- Næringen henger ikke med i kunstig intelligens-kappløpet

Per-Arne Andersen

Førsteamanuensis, Senter for forskning på kunstig intelligens Universitet i Agder.

Kunstig intelligens er en myteomspunnet teknologi, som mange forbinder med sci-fi-filmer som Terminator og iRobot. Mytene vokser når teknologientusiaster som Elon Musk snakker om at roboter snart vil erstatte alle yrker og etter hvert ta over hele verden, og at vi om få år kommer til å oppleve den første levende robot-medarbeider.

Morten Goodwin

Professor, Senter for forskning på kunstig intelligens Universitet i Agder. Foto: Ole Alvik.

Virkelighetens kunstig intelligens er noe helt annet enn nesten-levende roboter og jobber som forsvinner. Kunstig intelligens ikke er noe mer magisk enn dataprogrammer som er bygget på en spesiell måte. De fleste kunstig intelligens-programmer trenes opp istedenfor den mer tradisjonelle måten å lage dataprogrammet på som er å nøyaktig bestemme alt som skjer med regler. Ofte kaller vi disse opptrente dataprogrammene for algoritmer, og når algoritmene har lært seg å gjøre noe veldig smart, gir vi dem hedersbetegnelsen kunstig intelligens. Slik kan vi mate dataprogrammene med hva som helst av data, for eksempel bilder av friske og syke fisk, og la programmene lære seg mønstre som er typisk for den ene gruppen og utypisk for den andre og oppdage sykdom i fisk den aldri tidligere har sett.

Det har i de seneste årene vist seg at kunstig intelligens kan lære seg overraskende mye, til og med oppgaver vi trodde var forbeholdt oss menneske, som å gjøre medisinsk diagnostikk og tegne fantasifulle illustrasjoner.

I havforskning finnes det allerede smarte algoritmene som kan oppdage oppdrettslaks blant et mylder av villlaks, kjenne igjen algeoppblomstring, fiskesykdommer tidlig i fiskens liv, eller tolke torskens blæretromming. Det er rett og slett slik at med nok data, blir programmene smarte. Nettopp dette har mange industrisektorer fått med seg, og høster i dag enorm økonomisk vekst ved bruk av kunstig intelligens.

Mange tror også at fordi vi ikke helt forstår hvordan kunstig intelligens fungerer, kan vi ikke bruke den til å håndtere viktige aktiviteter som å oppdage sykdommer eller effektivisere oppdrettsanlegg. Sannheten er snarere at vi har god forståelse av hvordan moderne kunstig intelligens fungerer. Algoritmenes handling kan spores, både når de lykkes og når de mislykkes, og slik gir kunstig intelligens ofte økt innsikt når det brukes som beslutningsstøtte.

Økende databehov

Når vi mennesker skal lære noe, må vi trene. Dersom våre barn skal bli flinke til å lese, bør de lese mange bøker. Dersom de skal bli flinke til matematikk, må de trene på mange matteoppgaver. Slik er det med algoritmene også. Jo mer data vi gir en kunstig intelligens, jo mer har den å trene på, og jo flinkere blir algoritmene til å løse oppgaven vi har satt de til. I en kjent studie lagde forskere fra Stanford kunstig intelligens for å kjenne igjen hudkreft, men for å få algoritmen god trengtes bilder fra nesten 130 000 pasienter — flere bilder av føflekker enn vi får i Norge på flere tiår. Med så store mengder data, ble algoritmene gode – virkelig gode, og bedre enn trente leger.

I Norge har forskere også gjort studier på å gjenkjenne fisk som finnes i norske farvann, og har lovende resultater. Men på grunn av begrenset mengde data, klarer ikke algoritmene lære seg alle mønstre som gjenkjenner norske fisk. Det store problemet når vi utvikler kunstig intelligens er å finne store menger kvalitetsdata som er relevant for akkurat det problemet som skal løses. Det har vært et så stort problem, at de store teknologigigantene, som har rikelig tilgang på data, er de som også dominerer kunstig intelligens-bransjene. Vi andre lider av en datatørke.

