Demokratisering av data internt i bedriften Deep learning Hverdags AI Konkret anvendelse av AI Proof of concept
Del denne Casen
Velkommen til Lørn Tech. En læringsdugnad om teknologi og samfunn med Silvija Seres og venner.
Silvija Seres: Hei og velkommen til Lørn i samarbeid med Sopra Steria. Navnet mitt er Silvija Seres. Tema i dag er AI, kunstig intelligens og gjesten min er Lars Løvlie som er forretningsutvikler for AI ved Sopra Steria, velkommen.
Lars Løvlie: Takk.
Silvija: veldig hyggelig å ha deg her Lars. Vi skal nerde litt om AI, men vi skal nerde om bruken av AI fremfor kanskje kjernen i AI. Vi får se hvor det tar oss. Før vi gjør det så håper jeg du kan fortelle oss littegrann om hvem Lars er og hva er det som driver han.
Lars: Ja, nettopp. Tja. Tilbake 10 år i akademia, innenfor fysikk, materialvitenskap, sitter egentlig i gamle trakter Forskningsparken, så er litt rart. Så har jeg alltid vært interessert i data og analyser, å trekke informasjon ut fra data som kan være vanskelig å se. Jeg syns det er morsomt når det kommer til live liksom eller fra litt sånn rådata som kanskje ikke betyr noe. Så har jeg havnet jeg i IT-verden etter en stund, der gjør de fleste fysikere har jeg inntrykke av.
Silvija: Du har en doktorgrad i halvleder fysikk, hva er det for noe?
Lars: Det er, halvleder fysikk er en del av materialet vitenskapen som dreier seg om disse nesten metalliske materialer som er i CPUer og GPUer, og i all moderne elektronikk egentlig. Kanskje de som er de mest kjente. Som har den egenskapen at de kan en del ledningsevne ekstremt ved veldig små forurensning av andre materialer. Så det betyr at du kan lage på måte små ledere i en brikke da. Det er jo bare to på denne silisium metabo da.
Silvija: Ja, og det er noe av der magien de digitalisering kommer fra fordi derfor kan man gjøre ting veldig små, og etterhvert veldig billig og ekstremt kraftig.
Lars: Absolutt. Så mye av gevinsten kommer egentlig av at du kan lage, det er så enkelt å jobbe med på en på en fabrikk og du kan bare etse det til et par bittesmå strukturer. Og kan putte bor eller fosfor akkurat der du vil. På typ 14 nanometersstruktur. Og da kan du lage den siste da i mange millioner på en bitteliten chip selvfølgelig.
Silvija: Ja. Og det blir mye regnekraft.
Lars: Da blir det en veldig masse regnekraft.
Silvija: Og det blir etterhvert nok regnekraft til å regne på kunstig intelligens for reelle problemer?
Lars: Ja, for eksempel. Det er jo blant annet en av de tingene som krever mest regnekraft nå.
Silvija: Ja. Og mye energi, men det kan vi også komme tilbake til. Hva driver, altså du driver, altså du er forretningsutvikler for kunstig intelligens i Sopra Steria, hva betyr det?
Lars: Det betyr jo, så er det selvfølgelig et innslag av selger, på en måte. Ikke helt sånn bruktbilselger, men det er selvfølgelig et element av å skaffe oppdrag, men viktigere er mye jobbing opp mot eksisterende kunder også og det å hjelpe de med å fortelle, og for så vidt samfunnet generelt, forteller de litt hva en kan gjøre, og hjelpe de med en reise som mange vil på, mot å bli mer datadrevne. Og kunne ta beslutninger som er basert på data, eller en analyse av data da, og da kommer en kjempefort inn i machine learning og prediktiv analyse.
Silvija: Det er veldig spennende, og jeg har inntrykk at en av de tingene som har skjedd det siste året er denne overgangen fra liksom å snakke om AI som litt sånn black magic og science fiction, til å være, altså, det er hverdags verktøy ikke sant og det er ikke så veldig vanskelig å bygge AI-systemer heller etter hvert. Det som er vanskelig å vite hva man vil med dem og man burde ville med dem. Og det å hjelpe folk å forstå det tror jeg er virkelig viktig del av opptaket av denne viktige teknologien i samfunnet vårt. Man sier at hvis data er den nye oljen så er Kina det nye Saudi Arabia, men de eier også etterhvert utrolig mange av, om du vil oljeplattform eller raffineriene, ved å sitte på så mange AI-løsninger ikke sant. Som da blir bedre og bedre ved å kjøre, og trene og sånn. Så dette må dere rulle ut så fort som overhodet mulig for Norges beste, tenker jeg.
