DYNAMO 51 12 17 DTU 31
intelligens op i funktioner, kan man
se, at der er nogle opgaver, som vi
bedst kan overlade til mennesker,
andre til dyr og atter andre til
maskiner. Det er for mig at se den
mest konstruktive tilgang.”
Af samme grund foretrækker
Zoubin Ghahramani udtrykket
machine learning frem for kunstig
intelligens:
”Udtrykket kunstig intelligens
skaber forskellige associationer hos
forskellige mennesker. Det slipper
man ud over ved at sige machine
learning. I virkeligheden handler
det mest om tidshorisont. Kunstig
intelligens vil sige, at maskiner
fuldstændig automatiseret overtager
funktioner, som mennesker
tidligere udførte. Det er stadig
futuristisk. I machine learning er
mennesket i høj grad med til at
understøtte maskinens løsning af
opgaverne. Det ligger ude i fremtiden,
men ikke så langt. De fleste
af de ting, vi allerede ser i dag,
hører under et tredje felt, nemlig
data science. Her gør maskinerne
rigtig meget. F.eks. at indsamle
store mængder data og sortere
dem. Men det er mennesker, der
træffer beslutningerne.”
BLÅ BOG
Zoubin Ghahramani er professor i Information Engineering ved
britiske University of Cambridge. Han er født i Iran i 1970 og
uddannet dels ved American School of Madrid, Spanien, dels
ved University of Pennsylvania, USA. Efterfølgende skrev han
ph.d. om ’Computation and Psychophysics of Sensorimotor Integration’
ved MIT, USA. Ved siden af sin stilling som professor
er Zoubin Ghahramani meddirektør ved Uber AI (Artificial Intelligence)
Labs og Cambridge-direktør for Alan Turing Institute,
Storbritanniens nationale datavidenskabelige institut. Han er
desuden akademisk vicedirektør ved Leverhulme Centre for the
Future of Intelligence samt medlem af Royal Society.
Algoritmer skal lægges
åbent frem
Ud over forskellen i tidshorisont er
der varierende traditioner inden for
kunstig intelligens, machine learning
og data science:
”Felterne overlapper hinanden,
men i den akademiske verden
er der tale om tre forskellige
skoler. Jeg ser helt klart mig selv
som medlem af machine learning
skolen.”
Fokus inden for machine learning
er i opbrud:
”I starten handlede det kun
om at konstruere algoritmer, der
satte maskinen i stand til at finde
de mest nøjagtige løsninger på
de opgaver, som den blev stillet.
Senere blev vi opmærksomme på,
at algoritmerne også skulle være
effektive, så forbruget af computerkraft
holdes nede. Både for at
spare på udgifterne og for at spare
strøm. Eksempelvis tegner søgemaskiner
sig for en meget stor
andel af energiforbruget i verden.
Både nøjagtighed og effektivitet
er naturligvis stadig vigtige, men
alligevel begynder opmærksomheden
at samle sig om et tredje sæt
”Det interessante
for mig er ikke så meget,
hvad intelligens er,
men hvad den
bruges til.”
ZO U B I N G H A H R A M A N I , P RO F E S S O R , C A M B R I D G E
af problemer. Nemlig hvordan man
forebygger uheldige sideeffekter af
machine learning, hvor mennesker
bliver uretfærdigt behandlet eller
får deres privatliv krænket.”
Ifølge Cambridge-professoren
hedder løsningen gennemsigtighed:
”Når man kommer med en ny
løsning baseret på machine learning,
bør man efter min mening
lægge sine algoritmer åbent frem.
På den måde får andre mulighed
for at vurdere, om systemet f.eks.
har en utilsigtet skævvridning
indbygget. Det er i alles interesse,”
siger professoren og følger op med
et eksempel: