Hvad er kunstig intelligens egentlig? ChatGPT har brudt den teknologiske lydmur i en sådan grad, at mange nu sætter lighedstegn mellem den kloge robot og al anden kunstig intelligens. Men kunstig intelligens er meget andet og mere, forklarer seniorforsker Kasper Edwards fra DTU, som her hjælper med at sætte begreberne på plads for at forstå, hvor den kan bruges til hvad.
Den offentlige forståelse af – og forskrækkelse over – kunstig intelligens, er eksploderet. ChatGPT leverede et sjældent spring i forståelsen af, hvad kunstig intelligens er, og siden er rigtig mange blevet opmærksomme på, at kunstig intelligens findes og kan løse mange af vores opgaver for os”.
Sådan siger Kasper Edwards, ph.d. og seniorforsker på DTU, hvor han forsker i strategisk arbejdsmiljø og produktivitet, bl.a. med fokus på de nye teknologiers betydning. For at forstå at kunstig intelligens (AI) favner videre end ChatGPT og for at blive klogere på, hvor AI kan bruges og til hvad, har vi bedt ham rede begreberne ud.
– ChatGPT er én afart af AI – en avanceret sprogmodel, en såkaldt generativ transformer, som dybest set er trænet til at kunne associere. Hvis du skriver: ”Der var engang …”, vil den vide, fordi den er trænet på enorme mængder tekst – et statisk datasæt – at det mest sandsynlige videre i sætningen er noget i retning af: ”… en konge og en dronning, som havde en smuk prinsesse”. Det er dybest set det, den kan – og ikke andet. Det samme kan Googles Bard og Microsofts Bing. De rummer grundlæggende samme viden, fordi de har drænet det samme internet for data.
Og, forklarer Kasper Edwards videre, fordi det ligner vores måde at agere eller tænke på som mennesker, og fordi der ligger et neuralt netværk af statisk data bagved, som gør, at det kan svare på spørgsmål, kalder vi det for ’kunstig intelligens’. Men dybest set er det en maskine, som er oplært til noget bestemt.
– En af teknologierne bag ChatGPT kaldes ”maskinlæring”. Og det er allerede i brug i den offentlige velfærd, fx i mammografi. Man har taget tusindvis af brystscreeninger ud, fordret dem ind i en maskine og fortalt den: ”Det her er et sundt bryst, og det her er et bryst med kræft”.
Ifølge dr.dk er det i Region Hovedstaden AI, som foretager den første vurdering af lavrisikogruppens røntgenbilleder, mens en speciallæge i radiologi vurderer resultatet som nummer to. Det sparer speciallægerne for omkring 70 % af førstevurderingerne.
– Det aflaster jo lægerne på den måde, at de får en større volumen af mammografier, de kan nå at gå igennem. Ikke, at det er computeren, som afgør, om brystet er sundt eller ej, men den assisterer lægen i arbejdet, siger Kasper Edwards.
Når vi ringer 112 for at få fat i politi, brandvæsen eller ambulance, lytter kunstig intelligens også med på, hvad der bliver sagt.
– Computeren lytter efter alarmsignaler i det, som borgeren fortæller i alarmopkaldet, og så snart systemet tror, der er risiko for hjertestop, popper der en rød alarmboks op på skærmen. Der sidder kloge mennesker og tager imod, men de kan godt blive fanget af det, patienten fortæller, og måske ’gå lidt ud ad en tangent’ og overhøre noget vigtigt, fx en risiko for hjertestop. Så her er kunstig intelligens med til at kvalitetssikre den rette respons. Og det er faktisk ikke voldsomt avanceret. Det handler om at få analyseret, hvad der bliver sagt, og når fx ordene ”stråler ud i venstre arm”, bliver sagt, så flager den, at her kan være tegn på en blodprop i hjertet. På den måde bliver kunstig intelligens et støttesystem for medarbejderne.
”Må vi optage opkaldet?”
Når vi ringer til en offentlig instans og bliver mødt af en computergenereret stemme, som spørger: ”Må optage opkaldet til brug for træning”, ligger der ofte en kunstig intelligens bag. Her er ingen interaktion, men der foregår en transskribering af samtalen, som betyder, at computeren ved, hvad den skal gøre, hvis du svarer enten ja eller nej.
I digitaliseringen af den offentlige sektor har begrebet ”algoritmeledelse” også været oppe at vende. Men algoritmer er ikke kunstig intelligens, understreger Kasper Edwards.
