Norge mangler kompetanse på lærende algoritmer

KUNNSKAP FRA KRISTIANIA: Teknologi og innovasjon

Første gang en sjakkcomputer slo verdens beste sjakkspiller, var i 1997. Sjakkspilleren var Kasparov; sjakk-computeren var IBMs Deep Blue. Senere har ulike sjakkcomputere blitt videreutviklet. Vi har sett hvordan de lærer ved å spille mot seg selv, bare de vet spillereglene. Den tenkende sjakkcomputeren Alphazero spilte mot seg selv og lærte hvilke trekk som var best. På den måten klarte Alphazero å slå verdens beste sjakkspillere. Det tok Alphazero 700.000 øvelsestrekk for å slå den andre kategorien sjakkcomputere, nemlig Stockfish.

Hvis vi går fra spillekontekst til produksjonskontekst, finner vi innovasjoner i for eksempel japansk produksjon som ligner på Alphazero. Kunstige robotarmer lærer i løpet av tolv timer nye bevegelsesmønstre for å øke både kvalitet og produktivitet. Ved hjelp av intelligente algoritmer, kamera og målet om å fremme produktivitet, lærer disse robotarmene seg selv hvordan de mest effektivt kan plukke opp og sette sammen små deler til et større helhetlig design.

Intelligente roboter lærer omtrent som mennesker

På samme måte som Alphazero, trenger ikke robotarmen ekstra programmering. Den lærer ved å øve og øve, ikke ulikt hvordan mennesker lærer gjennom å prøve og feile – og til slutt lykkes.

Det nye med Alphazero og den nevnte robotarmen, er at mens slike roboter tidligere måtte programmeres og omprogrammeres av mennesker når ny informasjon eller nye oppgaver kom inn, så trenger ikke de nye, intelligente algoritmene å bli omprogrammert. De programmerer seg selv gjennom prøving og feiling.

Lærende algoritmer inntar de fleste bransjer

Vi ser at kunstig intelligens og lærende algoritmer har uante anvendelsesområder. Det kan være innen fiskeri, jordbruk, skogbruk, industriproduksjon, bygging av 5G-nettverk, produksjon av båter og fly, kirurgiske roboter, lavkarbonproduksjon. Digitalisering av offentlig forvaltning og design av distribusjonskanaler. Det er altså uante muligheter for bruk av lærende algoritmer innen de fleste bransjer, og innenfor mange områder av samfunnslivet. 

Vi trenger en nasjonal strategi for KI og innovativt entreprenørskap

Men det er en begrensning på igangsetting av alle disse, nemlig kompetanse på hvordan lærende algoritmer utvikles og anvendes. Det er nemlig en flaskehals: kompetansen er fortsatt så liten at den er nesten ikke-eksisterende. Da kan man ikke sette i gang noe som helst på noen områder. Vi mangler en nasjonal strategi for både kunstig intelligens og innovativt entreprenørskap. Det må til for å øke kompetansen og konkurranseevnen.

Les også: Nye dataprogrammer hjelper bønder å dyrke mer og bedre korn

Lærende algoritmer koblet til ulike typer roboter kan distribuere læringen til andre lærende roboter, for eksempel hvis intelligente roboter i eldrepleien kobles til hverandre. I en slik situasjon ville alle de lærende robotene i dette nettverket lære av feil som ble gjort andre steder i nettverket.

Menneskelig kompetanse i førstelinjen

Man kan forestille seg hvilke forbedringer dette vil kunne føre til for både pleierne og for de eldre. I tillegg vil kostnadene reduseres på grunn av økt effektivisering av arbeidsoppgaver. Sluttresultatet kunne bli flere med menneskelig kompetanse i førstelinjen fordi de lærende robotene øker automatiseringen. Pleiere i eldreomsorgen som bruker disse robotene til ulike oppgaver, ville få en mindre stressende hverdag, færre tunge løft, og bedre tid sammen med de eldre.

Les også: Når mennesker og maskiner samarbeider for helsa vår

Det er altså ikke slik at ansatte skal skyves ut av eldreomsorgen, men at deres nye kompetanse blir enda mer etterspurt, fordi det er samarbeidet mellom den intelligente roboten og pleieren som gir den ønskede effekt.

Gi midler til entreprenører og forskning

Tiden da en Petter Smart satt i garasjen i Silicon Valley og utviklet innovasjoner, er et historisk fenomen. For å få frem innovasjoner som vil være avgjørende i fremtiden, er det i dag nødvendig med en klar og uttrykt politisk vilje som følges opp av økonomiske ressurser. Det er vanskelig for det politiske miljøet å håndplukke fremtidige industrier. Det er heller ikke poenget.

Politikerne må tildele forskningsmidler til entreprenører og til forskning, som så får samarbeide og konkurrere for å skape det nye. En vei å gå kan være at det politiske miljøet lærer av hvordan kunstig intelligens lærer ved å prøve og feile. I robotarmene i Japan og Sør-Korea får de et bilde av det ferdige produktet. Så er det opp til den intelligente robotarmen å lære hvordan man best mulig skal sette sammen delene til den helhet som bildet viser.

Spørsmålet er: hvilket bilde skulle man så gi til politikerne? Det kan jo være så enkelt som å si at de skal utvikle en politikk som fremmer innovasjon i næringsliv og offentlig forvaltning. Deretter kunne det politiske miljøet overlate de konkrete operasjonelle strategiene til konkurranse og samarbeid mellom de som jobber i praksisfeltet.

Når bildet på den ønskede fremtiden er etablert og de operasjonelle strategiSene igangsatt, ser det ut som tre tiltak fremmer utviklingen av innovasjon i næringsliv og offentlig forvaltning, nemlig konkurranse, samarbeid og samskaping.

Denne teksten ble publisert i Nordlys’ papirutgave den 22. juli 2024 under tittelen «Mangler nasjonal strategi».

Ta gjerne kontakt med oss! Send en epost til arve@parat.com

Denne artikkelen er også publisert på Høyskolen Kristianias nettsider.

Send spørsmål og kommentarer til artikkelen på e-post til kunnskap@kristiania.no. 

Les hele artikkelen på  Kristianias nettsider