LØRN Case #C1010
Anvendt AI / Ikke bare en professor;
I denne episoden av #LØRN snakker Silvija med Morten Dæhlen. Han er professor i informatikk og dekan ved det matematisk-naturvitenskapelig fakultet ved Universitetet i Oslo. De diskuterer hva anvendt matematikk egentlig er og hvordan vi kan bruke det til å forstå den verden vi lever i. Videre vil de prate om maskinlæring og kunstig intelligens, og hvordan et land som Norge kan etablere seg som en aktør i det internasjonale markedet.

Morten Dahlen

Professor

UiO

"Maskinlæring handler om to ting: Å predikere det som skjer fremover, og klassifisere det du finner."

Dette er LØRN Cases

En LØRN CASE er en kort og praktisk, lett og morsom, innovasjonshistorie. Den er fortalt på 30 minutter, er samtalebasert, og virker like bra som podkast, video eller tekst. Lytt og lær der det passer deg best! Vi dekker 15 tematiske områder om teknologi, innovasjon og ledelse, og 10 perspektiver som gründer, forsker etc. På denne siden kan du lytte, se eller lese gratis, men vi anbefaler deg å registrere deg, slik at vi kan lage personaliserte læringsstier for nettopp deg. 

Vi vil gjerne hjelpe deg komme i gang og fortsette å drive med livslang læring.

En LØRN CASE er en kort og praktisk, lett og morsom, innovasjonshistorie. Den er fortalt på 30 minutter, er samtalebasert, og virker like bra som podkast, video eller tekst. Lytt og lær der det passer deg best! Vi dekker 15 tematiske områder om teknologi, innovasjon og ledelse, og 10 perspektiver som gründer, forsker etc. På denne siden kan du lytte, se eller lese gratis, men vi anbefaler deg å registrere deg, slik at vi kan lage personaliserte læringsstier for nettopp deg. Vi vil gjerne hjelpe deg komme i gang og fortsette å drive med livslang læring.

Vis

Velg ditt format

Varighet: 40 min

Ta quiz og få læringsbevis

Du må være medlem for å ta quiz

Ferdig med quiz?

Besvar refleksjonsoppgave

Du må være medlem for å gjøre refleksjonsoppgave.

Din faglige motivasjon, hovedprosjektet ditt på jobben, og hvorfor er det viktig?

Building Science – et nytt tverrfaglig forskningssenter ved UiO med fokus på emner som maskinlæring og digitale tvillinger.

Hvorfor er det utfordrende, og hvordan bygger du kulturen rundt dette arbeidet?

En måte er å etablere og drive fysiske og digitale samarbeidsrom.

Tema i kurset, på enkleste måte?

Emnet tar for seg temaer som er viktige for å trekke ut kunnskap/innsikt fra data.

Grunnleggende historie om emnet, og 5 hovedbegreper?

Data som en ressurs, kunsten å forstå data, kunnskapsrepresentasjon, dyp læring, etikk og personvern, fra innsikt til handling.

Hvordan ser en vellykket implementering ut?

En lang kø med deltakere.

Store fallgruver?

Tar ikke opp det som virkelig er viktig.

Din faglige motivasjon, hovedprosjektet ditt på jobben, og hvorfor er det viktig?

Building Science – et nytt tverrfaglig forskningssenter ved UiO med fokus på emner som maskinlæring og digitale tvillinger.

Hvorfor er det utfordrende, og hvordan bygger du kulturen rundt dette arbeidet?

En måte er å etablere og drive fysiske og digitale samarbeidsrom.

Tema i kurset, på enkleste måte?

Emnet tar for seg temaer som er viktige for å trekke ut kunnskap/innsikt fra data.

Grunnleggende historie om emnet, og 5 hovedbegreper?

Data som en ressurs, kunsten å forstå data, kunnskapsrepresentasjon, dyp læring, etikk og personvern, fra innsikt til handling.

Hvordan ser en vellykket implementering ut?

En lang kø med deltakere.

Store fallgruver?

Tar ikke opp det som virkelig er viktig.

Vis mer
Tema: AI- og datadrevne plattformer
Organisasjon: UiO
Perspektiv: Forskning
Dato: 210621
Sted: OSLO
Vert: SS

Dette er hva du vil lære:


AIMaskinlæring Data Science Digitale Tvillinger

Litteratur:Jim Tørresen: Hva er kunstig intelligens? og nettsiden http://nora.ai nora.ai

Del denne Casen

Din neste LØRNing

Din neste LØRNing

Din neste LØRNing

Flere caser i samme tema

#C0045
AI- og datadrevne plattformer

Michael Link

Forsker

Kongsberg

#C0044
AI- og datadrevne plattformer

Heidi Dahl

Forsker

Sintef

#C0043
AI- og datadrevne plattformer

Sverre Kjenne

Leder

BaneNor

Lytt #C1010

Video for Case #C1010

Tekst for Case #C1010

Velkommen til Lørn.Tech – en læringsdugnad om teknologi og samfunn med Silvija Seres og venner


SS: Hei, og velkommen til Lørn-samtale. Mitt navn er Silvija Seres, og gjesten min i dag er Morten Dæhlen som er professor ved Universitetet i Oslo. Velkommen Morten.

