LØRN Case #C1099
Kunsten å forstå data
I denne episoden av #LØRN snakker Silvija med Morten Dæhlen professor i informatikk innen numerisk analyse og geometrisk modellering, og senterleder for dScience – senter for data- og beregningsvitenskap. Dæhlen gir en overordnet introduksjon til UiO sin nye mikroutdanningen som starter I desember 2021. Han forteller hva en mikroutdanning egentlig er, hvorfor kurset er bygt opp på denne nye måten og snakker om verdien av data i beslutningsprosesser.

Morten Dæhlen

Professor i informatikk og dekan ved det matematisk - Naturvitenskapelig fakultet

UiO

"Vi har hentet ut mye erfaringer underpandemien når det kommer til heldigitale og hybride løsninger. Dette er viktig erfaring når vi skal utvkle fremtidens utdanning, forteller han I episoden."

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: 23 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.

Hva er data – og beregningsvitenskap?

dScience organiserer og utvikler forskning innen data- og beregningsvitenskap ved Universitetet i Oslo. De to områdene data- og beregningsvitenskap er i stadig utvikling. De er sterkt overlappende, men også forskjellige. dScience satser på kombinasjonen.

Datavitenskap. Datavitenskap («data science») handler om å organisere og analysere data, herunder forstå sammenhenger mellom ulike data. Data kan forekomme i store volum, data må i noen sammenhenger analyseres i sann tid, og data som skal analyseres kan være svært sammensatte og komplekse. Datavitenskap omfatter også innsats for å vaske, integrere og forberede data for analyse, samt teknikker for presentasjon av resultatene av de analysene som gjøres. Maskinlæring/dyplæring, sammen med digital representasjon av kunnskap, står sentralt i datavitenskap. Maskinlæring/dyplæring handler om design og utvikling av algoritmer som gjør datamaskiner i stand til å lære fra og utvikle eller foreslå atferd basert på data.

Beregningsvitenskap. Beregningsvitenskap («computational science») handler å utvikle metoder og algoritmer for å utføre beregninger, ofte ved hjelp av særlig kraftige datamaskiner. Beregningene som utføres bidrar til vår forståelse av komplekse fenomener og problemstillinger, enten de finnes i naturen eller er skapt av oss mennesker. Simuleringer, i stadig større grad kombinert med avansert analyse av data, bli stadig viktigere innen beregningsvitenskap. Innen beregningsvitenskap utvikles også metoder som har som formål å analysere data og nye teknikker for maskinlæring/dyplæring.

Kan du fortelle kort om et par av dine favoritt eksempler på bruk av data- og beregningsvitenskap?

i) Utvikling og bruk av digitale tvillinger av fenomener i naturen, f.eks. hvordan vær, vind, havstrøm påvirker produksjon av biologiske materiale i havet.

ii) Bruk av maskinlæring/dyplæring for å forstå mønstre i store produksjonssystemer for i sin tur å bruke denne forståelse til å gjøre produksjonen mer effektiv og bærekraftig

iii) Bruk av kunstig intelligens i pasientbehandling.

iv) ….og mange mang mange flere eksempler.

Hva er noen anbefalte verktøy?

De er ikke utviklet enda, selv om det finnes mange flotte verktøy som er utviklet!

Anbefalt lesing/seing om ditt felt?

Veldig mye, men det er lurt å følge med på hjemmesidene til dScience.

Et favoritt sitat?

«Alt flyter» (Heraklit, gresk filosof)

«Ingenting er alvorlig bortsett fra lidenskap», (Oscar Wilde 😉)

«Alt henger sammen med alt» (Gro Harlem Bruntland ved lansering av bærekraftsrappporten).

«Digitale resurser er like viktig som mennekselig arbeidskraft og kapital», (Bendik Bygstatd et.al)

Hva er data – og beregningsvitenskap?

dScience organiserer og utvikler forskning innen data- og beregningsvitenskap ved Universitetet i Oslo. De to områdene data- og beregningsvitenskap er i stadig utvikling. De er sterkt overlappende, men også forskjellige. dScience satser på kombinasjonen.

