Prosess og rådgivning / 5 minutter /

Hva er nå egentlig AI?

Er det flere enn meg som detter av når det gjelder begreper som AI, Maskinlæring og datadreven innovasjon?

Når jeg kom tilbake til Kantega for litt under 1 år siden, fikk jeg vite at AI er et av Kantegas satsningsområder. Det var lett å finne ut at AI står for Artificial Intelligence, oversatt til norsk som kunstig intelligens. Men selv jeg som har jobbet i IT-bransjen i mer enn 30 år, ble usikker på hva som egentlig er AI og ikke.

Er det bare et nytt ord på noe vi har drevet med lenge? Eller er det noe nytt?

Så nysgjerrig ble jeg at jeg tok kurset Elements of AI som er et gratis nettkurs utviklet av Reaktor, Helsingfors Universitet og Feed. NTNU tilbyr kurset på norsk. Dette var et veldig bra kurs som jeg kan anbefale. Men spørsmålet er, kan jeg nå svare på hva AI er? Jeg skal i hvert fall forsøke!

Ingen klar definisjon på AI

Det jeg har lært er at det ikke finnes noen klar definisjon. Så da er det kanskje flere enn meg som er forvirret. Elements av AI kurset vektlegger autonomi og adaptivitet for å forklare hva AI er. Autonomi betyr at systemene kan utføre oppgaver uten kontinuerlig hjelp fra mennesker. Adaptiv er evne til å forbedre hvordan oppgavene utføres ved å lære av erfaringer.

Et eksempel kan være en musikktjeneste som gir deg anbefalinger. Den gir deg anbefalinger uten at noen mennesker er inne i bildet, og anbefalingene blir stadig bedre ved at den lærer når du og andre bruker tjenesten.

Hva med maskinlæring da? Er det det samme som AI?

Maskinlæring er systemer som blir bedre til å løse en bestemt oppgave når mengden av informasjon og erfaring øker. Så istedenfor å programmere inn akkurat hvordan en oppgave skal løses i systemet, trener man modellen ved hjelp av data. Maskinlæring er det som gjør systemene adaptive – slik at de kan gjøre oppgavene stadig bedre.

Informatikk, kunstig intelligens, maskinlæring og dyplæring er i samme sirkel. Data science står separat, men overlapper litt med de andre.

Sammenhengen mellom kunstig intelligens og maskinlæring

Illustrasjon fra Elements of AI-kurset: https://www.elementsofai.com/

Denne modellen fra kurset satte det litt på plass for meg. Den viser hvordan de ulike områdene er del av hverandre, og at data science er et parallelt område som overlapper noe med alle de andre disiplinene, men som også går langt utenfor disse.

Men kan vi si at noe er AI, selv om det ikke bruker maskinlæring?

I regjeringens nasjonale strategi for kunstig intelligens har de valgt å benytte denne definisjonen:

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.»

Definisjonen sier at enkelte av systemene tilpasser seg. Så selv om systemet ikke benytter maskinlæring kan man likevel kalle det AI. Regelbaserte systemer som automatiserer saksbehandling av en søknad, kan i følge denne definisjonen være AI.

Men i teksten under definisjonen legger de til at det avhenger blant annet av kompleksiteten i regelsettet. Så da er det fortsatt litt ullent for meg hva som er innafor.

Folk flest tenker på smarte roboter

Jeg tror ikke regelbasert saksbehandling er det første folk tenker når de hører kunstig intelligens, og det er kanskje litt av problemet. Mange tenker på smarte roboter som kan snakke og tenke som mennesker (og som snart vil bli onde og ta over verden). De tenker at dette er noe jeg ikke trenger å forholde meg til.

I dag er vi langt unna å kunne utvikle kunstig intelligens som ligner menneskelig intelligens – såkalt kunstig generell intelligens («Artificial General Intelligence», AGI). De fleste løsningene som benytter AI er utviklet for å dekke et mer spesifikt mål og oppgave, som f.eks. bildebehandling eller mønstergjenkjenning.

