AI/kunstig intelligens
Overlad regnestykket til AI – ikke beslutningen
- juni 23, 2022
Tejs Scharling
Principal Solution Architect
Mængden af information, som en kunstig intelligens kan rumme og regne på, er uden sammenligning med den beskedne mængde, vi mennesker kan overskue. Det ved de fleste, og især dem der har taget AI i brug.
Det er blevet en gængs løsning, at man lader den kunstige intelligens tygge på ens data og komme med det bedste løsningsforslag på et givet problem. AI er især anvendeligt til at optimere og effektivisere, fordi vi med teknologien kan se mønstrene i, hvornår der er spild. Det kan eksempelvis være spild af køretimer, når busserne kører deres ruter.
Når man læser gode råd om AI og hører ordsproget ”crap in, crap out”, så er det ikke kun en bemærkning om, at dårlige data fører til ubrugelige resultater. I det hele taget er det en kommentar til, at som man spørger, får man svar.
Vigtigt at bruge rigtige data
Så hvis vi vil vide, hvordan vi kan spare penge på at optimere busruter og fodrer en AI-model med data om antallet af passagerer, så vil vi hurtigt få nogle klare bud på, hvilke ruter og afgange der kan nedlægges.
Men hvis man samtidig bestræber sig på at være et serviceminded busselskab, så kan man ødelægge sin forretning ved at overse data om, at man som det måske eneste busselskab når ud til gangbesværede borgere i udkanten af en lille by. Og måler vi på den klimamæssige gevinst ved busdrift, så kan de manglende ture til udkanten af byen betyde, at flere investerer i en bil, og så er den klimamæssige gevinst forsvundet.
"Derfor er det interessant at få den kunstige intelligens til at komme med et forslag til et handlingsrum, hvor de forskellige konsekvenser af forskellige beslutninger er vægtet."
Det er derfor værd at tænke flere parametre med i sine overvejelser og at bringe flere data i spil. Men vigtigere endnu er det, at vi i fremtiden ikke lader den kunstige intelligens træffe beslutningen for os, selvom den kan komme med det bedste bud. For forskellige beslutninger giver forskellige ringe i vandet. Derfor er det interessant at få den kunstige intelligens til at komme med et forslag til et handlingsrum, hvor de forskellige konsekvenser af forskellige beslutninger er vægtet.
Det er ikke noget nyt, at man skal vægte økonomi, service og bæredygtighed, men i fremtiden kan vi forhåbentlig gøre den vægtning væsentligt mere kvalificeret med kunstig intelligens.
hot topic
Vores mest læste indlæg
bliv klogere på tech
Relateret viden
Udnyt realtidsdata til at forudsige og forbedre driften i kommunen
For kommuner, byplanlæggere og arkitektvirksomheder kan det være særligt interessant at måle på grønne kørselsmønstre, eller på hvordan byrum bliver brugt ved at forholde sig til data om bevægelsesstrømme. Og der bliver hele tiden bedre mulighed for at indsamle data om vores virkelighed fra de ting, der bevæger sig rundt om os, og som vi bevæger os rundt imellem. Det betyder, at vores ageren i den fysiske virkelighed hurtigt bliver omsat til data, der giver os et realtidsoverblik.
Er talegenkendelse kun noget for unge, hvide mænd? Det synes vi ikke.
De store techselskaber koncentrerer sig om deres kernemålgrupper, når de skal udvikle sprogmodeller, der fungerer fra tekst til tale. Derfor fungerer talegenkendelsen bedre, hvis du er en ung, hvid mand fra København, men ikke hvis du er kvinde, sort, oppe i årene eller taler dialekt.
Supersoftware finder den bedste løsning
Dataopsamling, maskinlæring og kunstig intelligens er på alles læber i de her år. Men det er ikke lige nemt at implementere teknologierne for danske SMV’er.
Forklaringer som vejen til bedre modeller
Når vi taler om forklarlig kunstig intelligens, så er omdrejningspunktet tit, hvordan vi får forklaret computerens beslutningsproces, så alle kan forstå det. Det er dog ikke kun i teknologiens møde med slutbrugeren, at forklaringer har værdi. Når vi udvikler ny teknologi, kan forklaringer illustrere, hvordan en model vægter data i sin beslutning, og herunder hvad der måske vægtes uhensigtsmæssigt. Den information kan så bruges til at justere sammensætningen af den data, vi træner på og selve træningsprocessen, så vi kan forbedre vores model.