MD: Tusen takk skal du ha, Silvija.

SS: Jeg er fortsatt utlending. Det merker jeg når jeg skal uttale etternavnet ditt. Jeg sliter alltid med..

MD: Ja, jeg synes du var flink. Hvis jeg skal uttale det helt riktig så er det «Dæærn».

SS: «Dæærn».

MD: Ja. Det er den lokale varianten fra Vardal.

SS: Fra Vardal. Okay, men da har vi lært det. Takk. Se hvor fort vi lærer noe her!

MD: Du var god. Du klarte den lokale varianten og du.

SS: Veldig bra. Du Morten, jeg skal bare si to ord om serien før vi setter i gang samtalen, bare sånn at folk vet hva de hører på. Dette her er en av samtaler som Lørn gjør for sin egen glede og læring om anvendt AI. Ideen er at det fins veldig mye teori om AI som folk burde lære, det fins gode gründerskap-eksempler og forskere hører om forskning på forskningskonferanser, og gründere hører vi om i diverse andre gründerrelaterte eventer, men jeg syns det har vært lite skryt og lite prat om de gode anvendelser om AI. Industrielt, i offentlig sektor, i helse, i transport, i det nye som kommer overalt, og det er det vi skal prøve å snakke om her. Og da blir perspektivet ditt som en av de største tenkere innenfor AI i landet om å hjelpe oss å forstå litte grann forskningen og hvordan kan den hjelpe med anvendt AI. Høres det greit ut?

MD: Det høres greit ut.

SS: Veldig bra. Jeg starter alltid med samme spørsmålet. Hvem er du og hvorfor ble du sånn?

MD: Du verden for et spørsmål. Hvorfor jeg ble som jeg ble? Jeg tror jeg var opptatt av matematikk fra da jeg var bitte liten, og jeg tror det var bestefar som på en måte motiverte meg mest til å forstå matematiske fenomen i hverdagen. Fra historien med bestefar som på slutten av 60-tallet, så er det mange interessante ting rundt matematikk som vi diskuterte ved hans skrivepult eller når vi var ute i skogen. Jeg kommer fra gård. Odelsgutt. Min bror har tatt over gården siden jeg ble da matematiker og begynte å studere, og jeg har stort sett vært på universitetet siden jeg kom hit i 1979 som student.

SS: Du dyrker litt mer abstrakte greier?

MD: Ja. For deler av mitt studium var abstrakt, men jeg er nok en sterkt anvendt matematiker og har brukt min kunnskap på i matematikk og informatikk på mange anvendte problemstillinger opp igjennom årene.

SS: Jeg må spørre deg. Kan du ikke forklare til publikummet vårt. Hva er en anvendt matematiker?

MD: Det er en person som anvender matematikk på reelle problemstillinger i samfunnet. For eksempel det å forstå strømning i et reservoar. Det å forstå hvordan trafikken utvikler seg, beregne, estimere. Jeg var selv opptatt av å konstruere geometriske modeller. Som for eksempel geometrisk modell av hjertet. Geometrisk modell av organer i kroppen eller geologiske strukturer.

SS: Jeg liker veldig godt når vi bruker bilder. Det gjør at folk kan forestille seg litt bedre hva sånne som deg gjør. Så en geometrisk modell av hjertet, hva er vitsen med det?

MD: Jo, vitsen med det. Da jeg arbeidet med det på 1990-tallet var å lage en modell som vi kunne simulere. I hjertet vårt er det tre store fenomener som foregår. Det er den elektriske aktiviteten, så er det en mekanisk aktivitet som får hjertet til å krympe, og så kommer det blodstrøm. For å simulere sammenhengen i den elektriske aktiviteten som får cellene til å trekke seg sammen mekanisk som så gir blodstrøm, det krever en modell. Og da krever en geometrisk modell av hjertet hvordan det ser ut med overflater og hjertekammer og lignende. Og da var jeg på den tiden ekspert på å lage sånne overflater.

SS: Min mann måtte bytte hjerteklaff for ganske nøyaktig seks måneder siden, og da snakket jeg med en del folk på Simula som trer med sånn forskning på hva funker og funker ikke av både klaffer og medisiner og sånn, og da bygger de antagelig på den forskningen din?

MD: Da var jeg der i, ja, ikke nå lenger. Det var så lenge siden at den forskningen min er nå historisk på det området, men jeg var involvert i de tingene på den tiden ja. Men det var mer et eksempel på hva geometri kan brukes til. Det jeg kanskje har gjort aller, aller mest knyttet til geometri er å bygge kartmodeller og terrengoverflater. Lage kart og terreng som består da av en overflate og kurver for eksempel. Høydekurver. Det har jeg nok brukt mer tid på, men jeg var litt involvert som jeg sa i det å lage geometrisk modell av hjertet.