Nå viser det seg at det et lys i enden av tunellen, for i de seneste årene har kunstig intelligens-forskere oppdaget en helt ny egenskap med algoritmene. Vi kan trene dataprogrammene opp i et fagområde hvor det er mye data, og flytte over algoritmen til et relatert fagområde. Slik kan vi gi algoritmene starthjelp for de oppgavene over det er vanskelig å få tak i nok data. Konsekvensen er kraftig redusert databehov for kunstig intelligens. Dette kalles overførbar læring og gjør at for eksempel algoritmene trent for selvkjørende biler som kan brukes til motoriserte undervannskameraer, og bildegjenkjenningsalgoritmer av landdyr kan være starthjelp for algoritmener for å kjenne igjen dyr under havoverflaten.

Den reelle konsekvensen er at kunstig intelligens ikke lenger er forbeholdt store teknologifirmaer med gigantisk datatilgang, men er tilgjengelig for alle med programmeringserfaring. Denne store datafleksibiliteten er grunnen til at vi ser kunstig intelligens brukt i mange industrier, for eksempel effektivisering av jordbruket ved gjenkjenning av sykdommer på planter automatisk plukking av jordbær, som gjør det mulig å opprettholde produksjonsvolum uavhengig av tilgjengelig arbeidskraft. Havnæringen kan høste lavthengende frukt for å effektivisere prosesser som i dag er manuelle, eller en gang ikke til stede. Enn så lenge, har dette latt vente på seg.

Norge vil bli størst innen sjømat

Norge har satt et ambisiøst mål om å bli verdens fremste sjømatnasjon innen 2050, der produksjon laks og ørret skal alene stå for en større omsetning enn hele marine industrien i dag. En større satsning på teknologi, og kunstig intelligens, kan hjelpe norsk oppdrettsnæring nå dette målet.

Dersom teknologien ikke brukes eller utvikles i Norge, er det utvilsomt slik at noen andre kommer til å gjøre dette. Det betyr en outsourcing av norsk næring, og på sikt gjøre Norge til en til et teknolgi-uland.

Teknologiselskapet Google har allerede etablerte storsatsninger innen seg i jordbruk som øker avlingene betraktelig, og har nå påbegynt prosjekter innenfor akvakultur. Kanskje ser vi snart at Google blir en ledende aktør innenfor akvakultur med “Google fiskestang” som overgår de tradisjonelle metodene som havindustrien i Norge baserer seg på. Google bruker kunstig intelligens over alt, fordi kunstig intelligens åpner opp for økt effektivisering og mer robust teknologi.

Kunstig intelligens kan skape verdensledende akvakultur

Det er enorme muligheter for kunstig intelligens innen havnæringene. De smarte algoritmene kan automatisk gjennomføre kontroll av vekst og utviklingsstadier til fisk samt sortere og klassifisere fisken avhengig av størrelse og helsetilstand. Kunstig intelligens kontrollere foring av fisk og minimalisere faren for menneskelige feil. Algoritmer for å tolke bilder avdekke fisk som rømmer anlegget eller oppdage lus i bestanden og anbefale rensefisk automatisk ved behov. Og kunstig intelligens kan brukes til å avdekke gode havforhold ved installasjon av nye anlegg, og mye, mye mer.

Dersom det virkelig er et ønske om at Norge skal få en tryggere, mer effektiv og mer bærekraftig havindustri innen 2050 trengs teknologier som kunstig intelligens, og Norske aktører bør være ledestjernen. Det er vi som har god kompetanse om fisk og teknologi. Hvis vi ikke satser, bør vi akseptere at kunstig intelligens kommer som bokser levert av noen få IT-giganter. Da kan vi like gjerne outsource sentrale deler av Norge til Google og Facebook.