AI verktøykassen

Etter å ha lest og tenkt litt har jeg landet på å se AI som en verktøykasse. Noen av verktøyene er gamle, men mange er nye og noen blir lettere å bruke enn før. Det havner stadig flere verktøy i kassen etter hvert som utviklingen skjer.

Materialene vi skal hamre løs på

Data tilsvarer materialene vi skal bruke AI verktøyene på. Hvilken data har vi i virksomheten? Bruker vi dataene våre godt nok? Trenger vi mer? Regjeringens melding om datadrevet økonomi og innovasjon fokuserer på at det offentlige skal legge til rette for å gjøre offentlige data tilgjengelig, og støtte opp om deling av data mellom private virksomheter. De jobber både med lovverk og med å forenkle tilgangen på data. Slik ønsker de å legge til rette for mer innovasjon med AI.

Kantega har jobbet med en undersøkelse angående datadrevet innovasjon og kommer med en rapport rundt dette i starten av mars.

Internett of things er også en datakilde vi må huske på. Alt smart utstyr vi omgir oss med som er koblet opp til internett, er både en kilde til data, men også ting man kan styre til å gjøre oppgaver basert på AI.

Sensorer kan f.eks. måle temperatur og forurensning i Trondheims gater og automatisk justere medisindosen til astmatikere i området. Slik blir internett of things mer enn bare materialer for AI verktøyene, det blir ofte stedet hvor resultatet av AI ender opp.

Verktøy i AI-kassa

Ved hjelp av stordataanalyse kan vi finne mønster i strukturerte og ustrukturerte data. Stordataanalyse er et av verktøyene som benyttes for å styre mye av din digitale verden, hvilke nyheter du får opp, treff på google og hvilke annonser du blir vist.

Maskinlæring som har jeg allerede nevnt, er et sentralt verktøy innenfor AI. Som et eksempel kan vi bytte ut store regelbaserte saksbehandlingsregelsett med maskinlæring når vi skal behandle en lånesøknad. Vi benytter oss av all data vi har på kunden, alt fra banktransaksjoner, hvilke bil du har, til alder, kjønn og antall barn for å finne sannsynligheten for at dette er en god kunde for oss.

Maskinlæring gjør dette stadig mer treffsikkert ved at systemet selv finner ut hva det kan se etter, det kan f.eks. være at personer med en Tesla og ingen barn kan være de beste kundene for oss nå, mens om et år har verden og maskinlæringen svar forandret seg og en helt annen kundegruppe er den beste.

Resultater når AI-verktøy brukes

Bilde- og videoanalyse er eksempler på bruk av AI. Nå tar vi det som en selvfølge at man trykke på en knapp for å søke gjennom familiebildene sine og finne alle der tante Kari er med istedenfor å kikke gjennom et og et bilde. Bildeanalyse ser forskjell på tante Kari og tante Beate.

Språkanalyse gjør at du kan snakke til vekkerklokka di og be henne skru seg av. Robot-teknologi kan være alt fra avanserte menneskelignende maskiner til gressklipperen og støvsugeren mange av oss har som hjelper oss med å utføre enkle oppgaver vi ikke har lyst til å bruke tid til selv.

Men slik jeg ser det er noen av resultatene jeg nevner over faktisk også verktøy som kan settes sammen og gi nye løsninger. Bilde-og videanalyse er viktig for selvkjørende biler. De har kameraer i alle retninger, tolker bilder i sanntid og justerer kjøring med robot-teknologi etter hva som dukker opp, en katt, eller et skilt.

Hva vil jeg gjøre annerledes i prosjektene med AI?

Når jeg ser på eksemplene over på nyttig bruk av AI, så er de så intuitive og klare. Men når kollegaen min Kristin leste over denne teksten, utfordret hun meg på å knytte AI opp mot prosjekter jeg har vært med i.