SS: Flott. Og så, hva er du i dag? Du er ikke bare professor?

MD: Nei. Relativt raskt, eller på slutten av 90-tallet eller starten på 2000-tallet, så ble det mer og mer ledelse på universitetet og jeg har jo 16 år bak meg som valgt leder. Først 8 år på Institutt for informatikk og 8 år som dekan nå ved nyttår. Og fra og med nyttår så leder jeg arbeidet for å bygge opp et nytt forskningssenter på tvers av institutter og fakulteter på Universitetet i Oslo. Det forskningssenteret har fått det fine navnet dScience, og det handler da om data science og beregninger. Og vi har da satt i gang to ganske store forskningsprogrammer på tvers av institutter og fakulteter på Universitetet i Oslo. Det ene innen AI – maskinlæring, og det andre innenfor digitale tvillinger. Også er det også sånn som du vet Silvija, at digitale tvillinger og maskinlæring – AI, det henger sammen. Så dette er to programmer med litt ulik grunnprofil som henger sammen. Det er det arbeidet jeg nå leder for tiden. Det er utrolig spennende, men det er jo i støpsjøen, så vi får se hvordan dette ser ut om tre til fem år.

SS: Og vi samarbeider om et annet prosjekt hvor vi jobber sammen også med eksempler på AI for kursene som dere tilrettelegger for næringslivet. For det som jeg tror er veldig viktig er at man bringer inn hele landet om kunnskapen om datadrevet fremtid og AI. Hva er visjonen der?

MD: Visjonen er jo, altså, vi har jo tatt regjering og storting på alvor, og forsøker å lage et såkalt mikrostudieprogram. Et mikrostudieprogram har vi funnet ut skal bestå av 20 studiepoeng, og er en tredjedel av en årsenhet. Dette mikrostudieprogrammet har vi igjen delt inn i 8 deler, så 8 emner av 2,5 studiepoeng. Disse emnene vil bli spredt utover året, og man kan gjennomføre 8 emner i løpet av et år, men man kan også strekke det ut i litt lengre tid. Vi tenker oss at når dette skal komme oppe og gå at det er et videre- og etterutdanningsprogram, samtidig kan også våre egne studenter ta disse emnene som en del av sitt master- eller Ph.d.-program. Mikro-programmet har fått det fine navnet Fra data til innsikt, og vi snakker ikke bare om innsikt, men kanskje også fra innsikt til handling. Maskinlæring, dyplæring og kunstig intelligens står sentralt.

SS: Bringe inn alle våre bedrifter i dScience og data.

MD: Det vi prøver å gjøre da er å forklare hva vi jobber med i dScience. Det er jo flere ting vi jobber, men vi har jo faglig sett så har vi fokus på maskinlæring, dyplæring, AI og digitale tvillinger, og så har vi også aktivitet tilknyttet samarbeidsarenaer. Både internt på universitetet selvfølgelig på tvers av enheter, men også i forhold til næringsliv og enheter i offentlig sektor som er opptatt av dette. Så har vi valgt ut noen store og viktige anvendelsesområder. Hav og rom er et område. Energi og klima er et område. Mobilitet og smarte omgivelser er et området, og vi er også tett innen helse og medisin. Så har vi også samarbeid innen bank og finans. Vi prøver også å studere oss selv, altså hvordan skal vi bruke digitale ressurser for å bli bedre i utdanning. Så det er et bredt og stort initiativ, og så må vi langs denne veien til stadighet gjøre noe valg, for vi sitter på en endelig ressursbank som vi kan bruke, og da må vi sørge for å bruke den klokt i forhold til hva samfunnet trenger. Så en del av dette her er vi også opptatt av å holde den vitenskapelige fanen høyt. Vi er et universitet som sikter på den internasjonale toppen, og da må vi være tydelige på at vi har en grunnforsknings-spillar i dette her som er sentral. Den grunnforskningen i maskinlæring, dyplæring, AI, er jo i sin bunn og grunn anvendt, selv om det fins fundamentale teoretiske problemstillinger som må adresseres.

SS: To ting jeg har lyst å spørre deg om her, og nå forenkler jeg veldig. Når det gjelder teorien ny AI, så går det an å fortape seg diskusjoner om dyplæring, neurale nett og reinforcment og alt mulig, men til syvende og sist så tror jeg at folk som skal anvende dette her. Og det er egentlig alle oss sammen i fremtiden, bør forstå verdien av data og verdien av hypoteser. Det er spørsmålet som AI skal beskrive. Kan ikke du snakke litte grann om de to, for det er så mange som sier at data er den nye oljen, men de går ikke til neste om å forklare «men hva er motoren?». Hvorfor er data den nye oljen, ikke sant. Hvorfor er data grunnressursen for fremtiden?

