1 Hva er kunstig intelligens?

Kunstig intelligente systemer utfører handlinger, fysisk eller digitalt, basert på tolkning og behandling av strukturerte eller ustrukturerte data, i den hensikt å oppnå et gitt mål.

«Doing nothing with AI», Emanuel Gollob (AT) – Foto: Ars Electronica

1.1 Definisjon

Det er mange ulike definisjoner av kunstig intelligens (KI) og definisjonene endrer seg gjerne i takt med hva som er teknologisk mulig. I denne strategien tar vi utgangspunkt i EUs ekspertgruppes5 definisjon for KI, og definerer KI slik:

Kunstig intelligente systemer utfører handlinger, fysisk eller digitalt, basert på tolkning og behandling av strukturerte eller ustrukturerte data, i den hensikt å oppnå et gitt mål. Enkelte KI-systemer kan også tilpasse seg gjennom å analysere og ta hensyn til hvordan tidligere handlinger har påvirket omgivelsene.

Som fagdisiplin inkluderer kunstig intelligens ulike tilnærminger og teknikker, slik som maskinlæring (inkludert eksempelvis dyplæring og forsterkende læring), maskinresonnering (inkludert planlegging, søk og optimering) og enkelte metoder innen robotikk (som kontroll, sensorer og integrasjon med andre teknologier i cyber-fysiske systemer).

«Sterk» og «svak» kunstig intelligens

I dag er vi langt unna kunstig intelligens som ligner menneskelig intelligens – såkalt kunstig generell intelligens («Artificial General Intelligence», AGI). Kunstig generell intelligens omtales ofte som «sterk» KI, mens annen KI kalles «svak» eller «smal» KI.

Figur 1: Forenklet oversikt over hva som inngår i kunstig intelligente systemer – Kilde: Independent High-Level Expert Group on Artificial Intelligence set up by the European Commission

Dette betyr ikke at KI-løsninger som er innrettet mot et bestemt «smalt» område ikke kan være kraftige eller effektive, men det er oftest snakk om spesifikke løsninger utviklet med tanke på én bestemt oppgave, som bildebehandling eller mønstergjenkjenning for bestemte formål. Det er heller ikke slik at utvikling av KI parallelt på mange spesifikke områder, eller forskning på «svak» KI, nødvendigvis fører oss nærmere kunstig generell intelligens.

Vår definisjon inkluderer både «sterk» og «svak» kunstig intelligens.

Regelbaserte systemer for automatisering

Et regelbasert IT-system er oftest bygget opp av regler av typen «HVIS x, GJØR y». Slike regler kan settes sammen til kompliserte beslutningstrær. Regelbaserte systemer for automatisering kan brukes til å modellere et regelverk, forretningsregler eller erfaringsbasert praksis (skjønnsutøvelse). Flere av løsningene vi har for automatisert saksbehandling i offentlig sektor er slike regelbaserte systemer. Vår definisjon av kunstig intelligens omfatter enkelte slike løsninger, avhengig blant annet av kompleksiteten i regelsettet.

1.2 Hvordan virker kunstig intelligens?

Et system basert på kunstig intelligens kan enten tolke data fra for eksempel sensorer, kameraer, mikrofoner eller trykkmålere, eller det kan få inndata fra andre informasjonskilder. Systemet analyserer dataene, tar beslutninger, og utfører handlinger. Både behovet for data og det at systemet selv tar beslutninger og utfører handlinger reiser etiske spørsmål som drøftes i kapittel 5. I noen typer systemer er det en tilbakemeldingssløyfe som gjør at den kunstige intelligensen lærer – enten av egne erfaringer, eller av direkte tilbakemeldinger fra bruker eller operatør.

Kunstig intelligens inngår som regel som en komponent i et større system. Oppgavene utføres ofte digitalt, som en del av et IT-system, men KI kan også være en del av en fysisk løsning, for eksempel en robot.

Eksempler på praktiske anvendelser av kunstig intelligens i dag er:

• Datasyn/identifisering av objekter i bilder («computer vision») – kan for eksempel brukes til ansiktsgjenkjenning eller identifisering av kreftsvulster.
• Gjenkjenning av mønstre eller avvik – kan for eksempel brukes til å avsløre bank- og forsikringssvindel eller til å avdekke brudd på datasikkerhet.
• Behandling av naturlig språk («natural language processing», NLP) – kan brukes til å sortere og klassifisere dokumenter og informasjon, og til å trekke ut relevante elementer i store informasjonsmengder.
• Robotikk – kan brukes til å utvikle autonome fartøy som biler, skip og droner.
  

På noen områder har utviklingen gått raskt og vi ser løsninger som er i praktisk bruk. På andre områder kan det ta lang tid med utvikling og utprøving før man er trygg på resultatene.

Maskinlæring

Når vi i dag hører om løsninger basert på kunstig intelligens, er det som regel løsninger som baserer seg på maskinlæring. Begrepet maskinlæring dekker en rekke ulike teknikker, der reglene utledes fra de dataene systemet trenes på, i motsetning til regelbaserte systemer der reglene er gitt av mennesker, ofte basert på eksperterfaring, forretningslogikk eller regelverk.

Ved utvikling av KI-systemer med maskinlæring, vil maskinlæringsalgoritmer bygge matematiske modeller basert på eksempeldata eller treningsdata. Disse modellene brukes deretter til å ta beslutninger.

Maskinlæringsalgoritmer lærer vanligvis på tre ulike måter:

• Veiledet læring: Algoritmen trenes med et datasett der både inndata og resultat er gitt. Man kan si at algoritmen både får «oppgaven» og «fasiten» og bruker dette til å bygge modellen. Ut fra dette vil den senere være i stand til å ta en beslutning basert på inndata.
• Ikke-veiledet læring: Algoritmen får bare et datasett uten «fasit» og må selv finne mønstre i datasettet som den senere kan bruke for å ta beslutninger om nye inndata. Dyplæringsalgoritmer kan trenes opp med ikke-veiledet læring.
• Forsterkende læring: Algoritmen bygger modellen sin basert på ikke-veiledet læring, men får tilbakemelding fra bruker eller operatør om beslutningen den foreslår er god eller dårlig. Tilbakemeldingen mates inn i systemet og bidrar til å forbedre modellen.
  

  

Figur 2: Sammenhengen mellom et KI-system, operatør og omgivelser

Dyplæring er en kategori av maskinlæring. Dyplæring er i dag en viktig del av utbredte løsninger som bildebehandling og datasyn, talegjenkjenning og behandling av naturlig språk. Andre anvendelsesområder er utvikling av legemidler, anbefalingssystemer (for eksempel for musikk og film), behandling av medisinske bilder, persontilpasset medisin, og avviksdeteksjon på en rekke områder. De mest brukte rammeverkene for dyplæring er utviklet av Google (TensorFlow) og Facebook (PyTorch).

Enkelte dyplæringsalgoritmer kan sammenlignes med en «sort boks», der man ikke har innsyn i modellen som kan forklare hvorfor en gitt inndataverdi gir et gitt resultat. Dette er nærmere omtalt i kapittel 5.