For ikke lenge siden kom nyheten om at regjeringen bevilger 1 milliard kroner til forskning på kunstig intelligens. I regjeringens pressemelding kunne forsknings- og høyere utdanningsminister Sandra Borch (Sp) fortelle at vi trenger «mer forskning, mer innovasjon og mer kompetanse for å få tatt i bruk de nye teknologiene».
Men hva mener egentlig politikere og andre når de bedyrer viktigheten av mer kompetanse om KI?
Et hav av anvendelser
Anvendelser innen kunstig intelligens har skutt fart de senere år, og det er den delen av KI som kalles maskinlæring, som står for de fleste av anvendelsene. Maskinlæring lar dataprogrammer «trenes» av data. Maskinlæring brukes i tekstgenerering slik som Chat GPT, i selvkjørende biler for å planlegge hvor du skal kjøre og for å oppdage hindringer i veien, i ansiktsgjenkjenning, i anbefalingssystemer som kan foreslå en ny film du kommer til å like basert på hva du har sett før og så videre.
Inspeksjon av autovern
Forskere ved NTNU i Ålesund har samarbeidet med et firma om utviklingen av en løsning der KI brukes for å detektere feil og mangler i autovern. Uten KI ble kontrollen av autovern gjennomført manuelt: Én person var passasjer i en bil og satt og fulgte med på autovernet (i time etter time!), én person var fører av bilen (som kjørte i 20 km/t slik at det ble tid nok til å inspisere autovernet), og én person kjørte en bil bak med varsellys og skilt for å passe på at ingen krasjet inn i bilen foran (denne kjørte jo veldig sakte).
Ved hjelp av kunstig intelligens kunne denne deteksjonsprosessen automatiseres. Et dataprogram ble «trent opp» og kunne deretter brukes til inspeksjonen i sanntid – og eliminerte dermed behovet for at tre mennesker måtte kjøre rundt og se på «autovern minutt for minutt».
Kompetansebehov
Denne peaken sparte Kårstø for 300 millioner kroner
Hvis du tilfeldigvis har ansvaret for inspeksjon av autovern i kommunen din, tenker du nå kanskje at dette er noe dere må skaffe dere! Og ja, det er kanskje en veldig god idé. Men før du går til innkjøp av teknologien, bør du forsikre deg om at den har god kvalitet.
Hvordan gjør du dette? Hva slags kompetanse trenger du?
I et nylig oppstartet forskningsprosjekt samarbeider forskere fra Høgskulen i Volda, NTNU og Universitetet i Agder med lærere i Møre og Romsdal for å undersøke hvordan matematikklæreren i grunnskolen kan legge grunnlaget for at eleven kan utvikle kompetanse som er relevant i et samfunn der flere og flere avgjørelser blir tatt basert på kunstig intelligens.
Alle kan ikke fordype seg i detaljene i algoritmene og være med å forske frem raskere, bedre og mer treffsikker teknologi. Men spørsmålet om innkjøp av KI for inspeksjon av autovernet kan ikke kun settes bort til KI-eksperter. Heldigvis, selv uten dyp og komplisert teknisk forståelse er det mye du kan gjøre.
Ulike typer feil
Det første du kan gjøre er å undersøke hvor treffsikkert systemet er. Hvor mange feil på rekkverket vil ikke bli oppdaget av det KI-baserte systemet? Må systemet oppdage alle feil, eller er det tilstrekkelig om systemet oppdager 9 av 10 feil? En annen utfordring med slike systemer er falske alarmer. Detekterer systemet feil som ikke finnes i virkeligheten? Når reparasjonsbilen kommer for å reparere autovernet, viser det seg at det ikke var en feil der likevel.
Videre kan vi lure på om systemet gjør systematisk feil. Kanskje er det slik at systemet er spesielt velegnet for å detektere rustne bolter, men i tilfeller der hele autovernet har kollapset og falt i grøftekanten, vil dette ikke detekteres.
Selv kan jeg omtrent ingenting om autovern, men det vil ikke overraske meg om noen typer feil er mer kritiske enn andre. Det kan også hende at systemet gjør en god jobb kun i noen typer vær. Kanskje fungerer systemet dårlig i sterkt sollys eller hvis det er rim eller snø på autovernet.
Treningsdata
Maskinlæringsalgoritmer er helt avhengig av gode og relevante treningsdata. Dersom treningsdataene inneholder feil, for eksempel hvis bilder av autovern uten feil og skader er klassifisert som feil, vil dette påvirke algoritmens presisjon. Dersom treningsdataene består av bilder av en spesiell type autovern, er det ikke sikkert dette kan nyttiggjøres i deteksjon av en annen type autovern.
Best ikke å forsøke?
Vi kan altså komme et stykke med innsats og sunn fornuft. Men dette betyr ikke at dypere forståelse for matematikken som ligger bak, er overflødig. Hva kan skolene gjøre for å tilrettelegge for at elevene utvikler slik forståelse og kompetanse? Kanskje er inngående kunnskap i maskinlæringsalgoritmer nødvendig, men det kan også hende at dette oppleves så vanskelig og komplisert at det er best ikke en gang å forsøke. Bør elevene lære mer programmering? Er god forståelse for statistikk nøkkelen?
I forskningsprosjektet vil vi bidra til å belyse disse problemstillingene. I prosjektet vil en rekke ulike undervisningsopplegg relatert til KI, matematikk og programmering utvikles og utforskes. Oppleggene vil prøves ut i praksis – og grundig evalueres for å identifisere opplegg som fungerer godt.
Markedet skriker etter dem: Kan forvente å øke lønna med 25 prosent