Hvordan kunne ting blitt gjort enklere hvis maskinlæring var tilgjengelig da, slik den er nå? Dette har jeg tenkt på, og det er utrolig lett å låse seg i hvordan vi gjør ting nå – og vanskelig å tenke nytt. Jeg endte opp med å tenke mest på prosjektene mine innen bank og finans. De andre er for langt bak i hodet.

Jeg jobber blant annet med lånesøknad og en kjempestor regelmotor, som vi stadig utvider og fintuner. Alle disse reglene hadde vi nok ikke laget om vi hadde AI da vi startet. Regler blir aldri helt riktige, man bør alltid ha unntak og det er mye arbeid å vedlikeholde dem.

Det krever mye å finne ut om reglene virkelig er slik de burde være. Stemmer det f.eks. at vi bør avslå dem som tjener under xx kroner og har yy kroner i lån, eller kan det finnes andre parametere vi heller burde vektlagt? Vi har nå startet å lage en maskinlæringsmodell som tar hensyn til mye av det vi vet om kundene, som jeg tenker på sikt kan erstatte alle reglene.

Fordelen med en maskinlæringsmodell kontra reglene, er at den kan lære selv og forandre seg etter hvert som verden og kundene endrer seg. For eksempel kan det hende vi ikke bør vektlegge fast jobb like mye nå som ellers, pga pandemien.

En annen ting jeg tror vi hadde gjort annerledes med AI er selve prosessen med å behandle søknadene. Vi har nå automatisk behandling av en god del av søknadene, men vi har fortsatt mange søknader som havner i «gul score» og behandles manuelt. Da er det saksbehandlerne som vurderer om kunden skal få lån eller ikke. Hva er det saksbehandlerne gjør da som ikke systemet kan gjøre?

Saksbehandlerne bruker erfaringen sin og skjønn. Og det ville kostet mye å legge alle de uskrevne reglene de bruker inn i systemet. Men ulempen med at saksbehandler bruker erfaring og skjønn, er jo at de ikke alltid gjør det likt. Det er også vanskelig for saksbehandlerne å stadig lære av de valg de gjør i en travel hverdag. Ga jeg lån til de riktige kundene?

Jeg tror at en maskinlæringsmodell vil sikre at de beste kundene får lån og i tillegg spare saksbehandlerne for tid. Og så vil det gjøre at kundene får svar med en gang istedenfor å måtte vente en dag på manuell behandling.

Det siste eksemplet jeg vil ta med er hvordan kundene finner produktene. Maskinlæring kan benyttes til å finne ut hvem som er i målgruppen, og man kan tilrettelegge informasjon og søknadsmuligheter til de som trenger det, når de trenger det. De færreste vil lete på bankens produktside for å finne informasjon, og mange vet ikke om muligheten for å refinansiere når de virkelig trenger det.

Målrettet informasjon om produktet når du sitter og sliter med å betale en regning vil kunne føles som en hjelp til deg. Er du en som alltid kan betale og får tilsvarende informasjon vil det føles som et unødvendig salgsframstøt. Om det står så dårlig til at det ikke har noen hensikt at du søker, bør du selvsagt heller ikke få informasjonen. Det er bortkastet tid for kunden.

Forsatt ullent?

AI er et vidt begrep som folk tillegger forskjellig mening i. I min leting etter svar er jeg fortsatt i tvil. Kan jeg kalle den store regelmotoren i lånesøknaden for AI eller ikke? Den er jo kompleks, men den lærer ikke.

Jeg har funnet ut at hva som er innafor, men kanskje ikke det viktigste. For det viktigste er å kjenne til mulighetene, løfte blikket og ta et steg tilbake, og vurdere om vi bruker dataen vi har tilgjengelig godt nok.

Jeg gleder meg til å følge AI satsningen vår framover og se hvordan den kan bidra til å gjøre hverdagen bedre med nye og enklere tjenester for kundene.