MD: Ja, det har vi lurt mye på. Jeg tror egentlig ingen har vel et veldig godt svar, men noen og vi pleier å sammenligne data, kanskje ikke kalle det den nye oljen, men data eller digitale ressurser er like verdifullt som menneskelig arbeidskraft og kapital, og hvorfor det? Det kan man lure på. En grunn til det er jo at vi ser at det multinasjonale store selskapene lever jo i dag av de dataene de samler inn av oss på mobiltelefonen. Hvor vi er, hva vi kjøper, hva vi søker på og så videre er helt grunnleggende for deres forretningsutvikling. Dette sprer seg ut til flere. Det er en måte å se det på. Den andre måten å se det på er at vi er i stand til å utvikle sensorer, billigere og billigere sensorer som kan måle alt mellom himmel og jord, enten det er i hjemmet vårt eller i en stor industripark. Dette er data som vi kan utnytte i større grad enn det vi har gjort før. En del av disse dataene vil jo også være tilnærmet gratis. Det vi må huske på er jo at i denne store flommen av data fra alle mulige kilder, så er det også mye søppel. Så vi må tenke nøye igjennom hvordan vi forvalter dataene våre. Hva som er gode data, hva som er mindre gode data og hva som er søppel som man bør kaste. Men så kan det hende også at blant søppelet, så finnes det et gullkorn. Dette er liksom nøla i høystakken, så en god del av den aktiviteten som vi bedriver er også å finne nøla i høystakken. For eksempel knyttet til fysikkeksperimentene i Cerm. Der er det enorme datamengder som blir produsert, men det vi leter etter er detaljer omkring for eksempel materiens opprinnelse eller hemmeligheter. Så det er en vitenskapelig problemstilling som involverer mye data. Så det vi mener og tror, og vi har delvis bevis på det, og delvis tror vi det, er at i dataene så ligger det mye verdi som kan utnyttes kommersielt. Og da kommer det også over mot dette med AI, for hvis du har så mye data som vi får, så må prosesser automatiseres. Og gjennom automatisering, så blir algoritmene bedre og bedre og opptrer mer intelligent. Etter hvert som de blir mer intelligente, så kan man automatisere valgene, også får man på en måte kunstig intelligens på den måten. Men så kommer det i enden av denne skalaen igjen mange problemstillinger knyttet etikk, personvern, rettferdighet, og så videre. Så vi er innen et svært tverrfaglig område. Så når vi for eksempel skal lage et mikro-program fra data til innsikt, så kan vi ikke bare satse på matematikere og informatikere, vi må også få med oss samfunnsvitere, humanister, jurister og de som jobber i andre fagfelt for å belyse denne bredden av problemstillinger som fins innenfor området. Det er det vi tenker.

SS: Morten, det er den tverrfaglige forskningen som jeg har lyst å høre litt mer på, men før vi går dit. Hvis jeg overforenkler det vi nå har snakket om. Det oppstår helt nye muligheter for å hente inn data og dermed digitalisere verden gjennom alle disse sensorer som kan være ut i verden rundt oss eller inni kroppene våre eller kan være målere på egentlig abstrakte prosesser sånn som pengeflyt for eksempel. Det er noe med å kunne da forstå hvilke mønstre er det vi er på utkikk etter og hvordan kan vi forsterke de mønstrene, og det er det disse selskapene i Silicon Valley lager sine forretningsmodeller. De skal få oss til å gjøre mer av det som de kan tjene penger på, og det gjør de gjennom å forstå oss og forstå våre data. Og der tenker jeg at det er både data, og der snakket du om sensorer, internett of things, nettverk, infrastruktur og så videre, også er det de nye modellene der hvor disse algoritmene og på en måte sammenhenger i mønstrene i data. I dScience skal dere jobbe med begge deler?

MD: Ja, vi skal det. AI-applikasjoner eller kunstig intelligens-anvendelser inneholder maskinlæring. Maskinlæring handler om to ting. Det handler om å kunne predikere hva som skjer fremover og klassifisere det du finner. Det er liksom den enkle måten å se det på. Når du får datamaterialet når du leter etter mønster, så klassifiserer du dette og «okay, nå ser vi dette. Det kan vi anvende». Den andre varianten er at «nå ser vi dette, da tror vi det er dette som skjer». Altså en prediksjon. Og det er jo strengt talt det en kunstig intelligensalgoritme gjør. Jo bedre det gjør det, jo mer intelligente oppfattes de. Og hvis du går da over i robotikkverden, så kan du også sette inne en aksjon, ikke sant. Robot gjør ting på basis av hva roboten ser. Dette er velkjent i industrien. Roboter gjør ting, de observer noe, de tenker, og så gjør de en eller annen aksjon. Og den kan gjerne være motorisert eller på annet vis være en aksjon i forhold til det de driver med da eller det de skal gjøre.

