Kva kan elevane læra som KI ikkje gjer betre? Ein introduksjon om KI i VGS Hans Georg Schaathun
NTNU, Noregs Teknisk-Naturvitskaplege Universitet
Torsdag 26. oktober 2023
Kva kan elevane læra som KI ikkje gjer betre?
Ein introduksjon om KI i VGS
ved Hans Georg Schaathun
Torsdag 26. oktober 2023
George Orwell, c. 1940; av Cassowary Colorizations; CC BY 2.0,
George Orwell: 1984 (1948) Storebror ser deg. Me kjenner sjølvsagt historia om 1984.
Hovudpersonen arbeider med å redigera gamle aviser slik at
historia heile tida underbyggjer narrativen åt styresmaktane.
Når landet sluttar fred med ein stormakt og går til krig mot
den andre, lyt gamle arkiverte avisene fortelja at den eine
alltid har vore venar og den andre alltid fiendar.
Propaganda og misinformasjon er ikkje nytt, men kunstig intelligens
og sosiale medium gjev moglegheiter som Goebbels bare kunne drøyma
om.
Mykje av dette handlar om korleis digitale kanalar kan
oversvømma oss med informasjon og misinformasjon.
Litt av det handlar om korleise intelligente algoritmar
kan velja ut misinformasjon for påverka kvar einskild mest
mogleg effektiv.
Me har ikkje fått dei tovegs fjernsynsskjermane som Storbror
bruker til å sjå deg ....
The Lady with the Lamp
(Wikimedia commons)
Mortality Chart due to Florence Nightingale
Florence Nightingale er kanskje best kjend som the lady with the lamp, den omsorgfulle sjukepleiaren på det engelske feltskjukehuset under Krimkrigen.
(fragment)
Ho er kanskje mindre kjend som statistikar, til tross
for at ho var ein banebrytande pionér.
På feltsjukehuset registrerte ho møysommeleg data m.a.
om kor mange som døydde og kor ofte lækjarane vaska
hendene.
NB! Ho fann statistiske samanhengar; ikkje årsakssamanhengar.
Kan henda var det slik at når mange pasientar var svært sjuke
og døyande, so hadde ikkje lækjarane tid til å vaske hendene,
slik at mange dødsfall forårsakar dårleg hygiene.
På det punktet lærte helsevitskapane meir utover 1900-talet.
Korelasjon versus kausalitet
Lineær Diskriminant Eg er dårleg på å teikna fire dimensjonar, men dersom han hadde
to mål, kunne det sjå slik ut.
Kvart punkt er eitt individ, og her har me ein blå og ein raud art.
Kvart individ har eitt mål på $x$-aksen og eitt på $y$-aksen,
Fisher delte dei to artane frå kvarandre med ein rett line.
Her ser me ei god og ei dårleg line; Fisher fann ein matematisk
formel for den gode lina.
No kan me måla eit ukjend individ, og raskt sjå kva side av
line individet høyrer heime på, og gjetta på den arten.
Det er ikkje 100%, men me har godt sannsyn.
1950-talet: Maskinlæring ad hoc ! 1980-talet: Maskinlæring er statistikk. rundt 2005: Vektorprosessorer (GPU) siste ti år: djupe nevrale nettverk Rosenblatt (1957) viste fram trening av nevralt nettverk
for å løysa klassifiseringsproblem, men han
justerte vektene manuelt.
Det er fyrst på 1980-talet at ein får effektiv trening
av nevrale nettverk, og skjøner at dette handlar om
usikkerheit og sannsyn.
For tjue år sidan fekk me vektorprosessorar, som fyrst vart
brukte på skjermkort og kom i masseproduksjon til spillkonsoll.
Ein oppdaga derimot ganske raskt at dei var uhyre effektive til
å rekne på store datamengder.
For ti år sidan lossna det verkeleg for nevrale nettverka.
Vektormaskinene gjorde at ein kunne bruka større nettverk og
testa meir og raskare, og ein fann nye nettverksarkitekturar.
Likevel, me hanskast framleis med dei same utfordringane rundt
usikkerheit og sannsyn som har utfordra statistikarane i 200 år.
Representative Data
Dersom du skal gjera ein meiningsmåling for å vurdera oppslutning
om ulike politiske parti, so vil du ikkje vera nøydd med å spørja
eit par hundre lærarar som er til stades i dag.
For det fyrste er eit par hundre litt knapt.
For det andre er ikkje lærarar særleg representative for nasjonen
som heilskap. Industriarbeidarar, lækjarar, lærarar og næringslivsleiarar
har ein tendens til ulike meiningar.
Mange har brukt maskinlæring i tilsetjingsprosessar.
Maskina er trent på representative data frå fortida, der den typiske
tilsette har vore ein kvit mann med sivilingeniørutdanning frå Trondheim.
Då vil maskina halda fram med å velja kvite menn med
sivilingeniørutdanning frå Trondheim.
Afrikanske invandrarar, kvinner og musikarar frå Noregs Musikkhøgskule
er akkurat like feil so langt som maskina kan sjå frå data.
Human computers in the NACA High Speed Flight Station
"Computer Room," at the Dryden Flight Research Center Facilities.
(Wikimedia Commons)
Matematikken har vore med på dette ein gong før.
På 1950-talet var der mange studentar som fekk sin fyrste
jobb som computer .
Det er lenge sidan eg såg ein slik jobb utlyst.
Stadig får rekneferdigheitene til computers stor vekt
på eksamen.
Studentane som eg møter på universitetet manglar viktige
matematikkompetansar i matematisering og modelering,
i kommunikasjon om og ved hjelp av matematikk, og
resonneringsevner.
Dei er trente i å rekna utan å forstå.
Men matematikken kan me ta ein annan gong.
Demokrati
Dei som underviser samfunnsfag har ein kjernerolle i forsvara demokratiet.
Det er avhengig av eit godt opplyst elektorat som veit å tenkja kritisk.
Medieforståing, kjeldekritikk og debattkultur har alltid vore sentralt,
men den verda som ein lyt forstå endrar seg, både fordi me vert oversvømd
av meir stoff gjennom nettet, fordi opprinninga og kvalitetssikringa
oftare er uklar, og fordi mykje av stoffet er maskingenerert.
Eg har ingen svar som de berre kan ta med dykk og forklara til elevane.
Spørsmålet om kva elevane lyt læra må utforskast av faglærarane
i kvar einskild disiplin.
... gjerne saman med elevane i klasserommet.
Det handlar om utfordringar og dilemma som må utforskast og drøftast
på nytt for og av kvart nytt elevkull.
Det kan godt vera at me kan samarbeide, men det er ikkje AI-ekspertane
som eig problemet. Samfunnsvitskap er framleis samfunnsvitskap og
treng samfunnsvitarar, sjølv om AI endrar samfunnet radikalt.
Det moderne universitetet handlar ikkje om teknologi,
men om kritisk tenking. Idealet går like tilbake til antikken.
Sokrates er kjend for korleis han utfordra etablerte førestillingar.
Ved utgangen av opplysingstida rundt 1800 fann ein at universiteta var
gått ut på dato. Det nye universitetet måtte utfordra det etablerte faget
og stadig tolka det på nytt saman med studentane ettersom verda utvikler seg.
Wilhelm von Humboldt er ikkje den største tenkjaren, men han er viktig
fordi han òg var utdanningsminister i Prøysen.
Kan du gå god for svaret som du får frå KI?
Veit du at KIen har gjort godt arbeid? eller stoler du berre blindt?
.jpeg){kind=link}