Lars: Ja, så har en jo to perspektiver liksom det er på en måte, holdt jeg på å si, Big AI, transformativ bruk av AI, da må du ha en enorm datamengde og enorm regnekraft. Og da snakker vi statlige aktører som Kina for eksempel, eller enorme virksomheter som Google, FaceBook og sånn. Så man, og som kjører biler som Tesla. Så er det mange som tenker, som kanskje ikke jobber med fagfeltet, de hører AI og tenker «ok da må vi finne et budsjett på hundre millioner kroner» for eksempel. Men så er det egentlig en minst 40 år gammel disiplin, akkurat deep learning er relativt nytt, hvert fall det å klare å ta den i bruk, men statistiske prediksjoner det er en tilpasset…
Silvija: Det er noe maskinen gjør?
Lars: Ja, det er tilpasset modeller fra eksisterende data. Det er en gammel disiplin som nå bare har fått buzzordet AI. Det trenger ikke være kjempedyrt. Og det finnes sikkert tusenvis av muligheter for noe sånt som vil gi effektivisering eller beslutningsstøtte i en hvilken norsk virksomhet og en statlig etat. Men da må en vite hvilke data det er, man få tak i de dataene, og må gjerne samle de dataene, i det som man kaller demokratisering av data da.
Silvija: Ja, jeg synes det er veldig fascinerende dette med AI. Jeg tror hvis bare hadde skjønt at det dreier seg egentlig bare å forstå først hvilke data du har eller burde ha, og så hvilke mønstre du trenger litt hjelp med å finne i de dataene og så i hvor stor grad skal det systemet klarer å hjelpe deg å finne nye mønstre og gjøre noe med dem. At det er det AI gjør da.
Lars: Absolutt.
Silvija: Og så er det noe med å komme i gang og så det å lage det første systemet er en antagelig det vanskeligste for da bryter man utrolig mange barrierer.
Lars: Jeg syns en av de kuleste sånn grasrot initiativ, for det å faktisk få tilgang på data det gjør det mulig for folk med å ta initiativ. Og gir riktig kunnskap på gulvet på en måte i norske virksomheter, og å ta initiativ som leder til rett og slett ganske stort gevinst for norske virksomheter. Så det er en som jeg kjenner så som hadde helt andre arbeidsoppgaver, var ansatt på datavarehuset til en virksomhet, så muligheter og bare grep den og måtte selge den intern det til sin leder. Og lagde en løsning som kan forutsi forsinkelser i enorme byggeprosjekter. Og han bruker kanskje 7% av tiden sin på det, og det synes jeg er sinnsykt kult egentlig. Det koster nesten ingenting for virksomheten, og oppsiden er potensielt gedigent.
Silvija: Ja, det bærer litt sånn prege av hacketon nærmest. Det er utrolig kule hacketon på offentlige datasett også som blant annet statens kartverk pleier å ha av høsten og sånn. Og jeg tror at det viktigste der er å få folk til å forstå at det finnes allerede så mye data. Og det du må starte med er, som du selv også sa til meg, du må finne ut hvilket problem du egentlig ønsker å løse.
Lars: Absolutt. Vi må starte der. Jeg opplever ikke egentlig meg selv som en AI-evangelist eller noe sånn. Jeg har mest lyst til å fortelle om hva mulighetene er. Jeg må starte med hva er vi ønsker å gjøre. Ikke falle i den fellen, som det er det mange som gjør, at den si ja vi må bruke AI til et eller annet. Det blir litt sånn..
Silvija: Ja, hvorfor det?
Lars: Ja, ikke sant. Du kan godt se på mulighetene som AI gir, det liksom mer de forutsetningene, og de dataene har vi og sånn på en måte. Men begge har liksom planer for hvor ønsker vi oss, på hvilke områder ønsker vi å effektivisere, hva slags nye tjenester kunne vi tenke oss å lage. Så heavy data til det også snevre inn den tingen man ønsker å gjøre, og ta en reality check da mot den dataen en har og da må man snakke med en person som jobber med AI. Det kan en ikke gjøre selv.
Silvija: Når selskaper blir fortalt at de må bli datadrevne, og så tenker de at da kommer datamaskinene og bytter oss ut og alt det der. Så er det egentlig det motsatte man sier ikke sant? Det er fortsatt menneskene som skal stille spørsmål og bestemme hva de maskinene skal gjøre det er bare la oss nå bruke de maskinene og dataene til noe.
