Silvija Seres: Hei, og velkommen til Lørn med SR-Bank i dag. Vi er i Stavanger, tema er kunstig intelligens, og gjesten min er Lars Selaas som er daglig leder i Boost AI. Velkommen.

Lars Selsaas: Takk. 

Silvija: Lars, jeg har rett og slett hørt så mye bra om Boost AI, og vært nysgjerrig på dere lenge, så jeg har gledet meg veldig til denne samtalen her. Vi skal snakke om kunstig intelligens anvendt på språk og språkgjenkjenning og da kanskje spesielt på norsk. Jeg vil veldig gjerne høre litt om hvem du er og hva som er din historie med Boost. 

Lars: Jeg er Lars Ropeid Selsås. Min bakgrunn er fra Computer Science. Har og bodd en del år i USA. Det er der jeg fikk skikkelig interesse for kunstig intelligens og maskinlæring. 

Silvija: Og volleyball? 

Lars: Den hadde jeg jo før jeg dro til USA. 

Silvija: Hvor i USA? 

Lars: Det var i Silicon Valley, så jeg bodde i Mountain View. 

Silvija: Jobbet da, eller studerte? 

LarsS: Jeg jobbet. Jeg startet Think Big Analytics, og så gikk jeg over til Gambit. 

Silvija: Kult. Hva brakte deg tilbake til Norge da? 

Lars: Det var jo det at vi starta Boost som var hele grunnen til å dra tilbake igjen. Jeg hadde brukt mange år på å spesialisere meg på maskinlæring og kunstig intelligens, og hadde egentlig planer om å starte et firma lenge. Men ville være på et veldig høyt kompetansenivå og velge en god timing i markedet. Så føler at vi traff ganske bra på det. 

Silvija: Ja. Fortell litt om hva det var som motiverte deg til å lage Boost. Jeg tenker språk og kunstig intelligens, men hjelp meg å forstå hva som er greia. 

Lars: Vi hadde jo en veldig sterk kompetanse innenfor kunstig intelligens og maskinlæring. Det var hovedtyngden i firmaet, og hoved konkurransefortrinn. Og så skulle vi snakke med flere bedrifter som skulle finne interessante usecase, lage produktet og tjene penger på det. Så vi hadde jo ikke egentlig et produkt da vi starta firmaet. Det var da vi traff SR Bank. Og vi diskuterte litt fram og tilbake med de om forskjellige ting, og det kommer det opp, dette med virtuell assistent. 

Silvija: Som er en slags chat-bot? 

Lars: Du kan kalle den det. Den har jo mange navn. Det er en datamaskin som snakker med mennesker. 

Silvija: Forstår språk og kan svare fornuftig. 

Lars: Ja. SR Bank ble jo plutselig en veldig lite tradisjonell bank, da de plutselig kjøpte opp PCer og jobbet lokalt på bygget, for å unngå reguleringer på data og sånt. Da kjøpte de kraftige PCer med GPU, da vi trengte prosessering-kraft. 

Silvija: GPU – graphical processing unit. Hvorfor er det interessant når du skal prosessere språk? 

Lars: Det er fordi du kan prosessere mye mer, kjappere. 

Silvija: Det funker like godt på språk som på bilder? Når det gjelder kunstig intelligens? 

Lars: Ja, det funker på mange forskjellige områder og algoritmer. Så det at du får opp mange flere prosessorer som jobber sammen og kan gjøre mer computation. 

Silvija: Og så begynte dere å prøve å lage noe som forstår norsk bedre enn andre verktøy? Eller var det engelsk? 

Lars: Nei, det begynte med norsk, men vi har laget en teknologi som er veldig språk-uavhengig. Som har veldig lite av den tradisjonelle måten å forstå språk på som på en måte tar utgangspunkt i den eksisterende grammatikken og så videre. Så teknologi gjorde seg basert på at datamaskinen får data, og da vil den lære seg sine egne varianter av grammatikk, og sin egen forståelse av hvordan språk er bygd opp.  Og så har vi et par enkle baseressurser på hvert språk, som finnes i hvert språk omtrent, og sånn så kan vi gå på hvilket språk vi vil veldig enkelt. 