SS: Og jeg tror at det er egentlig skalaen på denne beregningen som begynner å, hva skal jeg si, gjør at en del mennesker på dette mer og mer som science fiction istedenfor science reality. For en selvkjørende bil er også bare en robot, det er bare at den prosesserer så sykt raskt så sykt mange bilder.

MD: Ja. Og det er jo klart. Altså selvkjørende biler, det har vi jo. Det er ikke i operasjon enda i vid forstand, men det fungerer. Og det er jo allerede i dagens biler, altså, jeg kjøpte ny bil for nøyaktig fire måneder siden, og den observerer mye rundt meg når jeg kjører. Og jeg kan også om jeg vil kjøre forbi om den stopper i forhold til å se bilen foran og så videre. Men den kan jo selvfølgelig overstyres kraftig av meg som sitter og kjører. Det er jo mange ulike typer anvendelser. Det er disse anvendelsene som er i bilen som er helt i sanntids. De må reagere med en gang på basis av de dataene de henter. Men på en annen side, så er det også en del problemstillinger som er svært regnekrevende og som krever det kraftigste regneutstyret vi kan tenke oss på kloden for å forstå mønsteret. Og det er også noe vi jobber oppe på Universitetet i Oslo hvor vi ser på bruk av de kraftigste datamaskinene vi har i Norge, men også nå en kraftig datamaskin som Norge kjøper inn sammen med en del andre land i Europa. Den skal for øvrig stå i Finland og er i operasjon om et halvt års tid. Og veldig mange av forskerne hos oss gleder seg veldig til den maskinen der oppe. Da kan de studere. Da kan de bruke dette neurale nett-type-algoritmer og virkelig å detektere mønstre. For eksempel i store språkdatabaser eller avdekke hemmeligheter som finnes inni sola og så videre. Og klima er et eksempel. Helsedataanalyser.

SS: Morten, kan du ikke forklare oss litt forskjellen på en sånn type datamaskin og bare det å leie seg masse regnekraft i skyen som er egentlig å leie seg noen servere som du ikke bryr deg om hvor det er. Hva er spesielt med den type maskin som du snakker om?

MD: De er konstruert for å kunne gjøre svært store beregninger raskt, og du kan gjøre ganske mange store beregninger i skyen, det går jo an, men når du ser på den maskinen som kommer til Finland for eksempel, så har den en teoretisk ytelse på 550 petaflops. Det er antallet regneoperasjoner per sekund, og det er helt enormt.

SS: Husker ikke rekkefølgen, men peta kommer et gått stykke oppover–

MD: Det er 550 pluss 15 er bak, og det er veldig fort. Det er teoretisk ytelse, så går den ikke riktig så fort fordi du må sette opp maskinen. Den maskinen er satt opp slik at det er veldig mange prosessorer som samarbeider, sitter tett på hverandre. Det er den ene grunnen til at det er en egen maskin og den andre grunnen er at du har rask tilgang til memory fordi du ut og inn. Det er to grunner til at disse store maskinene ikke finnes i skyen på samme måte. Det ene er raskt kommunikasjon mellom CPU-er, altså regnemeter og som det er veldig, veldig mange av. Og det andre er rask kommunikasjon med hukommelsen. Også er det litt andre ting også i forhold til at du skal håndtere data på riktig vis, men når det er sagt så er det veldig mange som tilbyr regnekraft i skyen, men da gjerne på et helt annet nivå og for en del helt andre typer problemstillinger. De store neurale nettanalysene er helt sjanseløse i den kommersielle skyen i dag. Det er derfor Europa og verden, USA og Kina investerer i sånne store og tunge anlegg som det som nå kommer i Finland.

SS: Får det virkelige Scientific gjennombrudd da ved bruk av AI.

MD: Men også anvendelser. Ta et, altså språkteknologiske anvendelser. Det å lete etter mening i tekst, ikke bare det å oversett, men også lete etter mening i større tekster. Det er svært anvendt, og det krever store, tunge beregninger for å lære algoritmer for å hente ut disse meningene. Som et eksempel på anvendelse.

SS: Og det der er så mye vanskeligere enn det man tror. Jeg husker disse store øyeblikk i AI sin historie. I hodet mitt så henger det ofte sammen med spill, og det er fordi spill er så lett å forstå. Og jeg tenker den første som… var det Deep Blue og sjakk, og Garry Kasparov når maskinen vant?

MD: Han ble fornærmet.

SS: Ikke sant, han trodde ikke først på det.

MD: Han ble fornærmet, men han er ikke det lengre nå da. Men Magnus Carlsen og co bruker dette som treningspartnere. De bruker maskiner som treningspartnere for å virkelig bli enda bedre, og det er jo som han sa, datamaskinen har bidratt til å gjøre meg bedre. De veldig kloke, langsiktige tankerekkene har han blitt bedre på fordi han har fått hjelp av datamaskinen.

