Menneske som sluttar å tenkja ... og litt om maskiner som tenkjer i staden Hans Georg Schaathun
NTNU, Noregs Teknisk-Naturvitskaplege Universitet
Torsdag 4. januar 2024
Menneske som sluttar å tenkja
... og litt om maskiner som tenkjer i staden
ved Hans Georg Schaathun
Torsdag 4. januar 2024
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 levera persontilpassa informasjon og misinformasjon for
påverka kvar einskild mest mogleg effektiv.
Me har ikkje fått dei tovegs fjernsynsskjermane som Storbror
bruker til å sjå deg ....
Maskinlæring Camelia.boban, CC BY-SA 3.0 via Wikimedia Commons
Me høyrer ofte maskinlæring og kunstig intelligens om kvarandre.
Overlappen er stor, men det er ikkje det same.
Kunstig intelligens legg vekt på eit mål:
autonome maskiner som tek avgjerder, like smart som eit menneske.
Maskinlæring legg vekt på ein metode:
bruka store datamengder til å finna kva som statistisk sett kan
vera fornuftige avgjerdsler.
Maskinlæring kan vera ein viktig byggjekloss både for
KI og for menneskelege avgjerdsler, og det er maskinlæring som
har sett dei store framstega dei siste par åra.
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.
1850-talet: Datadrivne avgjerdsler 1880-talet: Modellering av usikkerheit og tilfelle 1950-talet: Maskinlæring ad hoc ! 1980-talet: Maskinlæring er statistikk. siste tjue år: Vektorprosessorer (GPU) frå spelkonsoll siste ti år: djupe nevrale nettverk
Der er ingen klar grense mellom maskinlæring og annan statistikk.
Datamaskiner let oss berre handtera større datamengder.
Dei fyrste idéane om kunstig intelligens kom rundt 1950,
men det var fyrst på 1980-talet at ein såg samanhengen medtil statistikk.
Med det kom forståinga av usikkerheit og sannsyn og
effektiv maskinlæring.
For tjue år sidan slo spelkonsolla med visualisering av tredimensjonale
scener.
Vektorprosessorar som vert brukte i skjermkortet viste seg ogso å
vera egna til tungrekning og maskinlæring.
Dette vart eit kvantesprang.
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.
Statistikk med handrekna formlar. Maskinrekning pga. mange «tunge» rekneoperasjonar Maskinrekning pga. mange fridomsgradar Maskinrekning pga. store datamengder Maskinrekning fordi lukka formlar ikkje er kjende (Iterative søk) 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.
