer datainnsamling og prosessering lokalt i det fysiske objektet.
Datamengdene som må flyttes blir vesentlig mindre med mindre ventetid, mindre belastning av nettet og tilhørende reduserte kostnader. Dette åpner for helt nye muligheter for større virksomheter.
Med sanntids oppdatering fra alle fysiske objekter i virksomhetens verdikjede samles data som kan i helt ny innsikt. I kombinasjon med strukturerte data fra “tradisjonelle kilder” gir dette datasett som kan brukes til å skape helt nye konkurransefortrinn.
Oppskrift for digital transformasjon
IoT (Internet of Things) + Edge Computing, data samlet inn fra alle fysiske objekter i verdikjeden
+
SOME – (Sosiale Medier) Data fra alle sosiale kanaler med interaksjon mellom eksisterende og potensielle nye kunder og virksomheten.
+
CRM – (Customer Relationship Management) Data fra alle systemer som dokumenterer alle aktiviteter mellom eksisterende kunder og virksomheten
+
BI (Business Intelligence) Systemer som samler inn og rapporterer virksomhetskritisk informasjon
+
ERP (Enterprise Resource Planning) Systemer som rapporterer data fra ordre, produksjon, lager, salg, innkjøp og økonomi.
+
HR / HRM (Human Resource Management) Systemer som rapporterer data fra ledelse og administrering av menneskelige ressurser
+
MPS – (Material og produkjsonsstyring) Systemer som rapporterer data som bruk av materiell og produkter fra planlegging og produksjon i en virksomhet
+
SCM – (Supply Chain Management) Data fra logistikk og integrering av innkjøp, produksjon og distribusjon gjennom hele kjeden til sluttkunde
+ Cloud Computing med modelldrevet AI-arkitektur
= Avgjørende konkuransefortrinn
Ett viktig spørsmål om kunstig intelligens
Hvordan kan vi sikre forsvarlig bruk av AI?
Ett av de viktigste kravene til forsvarlig AI er at vi skal ha innsikt i hvorfor et system har konkludert, særlig om konklusjonen er i din disfavør. Søker du et lån og systemet avslår fordi den analyserer deg (og tusenvis av andre) og konkluderer med at du ikke er kredittverdig, ja da skal du kunne vite hvorfor.
Med dagens AI-systemer er dette ikke mulig.
Konklusjonen kan være riktig, men vi vet ikke hvordan systemet har konkludert.
Uansett hvor gode nevrale nettverk du bruker, er AI ikke 100 % nøyaktig. Det er fortsatt omregning av store datasett til sannsynlige utfall. Og feilmarginene er der fortsatt, selv om optimalisering bringer den nedover. AI fungerer i mange løsninger best som støtte til menneskelige konklusjoner.
Problemet er hvor man setter grensen for automasjon?
Nå kan du innvende at mennesker vurdering hvor fakta blir støttet med “magefølelse” og “intuisjon” heller ikke er presis. Da kan du i det minste diskutere saken med et virkelig menneske. Den diskusjonen er enda ikke mulig med en AI.
Det betyr at vi må stille krav til hvordan AI brukes, ikke bare i næringslivet, men spesielt i saksbehandling i offentlig sektor.
Norge har sammen med Europa markedsmakt.
Norge og Europa har ingen sjanse i AI-kappløpet mot USA og Kina. De beste forskerne finnes fortsatt i USA, men Kina har flest ingeniører som tar i bruk teknologien på tvers av alle verdikjeder. Med Kinas ambisiøse program for å bli verdensledende innen AI tror jeg ikke min spådom om at Kina vinner er spesielt vågal.
For det er en krig. En krig om markeder og kunder og dessverre også våpen og makt.
Når Kina har rast fra seg på sitt hjemmemarked vender de for alvor blikket mot resten av verden, også lille Norge. Vi vil se mange gode tjenester og produkter til svært lave priser. Tjenester som, brukt riktig, vil drive verdiskapning og nye muligheter også for norsk næringsliv.
Verden lytter til Europa.
Med GDPR demonstrerer Europa verdier som Kina og USA er nødt til å ta hensyn til om de vil operere i våre markeder.
EUs High-Level Expert Group on AI (AI HLEG) ble etablert i juni 2018 og har lagt frem forslag til etiske retningslinjer for bruk av kunstig intelligens.
I California innarbeides et lovverk som er inspirert av EUs GDPR. De store aktørene, blant annet Facebook sier de vil implementere retningslinjene for alle brukerne over hele verden, uavhengig av den enkelte nasjons lovverk.
LES MER i min artikkel “Europeiske etiske retningslinjer for bruk av kunstig intelligens“
Er det “gratis”, er det du som er produktet: Hver gang vi laster opp bilder til Google Photos eller googler et spørsmål, trener vi Googles nevrale nettverk. Aldeles gratis. Data er den nye oljen: Spørsmålet er hvem som eier disse dataene?
Mange av oss lar oss friste av gode tjenester og samtykker til å gi fra oss data uten å reflektere videre over hva vi faktisk gir fra oss.
Bærekraftig AI er betinget av åpenhet, sikkerhet og bevissthet om etiske problemer knyttet til bruk av kompleks AI .
De store plattformeierne stikker av med verdiskapningen.
– “Vi kan ikke sitte stille og se på en utvikling der milliardene forsvinner ut av Norge til utenlandske aktører som heller ikke betaler særlig med skatt”, forteller Ketil Solvik-Olsen til Nettavisen. Han er leder for det norske initiativet «Fight Back» og mener vi må jobbe sammen for å styrke våre egne interesser. Initiativet ble presentert på Arendalsuken og er spennende å følge. Om norsk næringsliv står sammen er det kanskje ikke helt urealistisk å skape en markedsplass for dine personlige data?
Med gode digitale plattformer, AI og blockchain er det innen rekkevidde for oss, selv i lille Norge å få et bevisst eierskap til og sette verdier på personlige data.
Livslang læring må få nytt innhold
Utvikling av bærekraftig, etisk kunstig intelligens vil skape store verdier i årene som kommer.
Utviklingen skjer fort og ny teknologi blir tatt i bruk, også i Norge – enten vi liker det eller ikke.
Det gjelder å holde seg oppdatert. Begrensingen ligger kanskje først og fremst hos oss mennesker. Vi mangler rett og slett folk som forstår teknologiens potensiale.
Lurer du på hva du bør studere eller hvordan du kan videreutdanne deg?
Les gjerne min artikkel “Livslang læring: Fremtidens jobber og kompetansen du bør skaffe deg”
Om du ønsker nye utfordringer og kanskje bedre betalt, er det garantert vel anvendt tid.
Etterspørselen etter riktig kompetanse har gått i taket.
Les også: Indeed’s 10 Most Popular AI & Machine Learning Jobs This Year