SS: Ja. Det er en ting, og en annen ting er at jeg ser at det er den hybride løsningen som fungerer best. Ikke datamaskinen alene eller mennesket alene, men hvis vi spiller som et par. Men så tenker jeg på nummer to, sånn steg i utviklingen av AI når Watson vant i Jeopardy. Og da var det en del språkeksempler på dette med Big Apple som New York og så videre, men det er så vanskelig å, la oss si, man leser en type litteraturtekst som vant Nobels pris, og det er så mye kontekstuell informasjon der som er kulturell. Det er ikke så lett å lære maskinene dette her.

MD: Det er kompliserte algoritmer som gjør at maskiner lærer seg dette her. Og det er jo litt av den ene delen. Den ene delen av AI er å utvikle lærende algoritmer, algoritmer som lærer av data og sin egen erfaring. Og de algoritmene, de kan til dels bli svært komplekse. Watson som da etter hvert ble bedre enn de beste Jeopardy-spillerne, baserer på en veldig effektiv og rask analyse av en komplekst struktur som er konstruert ved hjelp av en algoritme, eller flere algoritmer da.

SS: Og så er dette her som er det tredje store steget som jeg tenker på, det er DeepMind som vant i GO. Særlig over Lee Se-dol og etter hvert hans kinesiske partner. Det har det skjedd noe spennende med Kina og deres forskning på AI. Kunne du bare kommentere litt kort. Forskningsmessig, utviklingsmessig. Hvordan ser du på USA og Kina, og hvordan ser du på norske muligheter midt oppi dette her?

MD: Det er en voldsom satsning i USA og Kina. For så vidt også i Europa, og Norge er et lite land. Jeg tror en av fordelene vi har er at vi er et velordnet lite land. Vi kan ikke gjøre alt, men vi kan gjøre ting på maskinlæring og AI-område på noen utvalgte områder hvor vi sannsynligvis kan gjøre ting like bra eller kanskje bedre enn andre. Et område som er veldig velordnet i Norge, det er helsedata. Der tror jeg vi har et stort potensiale. Vi er også en havnasjon. Rundt omkring i havene samler vi inn store datamengder. Jeg tror også vi har mulighet til å gjøre gode ting knyttet til havdata, og jeg har også tro på energiområdet. Også fordi vi er den nasjonen vi er. Vi er en energinasjon. Vi skal elektrifisere samfunnet. Vi skal bli karbonfrie. Fornybar energi, vind, sol og andre ting skal introduseres inn i energimiksen. Hvordan vil fremtidens energisystem se ut? Der kan vi bruke maskinlæring, dyplæring, kunstig intelligens til å forstå hvordan vi skal investere i fremtidens energistyre, tror jeg. Dette er kompliserte sammenhenger, så jeg tror vi har noen nisjer hvor vi har muligheter til å lykkes, men å bli en stor, dominerende AI-nasjon som for eksempel i konkurranse med USA og Kina og kanskje deler av Europa, det tror jeg ikke skal tenke på engang, men jeg tror vi skal tenke på at vi skal bli ganske gode på noen utvalgte områder. Så må vi også forstå noen av de mer grunnleggende prinsippene innenfor maskinlæring, dyplæring og AI for å kunne utvikle gode anvendelser på toppen av dette. Så det er min litt sånn halvveis ambisiøse, halvveis ydmyke tilnærming til hvordan Norge bør gjøre det

SS: Helsedata og kanskje offentlig data?

MD: Også offentlig data. Og der er det gode initiativer på gang nå i forhold til tilgjengeliggjøring av offentlig data. Det som er utfordringen der er at man må være klar over at det er relativt kostbart å holde data oppdatert over tid. Når man skal utvikle gode metoder for å gjøre offentlig data tilgjengelig, så er det ikke bare å gjøre dem tilgjengelig også forlate dataene. Dette må røktes over tid. Litt av det jeg snakket om tidligere med data, det er ganske mye ferskvare også.

SS: Jeg har to enkle bumpersticker-kommentarer på data. Det er at folk overfokuserer på Big data hvor de istedenfor skulle fokusere på Long data. Det er det ene, og det andre er dette her med at data er ferskvare uansett.

MD: Ja da. Nå er jo Big data, det ble jo et begrep. Og hva er Big, og hva er store datamengder, hva er mindre store datamengder? Det er viktig å håndtere data riktig og det er viktig å tenke gjennom. Altså kunsten å forstå data er ikke triviell. Å forstå de dataene du har og de dataene du kan få, og hva de betyr for din virksomhet, det mener vi og jeg vil bli viktigere og viktigere. Og da trengs det kompetanse på det i alle ledd. Alt fra de som sitter og utvikler produktene til toppledere i en bedrift, eller for så vidt et universitet. Skal vi bli god på utdanning, så må vi bli gode på å håndtere utdanningsdata.

SS: Det er vi 100% enige om. Vi i Lørn håper egentlig å leke litt med ny pedagogikk på basis av utdanningsdata, så får vi se om det går an å samle noe stort nok til å lære om det. Men Morten, vi skal ha en ny samtale om ikke for lenge om dette kurset som UiO lager nå. En såkalt EVU. Etter- og videreutdanning som da kommer til å åpne opp anvendt AI og dataforståelse for bedriftsmarkedet. Er det riktig definisjon?