Silvija: Fordi der har det skjedd noe. Lær oss litt om kunstig intelligens på språk. Altså da Whatson vant over disse gutta i Jeopardy, så var det et ganske stort gjennombrudd på i hvert fall NLP, natural language processing, og det var fordi at da klarte man å innføre en del semantikk. Man klarte å kjenne igjen deler av setningen. Dette er navn og dette er subjektiv og så videre, og klarte man å relatere det til masse informasjon. Og så skjedde det noe veldig spennende, nå for kanskje to år siden eller ett år siden, da Google anvendte Deep Learning på sin språkgjenkjenning, hvor man da bruker maskinlæring på helt nye måter å forstå språk på. Hva er det som er vanskelig i språkgjenkjenning? Hva er det som er gjennombruddene? 

Lars: Det har jo på en måte vært tre hovedstadier. Hvis man skal forenkle det veldig mye. Den første var bare nøkkelordbassert. 

Silvija: Du gir kommandoer. 

Lars: Hvis de nevner bagasje, og du er flyselskap, så får du liksom alle ting som har med bagasje å gjøre. Det er kun nøkkelord. Det var tidlig i starten. Så var vi tilbake på semantikken og grammatikk-delen som kom etterpå. Den er da basert på for eksempel at man trener modell på masse journalist-skrevne artikler, og så skal du da liksom finne ut hvordan henger ord sammen basert på hvordan grammatikk fungerer. Den har jo på en måte sine svakheter, fordi når mennesker chatter, så er det jo ikke så ofte mennesker følger grammatiske regler og skriver på en måte sånn som den type modell hadde tenkt at var rett. Det som er rett grammatikk er jo rett måte å gjøre det på. Så hvis du bryter disse reglene som vi har definert i språket, så vil jo det få ganske mange utfordringer. Så er det veldig spennende med den siste, den vi kjører mest på nå, og den er mer på at du forstår språket selv. Du sier til datamaskinen at folk har snakket på denne måten rundt dette, og uten at du gir noen tegn på hva som betydde noe i det, men du sier at det er en måte å snakke om det på. Så finner datamaskinen ut av hva som skjer, og hva som betyr hva. Så det er mye mindre definerte regler i datamaskinen, og i mye større grad at datamaskinen finner ut hva ting betyr selv. 

Silvija: Det skjedde noe ganske magisk da man gikk fra å bryte setninger ned i ganske små elementer, ett eller to, tre ord av gangen. Med Google Translate blant annet. Hvis du kjørte et dokument der inne gjennom Google Translate, så var det veldig tydelig at det var en automatisk oversettelse. Til den plutselig begynte å se på hele setninger, og så lærte den seg også akkurat hvordan man skal si de setningene korrekt. Det fungerte så bra på en av de siste Google-konferansene, at de fikk negative reaksjoner fra omverdenen. Fordi folk ble tatt litt på senga. Husker du da den frisørtimen ble bestilt? Folk ble fornærmet av at de ble lurt av en maskin. 

Lars: Ja, det er to litt forskjellige ting da, selvfølgelig. Den frisørtimen er jo et klassisk eksempel hvor de ikke har vist den tjenesten live og vi ser på alle konkurrentene våre at det ser veldig mye bedre ut før du faktisk får lov til å teste saker, og jeg ville hatt en veldig stor skepsis til alt som blir presentert, hvor du ikke har muligheten til å faktisk teste det. 

Silvija: Prøve å forvirre den litt. 

Lars: Demoer er jo ofte veldig enkle å få til. Jeg skal ikke påstå at den ikke virker, fordi det vet jeg ikke, men normalt sett når du ser sånne demoer, så er de en del dårligere enn det som er realiteten. Det er sikkert flere som har opplevd det mange ganger. 

Silvija: Så hvem bruker Boost AI? 

Lars: Vi har store kunder. Vi har alle de største bankene i Norden: DNB, Nordea. Vi har jo store Telekom. Store firmaer som driver i tungindustrien. Mange kommuner, offentlig sektor og flere land. Så det er ganske bredt spekter. 

Silvija: Og dere forstår spoken word, altså muntlig og skriftlig. Nordiske språk ekstremt godt. Er det det som er hoved-innpakningen? 