Lars: Ja, så vi, det ble på en måte vi som vet hva brukerne våre eller kundene våre kunne tenke seg. Det er jo i seg selv et veldig stort spørsmål da, som kan gi veldig overraskende svar hvis en går ut og spør de. «Litt sånne røff, raskere hest». Henry Ford, og litt sånn på måte. Jeg er ikke sånn umiddelbart bekymret for at maskinene kommer til å ta over. Jeg var bekymret for at vi kastet vekk penger på ting som viste seg at ingen vil ha eller ja.
Silvija: Eller at vi glipp av muligheten til å lage noe veldig gode verktøy.
Lars: Det er like stor sjanse for det tror jeg.
Silvija: Jeg pleier å si til folk at nå må de digitale førerkort, når du lærte å kjøre bil ikke sant så da er du ikke redd for at bilen skulle ta over hverken jobben din eller livet ditt. Det var et verktøy som du måtte lære å bruke effektivt og ansvarlig og så øvelseskjøre litt ikke sant. Sånn må vi bruke med AI, vi må lære å bruke det verktøyet som er effektivt og ansvarlig. Og vi må prøvekjøre litt, vi må sitte å prøve oss på noen lekeeksempler og så begynner vi å skjønne «ok det er sånn det funker». Vi skal snakke littegrann om ansvarlig bruk av AI også, og så effektivt skaffe data, tenke nøye gjennom hva som er relevante spørsmål. Hva er ansvarlig bruk av AI og hvilke risikoer får vi der?
Lars: Ja, det heter åpenbart et stort tema da. For det er jo litt sånn at det ikke alt teknologien lar oss gjøre som vi burde er kanskje. Så, ta for eksempel, det var publisert i media, det er store bedrifter som har lagd løsninger for å finne ut om enkeltansatte er i ferd med å slutte for eksempel. Det åpner for misbruk av et sånt system.
Silvija: Plutselig får du litt for mye informasjon og noe av den informasjonen er kanskje ikke sannhet heller. Det er prediksjoner, og noen ganger er det litt vektet feil også?
Lars: Også tenk også behandling av lånesøknader eller søknader om offentlig støtte som er jo veldig sentralt. Der tar Staten en del ansvar, det er jo en veldig ansvarlig rolle. Noen vil si kanskje litt konservativ. Der er det helt sikkert tegn automatisering der, men en må ta sin rolle som såkalte data custodian på alvor når det er våre data de sitter på. Og samtidig så vil vi jo ha effektiv søknadsbehandling og sånn, så jeg tenker å kunne komme til et kompromiss der.
Silvija: Så hvis jeg forstår deg riktig, det dere gjør i dette analytics miljøet i Sopra Steria er egentlig å hjelpe folk å bruke disse verktøyene for big data og AI på en effektiv måte, teknisk, men også forretningsmessig og egentlig samfunnsmessig.
Lars: Ja, forsøksvis. Det er jo, ja altså de som kommer til oss de er mange forskjellige typer. Det noen som kommer en bestilling på fire linjer med tekst, «hei vi vil gjerne ha en AI» og det der. Det er ikke riktig måte å gjøre det på. Vi må snakke sammen litt først, finne ut hvor dere vil hen, hva dere har fra før, er det mulig å gjøre det med AI og er det riktig å gjøre det med AI. Også er det andre som kommer til oss etter å ha prøvd å automatisere noe på en annen måte som vi forskere fortalte at dette blir bedre med AI. Kort fortalt.
Silvija: Det er så mange forskjellige vanskelig begrep rundt AI. Hva fokuserer du på? Eller vi kan sette sånn at du prøver å forklare oss littegrann, hva er analyse plattformer, hvordan tenker man på datainnsamling, prepping, og hvor kommer maskinlæring inn?
Lars: Ja altså, i mange tilfeller når du skal lage en analyseløsning så, eller når du tar en gjennomsnittlig virksomhet sitter jo og, i mange tilfeller på en funksjon for forretningsmessige sider da. De har HR, finance, en for operations, enten det nå er ja som driver butikk eller folk som driver transportselskap eller hva det skulle være. Også har du innkjøp og så videre. Og de sitter på sin fagsystem, og noen av dem kanskje, så de har ikke tilgang på de samme dataene. Så de sitter og ser på sin egen verden gjennom sine briller på måte, og da finnes de mye du kan gjøre der. Du kan lage for eksempel bemanningsløsninger, bemanningsprognoser, basert på data fra HR, men da må du kanskje også ha data fra bedrift ikke sant. Og de sitter på to forskjellige fagsystem kanskje, mest sannsynlig. Så da må du ha en plass, og disse fagsystemene kan som regel ikke lagre data på en måte som gjelder for analyse, de lagrer data som gjelder for lagring, og for rask skriving til og fra en database. De skal få fortsette å beholde sine fagsystem. En trenger ikke ødelegge hverdagen til disse fagfolkene som jobber på den måten, men en kan sette et sugerør inn i disse datakildene og suger data ut til en felles plattform. Basically bare en ny database om du vil. Kanskje en datalek på filen. Og gjør det tilgjengelig samlet. Blir mye enklere å starte initiativ og analysere disse dataene. Du slipper da å gjøre den jobben med å gå ut til ti forskjellige systemer for å grave ut data.