– En algoritme er en regel, fx i matematik, når vi dividerer eller ganger tal, og derfor ved vi præcis, hvilket svar vi får – fordi det bygger på faste regler. Mens kunstig intelligens som ChatGPT godt kan ’lyve’, fordi den associerer frit. Beder du den lave en rejseplan til Ecuador, har den store mængder viden om landet og laver en plan. Og den gør det på en måde, så den efterligner et format, som den har set før, fx en rejseplan. Den genfinder simpelthen mønstre i ord eller billeder og associerer frit ud fra dem. Men den kan altså ’hallucinere’ af og til, og det gør dens anvendelighed lidt problematisk, siger han.
Trods navnet ”kunstig intelligens” har AI ikke de samme forudsætninger, som vi mennesker har. Og derfor er der også områder, hvor den ikke kan bruges.
– Den kan ikke lave en faglig vurdering i en børnesag, som en socialrådgiver fx kan, fordi den ikke har samme viden baseret på erfaringer og menneskelig intuition og skøn. Og derfor vil den ikke kunne vurdere eksplicit, hvilke regler, love og fagligt skøn der skal bruges i sagen, siger Kasper Edwards.
Jo mere avancerede systemerne bliver, desto større vil kravet til os blive om at gøre ’den sidste del’ bedre. Man lærer ikke et håndværk, fx det at skrive, ved at bede robotten om at gøre det for sig. Derfor bliver kvalitetssikringen og det at forfine resultaterne rigtig vigtig.
Hvor passer AI ind i det offentlige?
Den store opgave, mener Kasper Edwards, er nu at finde ud af, hvor kunstig intelligens passer ind i de offentlige forretningsmodeller og opgaveområder.
– Hele sundhedsområdet, både i kommuner og på hospitalerne, er jo oplagt. Her vil vi se mange forskellige ”subsystemer”, som er trænet til at se mønstre. Der bliver jo samlet store mængder data op begge steder, som ikke endnu bliver brugt systematisk eller uopfordret. Det kan AI.
Et ”subsystem” kan fx være jordemødre, som får mange opkald fra fødende kvinder. Her kan AI – ligesom i 112 – kortlægge, hvad der ofte bliver spurgt om, og som mindre erfarne jordemødre kan følge sig trygge ved at svare på.
– Og så kan man bruge de meget erfarne der, hvor der virkelig er brug for dem. Det er både kvalitetssikrende og ressourcebesparende, siger Kasper Edwards og nævner også fx telefon- eller e-mailsupport 24/7 som et bud.
Han peger også på tekniske områder som fx vandstandsmålinger, transport- og ruteplanlægning. Og ikke mindst hele uddannelsesområdet.
– AI er jo læreren med den uendelige tålmodighed. I dag er der 20 elever om en lærer, men en robot kunne hjælpe ved at simulere forskellige situationer. Det fjerner ikke lærerne, men giver dem overskud til at hjælpe de elever, som har særlig brug for det.
Gør selv arbejdet færdigt
Vi har kun set toppen af isbjerget, når det handler om potentialet i disse systemer, vurderer Kasper Edwards, som her også sætter fingeren på et par vigtige opmærksomhedspunkter.
– Jo mere avancerede systemerne bliver, desto større vil kravet til os blive om at gøre ’den sidste del’ bedre. Man lærer ikke et håndværk, fx det at skrive, ved at bede robotten om at gøre det for sig. Derfor bliver kvalitetssikringen og det at forfine resultaterne rigtig vigtig. Jeg bruger selv ChatGPT som inspiration – et værktøj, som kan øge min produktivitet. Men den må ikke være en sovepude, som gør os dummere. Derfor er vi nødt til at sætte regler og retningslinjer op for brugen af den, fx i skolerne.
Endelig skal man være opmærksom på, at alle systemer kan have en bias.
– Vi skal forstå, at robotterne nogle gange reagerer på noget forkert. De er trænet til at se mønstre på datasæt, som også er biased. Det vil farve systemet og derfor også resultaterne. Det kan udgøre en risiko, hvis man bruger AI i fx sagsbehandling eller rekruttering. Hvis en virksomhed fx tog alle ansøgninger igennem tiden og fodrede maskinen med dem, ville den jo kun få data på dem, som havde søgt stillingerne. Men hvad med alle dem, der ikke søgte? Måske er det dem, vi gerne ville have, siger Kasper Edwards.