MD: Ja, altså. Vi gir jo etter- og videreutdanning på universitetet, det har vi gjort lenge. Det vi har nå er å nyutvikle dette ved å lage såkalt mikroutdanningsprogram, så du kan få på måte en definert utdanning som da er cirka en tredjedel av et årsverk, og dette programmet, det får du ved å ta et antall emner. Typisk emne er usikkerhet i maskinlæring. Et emne kan være etikk, personvern, rettferdighet. Et emne vil være digitale tvillinger. Et emne vil være dyplæring for beslutningsstøtte og så videre. Så vi lager da mindre emner. Du kan ta et av dem, eller du kan ta et antall. Tar du åtte, så får du da en status på at du har gjennomført dette programmet. Og vi er fortsatt i støpsjøen. Vi skal kjøre en pilot av dette programmet fra og med neste vår, og så håper jeg at vi har et fullt operativt studieprogram gående fra høsten 2022. Her er veldig mange forelesere med, og hele bredden av området fra data til innsikt. Vi er i ferd med å sy dette sammen og det er en veldig spennende jobb. Vi skal teste det virkelig ut på noen brukere til høsten og vi ser fram til tilbakemeldinger. For å lage den type program eller typer emner vi har laget har vi strengt tatt ikke gjort før. Vi tar med oss erfaring fra andre emner og kurs, men dette er nytt for oss. Og selve programmet er jo en innovasjon.

SS: Vi kommer tilbake til liksom strukturen i programmet i en separat samtale, men det jeg har lyst å be deg å kommentere litt på. Du har sagt det for så vidt allerede, men si det på nytt litt enklere. Hva er forskningstema som relaterer til anvendt AI som folk som ikke nødvendigvis er forskere kan likevel ha glede av å forstå, ikke sant. Hvor ligger denne grenseflaten mellom forskning og anvendelse i AI sånn som du ser det?

MD: Ja. Dere må gjøre noen valg da, men et område som er opplagt og som jeg har snakket om, det er dette med å utvikle algoritmer som lærer av erfaring og data. Å bruke den erfaringen til å ta beslutninger. Det er-

SS: Bygge modeller.

MD: Ja. Det er den ene delen av det. Men så kommer du opp i disse dataflommene som er store, altså datamengdene. Så det å finne gode måter å representere kunnskap på, det blir viktig. Altså kunnskap som du ser som bruker. Altså hva er kunnskap, det er jo også for så vidt et filosofisk spørsmål, det skal vi kanskje ikke gå inn på nå. Du kunne laget en egen podkast om det, Silvija. Hva er kunnskap. Men det å representere kunnskap riktig. Vi vet at helt nede i bunn på en datamaskin så er det bits and bytes. Så løfter du det til høyere nivåer, da blir de gjerne tall. Tall er fine de. Det er det de vi lever av i bunn der. Det er titallssystemet, eller et eller annet tallsystem, så løfter vi det opp til noe som har mening. Og det å representere kunnskap på riktig nivå for de ulike anvendelser, det blir også en vesentlig del av utfordringen knyttet til AI. Mulig at dette ble litt komplisert, men det er to deler. Så må vi heller ikke glemme at oppi denne kurven av utfordringer, så er det noe som heter sikkerhet. Vi skal håndtere data sikkert, og ikke minst når det handler om personinformasjon. Derfor er vi også svært opptatt av at de systemene vi bygger, bygger inn mekanismer som gjør at vi håndterer data forsvarlig og sikkert. Særlig data som er knyttet til personvern. Der det må tas personvernhensyn. Også er det en del data selvfølgelig som er helt fullstendig åpne, og det ønsker vi også å tilby åpent til samarbeidspartnere både i næringslivet og i akademiet.


SS: Veldig spennende, for jeg tror noe av det som blir så spennende for folk blir å oppleve denne tverrfagligheten både på forsknings og anvendelsesnivå hvor du snakker om både noe veldig sånn ingeniør-messig rundt informatikk, veldig matematisk rundt matematikk og datavitenskap, også er det alle disse etiske og sikkerhetsmessige problemstillinger på toppen av det. Klarer folk å ta til seg den tverrfagligheten, Morten? Hvordan klarer vi det utdannings-messig?