Silvija: Dette er prepping og innsamling?
Lars: Du har innsamling og så må du preppe det sånn at du, i den prosessen så gjør du typisk en del rydding i dataen da, og sørger for at de henger sammen.
Silvija: Og at de kan krysskobles?
Lars: Nettopp, akkurat det. Da har du gjort innsamling og prepping, da er du klar for å starte alle mulige former for analyse, initiativ.
Silvija: Hva betyr en analyse?
Lars: Ja, en analyse kan være enten en ad hoc analyse som blir gjort, typisk det som blir gjort i dagens liksom analyse.
Silvija: Viser meg en graf av et eller annet?
Lars: Ja. Som typisk, ofte så prøver en å tilgjengeliggjøre styringsinformasjon for en virksomhet sin ledelse ikke sant. Som visualisering av KPIer, som kanskje bli oppdatert hver natt. Den typen ting da. Det er den tradisjonelle analysen. Men så har du analyse ved bruk av maskinlæring da kan du gjøre typisk mønstergjenkjenning ikke sant. Presentere resultat som typisk kundeinnsikt, et typisk eksempel. Prediktivt vedlikehold. Hvor mange dager fram i tid eller uker fram i tid dette utstyret klarer å holde før du må gjøre noe med det. Da kan du planlegge nedetid når det passer, ikke når det plutselig skjer et eller annet. Ikke bare fordi du tror du må fikse det utstyret, du vet at du må fikse det.
Silvija: Og hvor kommer maskinlæring inn da?
Lars: Så da har du disse, da har du fått inn data fra kanskje x antall sensorer eller fra alle kundene dine, og så må en bruke en statistisk modell, altså en machine learning modell som kan lære, det kalles læring machine learning, som kan tilpasse sine egne parametere da til disse dataene. Det er det maskinlæring er. Det er en algoritme som er potensielt titalls hundrevis millioner av knotter og brytere som er innstillingen til algoritmen, og de, i en banealgoritme så må du kanskje tilpasse disse manuelt, men i maskinalgoritme så tilpasser den selv innstillinger på disse bryterne.
Silvija: Jeg liker å ha et sånt bilde i hodet mitt av en, la oss si det er et skip da, eller en, det vanskelig å tenke seg en hel fabrikk modellert. Men en maskin da i en fabrikk, modellert, da lager man en slags større og dypere forståelse av hvordan er den maskinen ikke sant, og at det blir mer og mer presis ettersom du lærer mer og mer om de forskjellige parameterne.
Lars: Ja skal ett menneske sitte og se på alle disse sensorverdiene, så ser den kanskje ikke skogen for bare trær, den ser på en sensorverdi og prøver å tolke den. Maskinen er kanskje tusenvis av sensorverdier sammen, si noe om helheten til systemet da på måte. Noe som vil være umulig for oss menneske å detektere egentlig.
Silvija: Og så har jeg lyst at vi skal gå et steg videre. Vanlig maskinlæring, altså, basert på noen regler og premisser og logikk til dyp læring som er ren statistikk. Hvordan ville en sånn modell blitt formet hvis det er dyp læring som bygget den?
Lars: Ja altså det den virkelig store forskjellen mellom deep learning og mer tradisjonell machine learning. Ok så har du denne banealgoritmen det menneskene sitter og ser på og tuner parameteren, og er det vanlig maskinlæring som det er den optimale verdien av parameter fra dataene. Så har du deep learning som ikke bare lære det, men den lærer hvilke egenskaper ved dataene den skal bruke i det hele tatt. Så du kan i praksis, la oss si du har hundre egenskaper ved en kunde, eller noe sånt, det danner ikke egentlig bildet, da kan ikke deep learning brukes til noe sånt. Så har du et bilde på 1000x1000 piksler, det er en million piksler, og da kan ikke et menneske sitte å oss forhåndsprogrammere hvilke piksel den skal bruke. Så det er det deep learning har blitt flink på. Den lærer seg hvilke piksler den skal legge vekt på og hvilke den skal ikke, de million. For det blir en million parametere egentlig. Da er vi over i et helt annet landskap enn det vi mennesker kan jobbe med manuelt åpenbart. Vi kan ikke hensyn til en million parametere.
