12 NORSK SOROPTIMA • TEMA: KVINNER OG TEKNOLOGI • en datamaskin kan løse alle oppgaver dersom de kan beskrives detaljert og presist. Algoritme er en stegvis instruksjon som datamaskinen skal følge presist for å nå sitt mål, omtrent som en kakeoppskrift. Datamaskinen «DeepBlue» var gitt nødvendige algoritmer for å kunne spille sjakk. 11. mai 1997 ble en merkedag for kunstig intelligens da DeepBlue slo verdensmesteren Kasparov i sjakk. Datamaskinen var programmert til å vurdere alle mulige sjakktrekk, Den søkte lynraskt gjennom 200 millioner tenkte sjakktrekk per sekund, og regnet ut vinnersjansen til hvert av trekkene. Dette kostet svimlende mengder regnekraft. Menneskelige sjakkspillere gjør noe ganske annet, noe som er raskere og mer energisparende, forteller Strümke. Ut fra posisjonen som sjakkbrikkene står i, gjenkjenner de mønster på sjakkbrettet, og ut fra dette vurderer de neste trekk. Dette ble en videre inspirasjon for KI- utviklere. Maskinlæring, - slik lærer maskinen. For å bli bedre og for å spare energi, måtte datamaskiner lære seg å gjenkjenne mønster. Forskerne fant etter hvert ut hvordan de skulle programmere maskiner for at de skulle kunne lære seg mønstergjenkjenning, samt å trene seg selv. «AlphaZero», verdens beste sjakkspillende maskinlæringsmodell, lærte mønstergjenkjenning ved bruk av forsterket læring. Inga Strümke sammenlikner metoden med å lære å sykle. Du vet hva målet er, du må bare prøve deg frem, f.eks. sette deg på setet. Etter hvert forstår du selv hva det er verd å øve på. Ved Forsterket læring utforsket AlphaZero sjakkbrettet på egen hånd. På 24 timer spilte den 44 millioner partier mot seg selv, som den etterpå analyserte. Den laget selv sine treningsspill, og mange av sjakkpartiene var aldri blitt spilt av mennesker før. Den hadde lært å gjenkjenne mønster. Dermed kunne den begrense hvilke sjakktrekk det var mest hensiktsmessig å utforske videre. Alpha Zero utviklet en nesten overmenneskelig spillestil og slo verdens beste sjakkspiller i 2017. Gjennom prøving og feiling tilegnet den seg kunnskap som mennesker i dag ikke har. Innen 2019 hadde datamaskiner slått oss i de fleste spill. Inga Strümke mener at det beste vi kan oppnå med KI er maskiner som lærer oss noe nytt og verdifullt, gjennom en storskala prøving og feiling som menneskene ikke har kapasitet til selv. En KI-maskin kan lære hvordan beina i vårt skjelett ser ut. Maskinen øver på røntgenbilder av uskadde bein, samt av brukne bein, helt til maskinen kan, med høy sannsynlighet gjenkjenne «treningsbilder» av uskadde bein. En ren klassifiseringsoppgave. Norge har stor suksess i helsevesenet med praktisk bruk av KI til nettopp dette. KI vurderer røntgenbilder fra pasienter som er henvist til sykehus med mistanke om beinbrudd. KI sorterer bildene i to grupper: «ikke brudd» og «brudd» (alle forskjeller fra uskadde bein). Pasienter i kategorien «ikke brudd» får svar innen få minutter, og kan straks dra hjem. Legen kan konsentrere seg om pasientene med bruddskader. Maskiner kan bare lese tall. Alt visuelt, som bilder eller tekst, blir derfor delt inn i rutenett. Hver rute (piksel) i rutenettet, får en tallverdi som representerte rutens lysstyrke. Dermed blir bilder eller tekst oversatt til et rutenett av tall, som maskinen kan lese. Denne teknikken er kjent fra 1950-tallet. Oppsummert: KI-ingeniøren gir altså maskinen en definert oppgave og de nødvendige instruksene (algoritmene) som den trenger for å løse oppgaven (lære ut fra data). Deretter må maskinen trene. Maskinen mates med tusenvis av kjente treningsdata med tilhørende fasit. Maskinen øver på treningsdataene og bruker disse til å komme frem til best mulige beregningsformler, formler som til slutt gir det rette fasitsvaret. Resultatene er alltid nye tall, som omformes til et språk vi forstår, f.eks. en tekst. I hvor stor grad vi kan stole på svarene KI gir, avhenger både av hvor pålitelige treningsdataene har vært, men også av om vi klarer å spore
RkJQdWJsaXNoZXIy MjAzOTc=