Lars: Det er jo skriftlig språk vi jobber mest med, men det er mulig vi kobler på en tale til tekst eller tekst til tale komponent på toppen da. Det er litt sånn det fungerer. Du prosesserer jo ordene, og hva de betyr, separat fra en komponent som gjør det om til lyd og så tilbake igjen. Det er den biten der som er vår spesialitet, med mulighet for å koble seg opp mot en Google Home eller Excel eller hva det skal være, og få tale på toppen da. 

Silvija: Hvorfor skal selskaper bruke dette her? 

Lars: Vi gir selskap veldig god return of investment. Det er en god grunn at man skal få en return. 

Silvija: På hvilken måte? 

Lars: De får en bedre kundeopplevelse. Det er vanskeligere å måle direkte. Hva betyr det? Det er bedre automasjonklarhet. 

Silvija: Automasjon. For en bank for eksempel: Hva betyr det? Hva skal de automatisere av språkanalyse? 

Lars: Den beste måten å måle det på er at du får en nedgang i eksisterende trafikk som går til mennesker. Hvor du ikke har bygget en kanal med masse trafikk, men hvor du ser at det blir en nedgang, at du faktisk tar volum, så den pluss kundeopplevelse og muligheten til å legge inn litt salgs-elementer som er det mest spennende. Spesielt i en tidlig fase. Vi prøver å jobbe veldig mye med at vi skal få en ROI på kunden tidlig. Og så bygge et mer og mer avansert på prosjekt basert på det. Men det er veldig viktig at en bedrift får en return i en rimelig tid. At du ikke bare selger en langtidsdrøm på langt inn i fremtiden en gang så skal du få noe, men at vi kan innen en rimelig tid, få en veldig god return, tror jeg er en stor nøkkel for bedrifter. 

Silvija: Hvor langt unna er vi i en teknologi som virkelig fungerer? I går trengte jeg å ringe en amerikansk bank for å ordne med noe. Og jeg ble oversatt tre ganger mellom forskjellige personer, og ingen av de var den riktige personen. Så venter du femten minutter mellom hver gang, og går gjennom en ekstremt unødvendig prosess med hver av dem. Kunne man erstatte dette med en ordentlig god chat-bot eller noe språkteknologi med kunstig intelligens? 

Lars: Vi tenker at vi skal levere totalopplevelse. Så det er total custumer satisfaction, som er den totale delen av samtaler hvor kunden er fornøyd, og så har du en automatosjonsgrad i tillegg. Det betyr at du klarer ikke å automatisere alle samtalene med en gang. Men du kan si at et mål er at til og med de som ikke blir automatisert av en robot med en gang, er samtaler som du kan gi videre til korrekt menneske. På en god måte, fordi du får jo redusert ventetiden kraftig når du får automatisert mye. Også skjønner du mye av språket, du kan skjønne at, okei, nå snakker du om billån og skjønte ikke helt hva du ville, men skjønte at det var om billån, og da blir du sendt til rett person. Når du skjønner mye av språket, og vi har jo laget en ny teknologi nå som vi kaller Automatic Semantic Understanding, og den forstår veldig mye og kan tenke som er veldig spennende. Vi skjønner hva den tenker, og hva slags ord er viktig. 

Silvija: Dere prøver å tolke disse neurale nett som er i grunnen, den læringen som er i grunnen? 

Lars: Vi klarer å forstå veldig mye om hvordan de tenker og hva slags ord som er viktig når. Og det betyr at når vi skal sende det videre til mennesker, så sier vi til mennesker at det var dette som var de viktige tingene som personen her har snakket om, og det kan vi bruke til å route til en korrekt person. 

Silvija: Dette er også ganske viktig sånn i forhold til blant annet GDPR. Der er det et krav at folk skal vite hvordan deres egne data ledet til bestemte avgjørelser om forsikring eller et lån eller noe sånt noe. Veldig mange banker bruker deep-learning og neurale nett-verktøy til å besvare sånne spørsmål, og det er ikke alltid man kan forklare folk hvorfor de fikk ja eller nei, eller det tallet man fikk. Men man kan prøve backwards-engineere dette her? 