Silvija: Jeg syns det er veldig fascinerende hvordan disse maskinene for eksempel har gått fra å la oss si lære å spille sjakk veldig bra gjennom maskinlæring hvor de måtte få spillets regler i utgangspunktet og så lærte vi strategier ikke sant, ved å spille også med seg selv, men hvordan til de etter hvert har lært å spille alt fra atari spill til go uten å få spillets regler. Så de måtte finne ut selv hva spillet er, og så måtte de lære og spille det spillet veldig bra og det tenker jeg nesten skummelt spennende.
Lars: Ja, absolutt. Det er såkalt reinforcement learning, der du rett og slett bare, straff og belønning for å gjøre riktig. En må definere hva slags straff og belønning systemet skal få når det gjør noe riktig eller feil.
Silvija: Der synes jeg det blir farlig nær kreativitet, for i utgangspunktet kan vi si at kreativitet har ikke maskiner for de har ikke vår irrasjonalitet eller ikke sant. Men til syvende og sist så kan vi definere deres nye regler, og det var sånn feedback fra, der man så på den beste maskinen som spilte «og» eller sjakk at vi trekker av og til ting som et menneske aldri har tenkt altså. Det er noe kreativt ved det.
Lars: På en måte. Det ser i hvert fall sånn ut fra utsiden. Og generativ design er en type fagfelt som ser ut som kreativitet. Maskiner kan lage maleri eller strukturer som kan bli maskindel av hva som helst. Det er ganske kult. Det ser ut som kreativitet, men det er jo på en måte ikke den, eller jeg vet ikke. Det er ikke den samme prosessen som vi mennesker bruker.
Silvija: Spørs om det dukker opp en Einstein på den måten. Ikke sant? Hva slags menneskelig stahet som må til for å virkelig få de store gjennombruddene, det er det ingen av oss som vet, men det er fascinerende. En av de tingene som hadde vært morsomt for folk å prøve litt på det er den deep dream fra Google, som driver å lager sånne fantasibilder fra ekte bilder, men det er utrolig kule resultater. Kan vi snakke littegrann om, altså, om ditt perspektiv om hvorfor det er spennende med AI, og hva synses du er de mest interessante kontroversene?
Lars: Ja, jeg synes at AI er spennende fordi det åpner helt nye muligheter som en ikke ville hatt ellers. Og automatisering og gir innsikt. Spesielt innsikt. Automatisering handler om å få gjort ting raskere og rimeligere kanskje, men innsikt der ser du ting i dataene som ikke ville vært mulig uten AI. Typisk for eksempel clustering.
Silvija: Det er så effektivt at det er helt..
Lars: Ja, du kan på en måte ta hensyn til så mange parametere som vi ikke klarer å holde øye med samtidig. De kontroversielle tingene med AI nå, du var litt inne på en ting før vi snakket her og det var jo kontroversen mellom deep learning versus de tradisjonelle statistiske metodene. Den er vi litte grann, der opplever jeg at vi er litt forbi deep learning på en måte, der man har blitt enige om at deep learning liksom bare ikke er…
Silvija: Man har liksom blitt enige om at det er det som er greia?
Lars: Ja, deep learning blir liksom ikke oppfattet som ekte vitenskap eller sånne ting, det er bare, man kaster på flere nevron, flere lag, og ser hva som skjer på en måte. Sikkert et element av sannhet i det, men..
Silvija: Det funker jo så bra?
Lars: Det funker sinnsykt bra, og det må bare være den viktigste taktikken tenker jeg. Og så er det helt klart den der på en måte. Det er så effektivt så vi kan ikke liksom late som at det ikke finnes på en måte.
Silvija: Jeg synes det er utrolig spennende å lese i nyere psykologi forskning som viser at det virker som det er egentlig ganske nære på akkurat hvordan vi mennesker lærer også. Så vi er kanskje ikke logiske, men statistiske maskiner likevel og det er interessant.
Lars: Og så synes jeg også at det enorme effektiviserings potensialet som ligger der som vi kan ta i bruk hvis vi er villig til å bruke dataene våre og hvis vi klarer å finne en måte å bruke dataene våre på som jeg tror at med personvern for eksempel og loven generelt da. Få folk sin oppfatning av hvordan de kan bruke data. Personlig identifisere opplysninger eksempel og sånn, så er det jo enorme muligheter for å effektivisere samfunnet vårt. Spesielt offentlig sektor kanskje.
Silvija: Det er litt sånn demokratisering av dataorganisasjoner som du snakket om. Hva mener du med det?