MD: Nå skal vi se. Vi har jo jobbet med tverrfaglighet så lenge jeg har vært på universitetet og vi har blitt flinkere og flinkere. Vi kunne kanskje blitt litt flinkere litt før, men jeg synes at tverrfaglighet er nå ganske så etablert. Etablert innenfor et universitet og det er etablert i Forskningsrådet og virkemiddelapparatet, og det er etablert i samfunnet. Det betyr ikke at vi ikke kan gjøre mer, men vi skal veldig forsiktig med å gå for langt, for hvis vi mister dybden i fagene - for det er dybden i fagene som er grunnlaget for gode tverrfaglige prosjekter. Så med å finne god balanse mellom denne dybdeforståelsen i disiplinene og det å angripe tverrfaglige problemstillinger på tvers av fagene. Det er det jeg er opptatt av som leder i dScience, særlig, det er at vi på den ene siden klarer å understøtte disse dype, viktige tingene i de ulike disipliner. Enten det er innenfor informatikk, matematikk, fysikk eller hva det måtte være, og samtidig bygge denne tverrfagligheten på toppen i prosjekter. Og gjerne i samarbeid med næringslivet og et bredt sammensatt næringsliv også. Så det er de tingene som vi er opptatt av å få til. Finne den balansen, og da kan vi fra tid til annen… Jeg er faktisk litt redd for at tverrfagligheten til dels går litt for langt. Det betyr ikke at tverrfaglighet ikke er viktig. Det kan gå så langt at vi på en måte glemmer hva de grunnleggende byggeklossene i en tverrfaglig sammenheng. Så det å finne den balansen. Så vil det være ulike former for tverrfaglighet. Du har tverrfaglighet innenfor det som på en måte heter realfag, så er det tverrfaglighet på tvers av realfag, humaniora og samfunnsvitenskap. Vi har jo for eksempel på universitetet laget et eget honors-program på bachelornivå hvor vi nå kobler samfunnsvitere, humanister og realister inn i et felles program med AI som basis-tema for alle tre områdene. Vi er nå på tredje året, og om et år så kommer de første ut med bachelor innenfor denne bredden. Med da humaniora bakgrunn og AI, realfag og AI og etter hvert også samfunnsvitenskap og AI. Dette er et veldig spennende program, og en av de tingene som jeg kanskje skal jobbe med utover høsten 2022 er å definere masteroppgaver for disse sammensatte tverrfagstudiet. Da kommer de første bachelorstudentene ut, og etter ryktene er de veldig, veldig ivrige og veldig gode, så det blir spennende.

SS: Veldig spennende. Men du Morten, jeg tror vi kommer tilbake til selve kurset – introduksjonen senere. Jeg synes det har vært veldig spennende å forstå, på en måte, perspektivene fra ny forskning også med norske øynene i forhold til anvend AI. Jeg har litt sånn spørsmål helt på slutten, hvor skal folk begynne å lese seg opp. Opplagte svaret er kanskje å begynne på det kurset, men det er kanskje ikke åpent for alle til høsten? Hva gjør man for å komme i gang?

MD: Ja, hva gjør man for å komme i gang? Det er jo så mye å lese på, og gode, kloke søk på nettet kan man finne mye klokt om AI, maskinlæring og anvendelser av det. Man skal ikke lese alt man finner, men finner man noen gode artikler eller gjerne skrevet fra universiteter rundt omkring i verden. Det finnes noen som har gjort bra sammenstillinger av hva dette er. Det er vanskelig for meg nå på sparket å anbefale en bok. Det fins. Det er jo en kollega av meg som heter Jim Tørresen, han har skrevet en bok «Hva er kunstig intelligens», for eksempel. En fin liten bok som introduksjon til hva kunstig intelligens er. En annen ting man kunne gjøre. Vi har fått et eget nasjonalt nettverk for kunstig intelligens som heter Nora. Kommer man inn på hjemmesiden til Nora, så finner man mye god informasjon om kunstig intelligens og om hva som foregår på området. Både faglig og anvendt.

SS: Veldig bra. Supert, Morten Dæhlen. «Dæærdn».

MD: «Dææln» Ja.

SS: «Dæærn».

MD: Ja, det er ikke så verst. Du klarte det nesten, haha.

SS: Fra Universitet i Oslo. Tusen takk for at du var med oss og hjalp oss å forstå forskningsperspektivet på anvend kunstig intelligens.

Du har nå lyttet til en podkast fra Lørn.Tech – en læringsdugnad om teknologi og samfunn. Nå kan du også få et læringssertifikat for å ha lyttet til denne podkasten, på vårt online-universitet, Lørn.University.


Quiz for Case #C1010

Du må være Medlem for å dokumentere din læring med å ta quiz 

Allerede Medlem? Logg inn her:

1

C1010 LØRNBIZ Anvendt AI / Ikke bare en professor; - med Morten Dahlen

1 / 3

AI-applikasjoner og kunstig intelligens inneholder maskinlæring. Maskinlæring handler om to ting:

2 / 3

Hvordan kan Norge bli en aktør innen kunstig intelligens?

3 / 3

Hva er et eksempel på hva anvendt matematikk kan få til?

Your score is

The average score is 100%

Du må være Medlem for å kunne skrive svar på refleksjonsspørsmål

Allerede Medlem? Logg inn her:

Vi bruker Cookies for å forbedre brukeropplevelsen av sidene. Les mer om personvern & cookies her