Lars: Vi gjør i hovedsak dette for å forstå språket bedre og gi en mye bedre brukeropplevelse. En stor poem er jo false-positive. Det vil si at du får et svar som roboten tror er rett, men som viser seg å være feil. Det er kanskje det mest frustrerende. Man kan forstå hva som betyr hva, så kan vi også at vi skjønte egentlig hva som nesten var rett for deg, men mangler informasjon. Da kan man si til brukeren at man har et alternativ, men det er dessverre ikke akkurat det en vil ha, og så tilbake igjen til den GDPR delen. Dette handler om språk. Så den tar jo ikke noe beslutning på om du får lån eller ikke, men den har dialogen med deg. Så vi tar jo ikke sånne type valg som får den typen GDPR krav da. Det er en del andre krav hvor du skal gi brukeren lån, basert på sånn informasjon, til hvor mye du må kunne forklare.  

Silvija: Jeg tror det kommer til å være kjempemange spennende diskusjoner på alt mulig rundt AI, inkludert etikk de neste tolv og tjuefire og trettiseks månedene. Folk mener masse rart om både kontroverser rundt AI og fordeler rundt AI. Jeg er veldig nysgjerrig på hva du mener er det interessante ved kontroversene? 

Lars: Det finnes jo veldig mye interessant rundt etikk. Nå har vi jo designet våre system på en ganske beskytta måte, at etikk-delen blir et relativt lite problem for oss i forhold til mange andre områder av teknologien. Jeg tror det er andre områder som er mye mer utsatt for etiske problemstillinger, for eksempel selvkjørende biler som har dette klassiske: hvem skal dø-spørsmålet som gir en skikkelig prøvelse på moral og etikk. For oss så har det blitt gjort på en måte hvor vi ikke tar så veldig mange vanskelige avgjørelser. Vi klarer å unngå at de må bli tatt. Det er litt fint for oss at vi klarer å holde det enkelt. 

Silvija: Hvor synes du folk kan gå for å lære seg mer om AI? 

Lars: Det spørs litt på hva du ønsker å lære. Om du ønsker å lære litt om hva som beveger seg, og hva som skjer, eller om du skal ha en skikkelig deep dive i materien og skjønne hva teknologien faktisk er bygd på. Og der er det jo forskjellige plasser. 

Silvija: Folk som ikke har tid til å ta en mastergrad i AI eller Data Science, men som bare vil prøve å lære seg betydningen av alle disse begrepene vi bruker. 

Lars: Jeg er litt usikker. Det finnes jo diverse enkle kurs på Coursera, som kan gi deg en liten intro til ting. Jeg ville starta med et eller annet enkelt kurs. Mange av de er jo gratis også. Og hvis du blir lei, så kan du bare droppe ut. 

Silvija: Jeg spurte deg om det er noe som frustrerer deg, og da sa du at folk ser på AI som science fiction, og du mener at det absolutt ikke er det lenger. 

Lars: Ja, du kan gjøre ekstremt mye nyttig og mye som skaper ekstremt mye verdi, men det fungerer jo i veldig liten grad sånn som det er fremstilt på film. 

Silvija: Vi er ikke helt i Space Odyssey og Howl enda? 

Lars: Nei, så jeg tror den dagen du på en måte aksepterer hva teknologien faktisk er og hvor mye fantastisk den kan gjøre, så vil du få mulighet til å gjøre mye mer spennende med det og. Det er ekstremt kult, du kan gjøre masse fantastisk, men det fungerer ikke sånn som det gjør på film. 

Silvija: Hvis folk skal huske en ting fra vår samtale, hva vil du at det skal være? 

Lars: Jeg tror det er veldig viktig dette med mennesker og maskin sammen. Og bygge opp den rollen rundt AI-trenere som er med på å lære opp datamaskinen. Du kan ikke la datamaskinen springe løs. At du bare hiver masse data, så skjer det noe magisk, men at du må liksom ha menneske og maskin som jobber sammen. Du må ha kundesupport. Det må være tilgjengelig enda. De vil ikke forsvinne i nær fremtid, at de ikke er der i det hele tatt, så jeg tror samspillet mellom mennesker og maskin tror jeg blir ekstremt viktig. 

Silvija: Veldig bra. Lars Ropeid Selsås fra det fantastiske selskapet Boost AI. Takk for alt det dere bygger, og takk for at du kom hit og lærte oss om AI. 

Lars: Takk for at jeg fikk komme. 

Silvija: Og takk til dere som lytter.