Lars: Mener å gjøre det tilgjengelig. Det er flere virkelig store virksomheter Norge som tenker at, som tør å tenke at vi må la folk sånn generelt ta tak i dataene våre. Selvfølgelig må vi logge hva vi driver på med og alt det der. Litt sånn governance må en jo ha. Det typiske da er jo da at en piper data fra de siloene de har eksisterte i før, til en felles arena der de kan gi en sånn, folk med litt pågangsmot og ideer tilgang til dataene for å se hva slags muligheter det kan skape. Enten for automatisering eller ny innsikt, helt nye tjenesteområder for en virksomhet for eksempel. Alt mulig kan skje når en virkelig åpner opp, mer eller mindre da for den typen initiativ da.
Silvija: Vi snakket littegrann før vi startet opptaket om deep fakes og AI for good, AI for bad. Si littegrann om de kontroversen også.
Lars: Altså deep fake er jo en deep learning basert teknikk der du kan ta opptak av en person og så kan du bytte ut typisk eksempel er at du bytter ut ansiktet med for eksempel Nicholas Cage sitt ansikt eller noe sånt da.
Silvija: Så ser det ut som Nicholas Cage sitt ansikt sier noe han aldri har sagt?
Lars: Det ser sinnsykt bra ut. Vanskelig å detektere hvis du ikke vet at det som skjer da. Det åpner selvfølgelig noen muligheter. Akkurat det er jeg ikke helt sikker på om åpne så mange flere muligheter enn det i mediebransjen kanskje, sånn å bruke avdøde skuespillere i en ny film for eksempel, eller den type ting da. Så underholdningsbransjen liksom, men de skumle bruksområdene er jo når ondsinnet aktører begynner å rote med historisk opptak eller begynner å lage rett og slett fake opptak av der en kan tenke seg at en selv bli plassert i en situasjon der en ikke var og gjøre ting som en aldri ville gjort eller som setter en i en komprimerende situasjon. Det er ganske tankevekkende. Og der bør vi jo ikke havne, men det er ikke så mye å gjøre når teknologi som det blir tilgjengelige så er den tilgjengelig, og det er litt synd. Det er en fundamental sannhet. Det er som atombomben eksempelet; den ble lagd av en årsak og nå plutselig er den der, og alle vil ha tak i den.
Silvija: Vanskelig å putte den tilbake i boksen.
Lars: Nettopp, ikke sant.
Silvija: Jeg har en slipp på ruta pandoras boks, og da må vi tenke veldig nøye om hva blir de nye kjørereglene ikke sant. Det er mulig at du ikke kan snakke konkret om kunder og prosjekter, men kan du gi et eksempel på hvordan et AI-prosjekt ser ut og så litt sånn, snakker vi om to måneder, snakker vi om et år. Hvor lett kan man komme i gang da?
Lars: Det det som er viktig for meg som jeg sier til alle er at innen AI så er eksperimentering spesielt viktig. Og det er ikke et budskap som er nødvendigvis veldig lett å selge for mennesker som bare ser etter en løsning. Det er kanskje innstillingen jeg typisk ville hatt ved et vanlig lite prosjekt, et startup prosjektet, der det bare er et verktøy hvor lang tid vil det ta å få det verktøyet, og hvor mye vil det komme til å koste. Men AI er såpass avhengig av dataene. Du må ha lov til å bruke dataene, du må ha nok data, de må være informative nok og du må ha tilgang til de. Så hvis det er spredt for alle vinder på en måte, så må du først jobbe med å få tak i de dataene. Så det jeg bruker å anbefale er først liten innsikt fase der man prøver å kartlegge dataene som er tilgjengelig, og som er relevant for en gitt problemstilling. Det tar typisk et par uker, der omkring. Det burde være AI-person som gjør egentlig, aller helst, så kan se på det med litt sånn AI-briller.
Silvija: Grave litt i forskjellige datakilder og se hvordan kan vi få dette ut.
Lars: Ja. Før der her så burde nok ha vært en form for aviation fase der en ser på ting, ikke med AI-briller, men med..
Silvija: Hva vil vi løse?
Lars: Ikke sant, men når en først har kommet fram til noen problemer, noen utfordringer som vi vil løse, som vi vil utforske ved hjelp av AI. Så bør jeg finne ut av dataene mine, og så bør en gjøre en proof consept. En proof consept føles kanskje ut som at du skal kaste bort penger på noe i to til tre måneder, for en så lang tid proof consept tar.
Silvija: Men det er fase en?
Lars: Det er fase en. Ved proof consept så lager du en AI modell. Den er ikke bortkastet, den trenger du uansett. Du tar masse snarveier, så du kommer kanskje ikke til live data for eksempel, du kommer til et uttrekk av data. Og det må du gjøre noe med når du skal type opp et konsept, og sette det ut i livet, og ut i produksjonen, og gjøre tilgjengelig for folk på andre systemer. Da må du komme deg til live data, og det er en jobb som må gjøres det også. Den AI-modellen har allerede blitt laget i proof conseptet. Den er basically en fil, den kan du bare ta med deg ut i den ekte infrastrukturen som du skal bruke for å sette ting i livet. Også basically plugger det til. Det krever annen kompetanse selvfølgelig, det krever mer IT-teknisk, mer tradisjonell software utviklingskompetanse, det å få kobla den til på en god måte. Da må det eskaleres, det må være monitorert, full sikkerhet og alt det der. Som du ikke trenger å tenke på i en proof concept.
Silvija: Du nevnte for meg noen veldig spennende eksempler fra Lånekassen og Rikshospitalet som er eksterne eksempler. Si to ord om hver av dem.
Lars: Ja, så Lånekassen har tydeligvis, leste jeg igjennom media, lagd en løsning der de kan, altså en type.. De gir jo støtte til studenter og en type støtte som de gir er bortebo stipend, som jeg fikk selv for ikke så alt for mange år siden, da jeg bodde en annen plass enn der jeg var folkeregistrert. Og det er noen tusen kroner. Og det er det tydeligvis en del studenter som misbruker. De sier at de bor en annen plass enn der foreldre bor typisk, også får de bortebo stipend. Og så viser det seg når lånekassen i historisk høyt stikkprøve at en viss andel av studentene faktisk ikke er gjør det. Og når Lånekassen tok i bruk maskinlæring for å trekke ut en mengde studenter som bør ettergås av et menneske, så økte de treffraten sin med en faktor to. Doblet det.
Silvija: Så er det de som trenger pengene som får de pengene, bedre omfordeling. Og Rikshospitalet?
Lars: Rikshospitalet de trekker personer som er tydeligvis en signifikant hjerterate, altså de operer et barnehjerte som det er feil på, eller et ellet annet form for problem. Lever som det er kreft i. Og kreft i talesystemet også eksempel. Og disse operasjonene forekommer nært store blodkar, hjertet åpenbart, og fyller blodkar. Så hvis de bruker skappelen litt feil der så er det en sjanse for at pasienten kan dø. Så det viktig med god planlegging, og da bruker de 3D-modeller av den eksakte pasienten sitt organ, som de har fått igjennom røntgen bilder. Da har det vært en manuell prosess der de bruker et program som koster endel penger, og som kanskje bruker litt tid på å bruke. Da de tar disse bildene og lager en 3D-modell av det, og så ser på den 3D-modellen gjennom for eksempel hovedlense. Så kan de snurre på den 3D-modellen og planlegge operasjonen. Ta fra hverandre hjertet for eksempel, i forskjellige deler og sånn. Den prosessen er i gang med å automatisere nå, og tar disse CT-bildene, og ved hjelp av deep learning så kan vi automatisk generere en 3D- modell av hjertet kjapt. Og kan også fargelegge, del av det organet da.
Silvija: Bedre innsikt gir bedre sjanse til at..
Lars: Bedre sjanse til at det kan gå bra, og kanskje kan operere flere pasienter, da kanskje kunne frigjøre tid for kritisk personell hos Rikshospitalet da.
Silvija: Hva tror du er relevant kunnskap for fremtiden?
Lars: Oi, j,a jeg tror det er ganske soleklart at matematikk vil aldri bli irrelevant. Ja vanskelig å spå hva som skjer i tusen år, men jeg tror i et sånn litt kortere perspektiv enn det så vil jeg tenke matematikk. Og analyse vil vi også, altså det å tolke analyseresultat, og lage analyseløsninger vil mennesker fremdeles trenge å gjøre. Lage IT-system tror jeg bare er helt åpenbart at vil bli mer og mer relevant. Koding tror jeg vil bli vesentlig mer relevant.
Silvija: Vesentlig fremmedspråk? Eller kanskje førstespråk etter hvert?
Lars: Det å kommunisere resultat tror jeg vil være viktig da. Det å kommunisere visuelt og sånn. Det tror jeg vil være veldig viktig også.
Silvija: Hva er det du er spesielt fornøyd med å bo i Norge? I det arbeidet du gjør?
Lars: Ja, sånn Norge er jo, samfunnet vårt er jo langt framme på digitaliseringsfronten. Vi har en bank- og finanssektor som er milevis foran andre land i Europa for eksempel på betalingsløsninger, og Vipps, kontantløst og alt mulig sånt. Så har vi en offentlig sektor som tilgjengeliggjør veldig mye informasjon på nettet for oss etter hvert. Du kan få opp reseptene din ikke sant, søke om lån foreldrepenger på nettet med en veldig kort behandlingstid og sånn. Den type ting vil det skje mer av, og det er fordi vi hadde en ganske framoverlent offentlig sektor. Du kan si masse om det, og det er mange som er misfornøyd, men jeg tror det er god grunn, i globalt perspektiv å være veldig fornøyd med vår offentlige sektor egentlig. Så det er jeg veldig fornøyd med.
Silvija: Også så di til meg et poeng som jeg har lyst å fremheve, og det er at vi er ganske selvdrevne folk, inkludert programmere. Det at folk tenker selv tror jeg at er en større fordel enn det folk innser. Veldig mange steder gjør folk bare det de blir fortalt, men det blir lite læring og lite egentlig organisasjonsutvikling av det også.
Lars: Ja.
Silvija: Fortsett å være stae tenker jeg.
Lars: Ja, det tror jeg er veldig lurt. Viktig å si det vi mener, og ikke ha en sånn yes nå har jeg det sånn liksom, ja det blir heldigvis litt av ja.
Silvija: Det er en djervhet som bor i folket som jeg tro rer formet av historie og geografi også, men den er veldig god når verden endres og man skal være rask og god når det gjelder da. Hva ville du anbefalt folk til å lese for å lære seg mer?
Lars: Ja. Der er jeg ikke så flink til å lese populærvitenskapelig litteratur er dessverre, burde sikkert være det. Så hvis en vil lære om maskinlæring så er det «Introduction to statistical learning» for eksempel som en sånn typisk introduksjonsbok, den er ganske tung, vil jeg si, men komplett. Ellers så finnes det nå flere og flere, men poenget er at en må gjøre litt research på hva slags verktøy som er industristandard nå. Så det å plukke opp en hvilken som helst bok som har eksempler tror jeg lurt.
Silvija: Ikke matlab R, men nå er vi nerdete?
Lars: Nettopp.
Silvija: Du nevnte en YouTube kanal som jeg har lyst at du skal si litt om.
Lars: Ja, Andrej Karpathy, han jobber med AI i Tesla. Han er vel regnet som en av verdens fremste eksperter på deep learning. Jobbet ved Steinfurth før, og står bak noen av de mest kjente modellene. Og er så ekstremt flink til å kommunisere hvordan det fungerer.
Silvija: Så han forklarer det på en måte som gjør det forståelig.
Lars: Ja, han er både litt sånn høynivå forklaringer og kan gå ekstremt i dybden.
Silvija: Veldig bra. Har du lite et sitat du vil legge igjen til våre lyttere som en liten gave?
Lars: Jeg er ikke nødvendigvis sånn kjempeglad i sånne sitater, men ett som traff meg ganske bra var et fra John F. Kennedy: «History is a relentless master. It has no present, only the past rushing into the future. Try to hold fast is to be swept aside.». Og det resonnerer for min del, det å prøve å holde fast ved sånn det er i dag det fungerer ikke. Og ting skjer uansett om en vil det eller ikke. Og en kan fort bli den neste Kodiak hvis den ikke det.
Silvija: Hvis folk skal huske en ting fra våre samtaler, hva vil du at det skal være?
Lars: Jeg er litt opptatt av å legge til rette for innovasjon. At det initiativet som folk har er det gunstig å utnytte, og da må de ha tilgang på system og verktøy og data, og de må ha lov til å drive med det, det må bli oppfordret til å ta initiativ. Så du må ha mulighet, means, opportunity, hva heter det.
Silvija: Jeg tenker at det jeg vil legge til der da, er denne her er ufarliggjøring av AI er kjempeviktig. Det er ikke verre enn å bare komme i gang og så finner man ut i mye større dybde, akkurat hvor langt, og hva det er man skal bruke det til.
Lars: Nettopp.
Silvija: Lars Løvlie, forretningsutvikler for AI fra Sopra Steria, tusen takk for at du var her med oss i Lørn i dag og inspirerte oss om AI.
Lars: Takk for at jeg fikk være med.
Silvija: Og takk til dere som lytter.
Du har lyttet til en podkast fra Lørn.Tech, en lærings dugnad om teknologi og samfunn. Følg oss i sosiale medier og på våre nettsider lørn.tech
LØRN AS, c/o MESH,
Tordenskioldsgate 2
0160 Oslo, Norway
Bibliotek
Om LØRN
© 2024 LØRN AS