Datavitenskap. Datavitenskap («data science») handler om å organisere og analysere data, herunder forstå sammenhenger mellom ulike data. Data kan forekomme i store volum, data må i noen sammenhenger analyseres i sann tid, og data som skal analyseres kan være svært sammensatte og komplekse. Datavitenskap omfatter også innsats for å vaske, integrere og forberede data for analyse, samt teknikker for presentasjon av resultatene av de analysene som gjøres. Maskinlæring/dyplæring, sammen med digital representasjon av kunnskap, står sentralt i datavitenskap. Maskinlæring/dyplæring handler om design og utvikling av algoritmer som gjør datamaskiner i stand til å lære fra og utvikle eller foreslå atferd basert på data.

Beregningsvitenskap. Beregningsvitenskap («computational science») handler å utvikle metoder og algoritmer for å utføre beregninger, ofte ved hjelp av særlig kraftige datamaskiner. Beregningene som utføres bidrar til vår forståelse av komplekse fenomener og problemstillinger, enten de finnes i naturen eller er skapt av oss mennesker. Simuleringer, i stadig større grad kombinert med avansert analyse av data, bli stadig viktigere innen beregningsvitenskap. Innen beregningsvitenskap utvikles også metoder som har som formål å analysere data og nye teknikker for maskinlæring/dyplæring.

Kan du fortelle kort om et par av dine favoritt eksempler på bruk av data- og beregningsvitenskap?

i) Utvikling og bruk av digitale tvillinger av fenomener i naturen, f.eks. hvordan vær, vind, havstrøm påvirker produksjon av biologiske materiale i havet.

ii) Bruk av maskinlæring/dyplæring for å forstå mønstre i store produksjonssystemer for i sin tur å bruke denne forståelse til å gjøre produksjonen mer effektiv og bærekraftig

iii) Bruk av kunstig intelligens i pasientbehandling.

iv) ….og mange mang mange flere eksempler.

Hva er noen anbefalte verktøy?

De er ikke utviklet enda, selv om det finnes mange flotte verktøy som er utviklet!

Anbefalt lesing/seing om ditt felt?

Veldig mye, men det er lurt å følge med på hjemmesidene til dScience.

Et favoritt sitat?

«Alt flyter» (Heraklit, gresk filosof)

«Ingenting er alvorlig bortsett fra lidenskap», (Oscar Wilde 😉)

«Alt henger sammen med alt» (Gro Harlem Bruntland ved lansering av bærekraftsrappporten).

«Digitale resurser er like viktig som mennekselig arbeidskraft og kapital», (Bendik Bygstatd et.al)

Vis mer
Organisasjon: UiO
Perspektiv: Forskning
Dato: 211101
Sted: OSLO
Vert: Silvija Seres

Dette er hva du vil lære:


En introduksjon til kurset “fra data til innsikt” Hva en mikroutdanning er
Å bruke data som analysegrunnlag
Å bruke data som handlings- og beslutningsgrunnlag

Mer læring:

Dæhlen anbefaler å følge med på hjemmesidene til dScience.

Del denne Casen

Din neste LØRNing

Din neste LØRNing

Din neste LØRNing

Flere caser i samme tema

#C0371
Muliggjørende- og transformative teknologier

Havard Devold

Teknologidirektør

ABB

#C1118
Digital strategi og nye forretningsmodeller

Karl Munthe-Kaas

Styreleder

Oda

Anne-Lise Fredriksen

Utviklingsleder

NKI

#C0002
Muliggjørende- og transformative teknologier

Anne Lise Waal

CEO/CTO

Attensi

Lytt #C1099

Video for Case #C1099

Tekst for Case #C1099

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

 

Silvija Seres: Hei og velkommen til Lørn podcast serie med Universitetet i Oslo om temaet fra data til innsikt. Denne serien inneholder 8 miniforedrag i digitalt format og er ment å fungere som oppvarming til det samme kurset ved Universitetet i Oslo som skal piloteres i desember. UiO kurset vil være studiepoenggivende og kan inngå i en grad, og det vi håper på er rett og slett å inspirere dere til å ønske å lære mer ved å ta kurset på ordentlig. 

 

Silvija: Med meg i dette digitale studioet vårt i dag har jeg Morten  Dæhlen som er kanskje den største drivkraften bak dette kurset. Morten, du skal få lov til å introdusere deg selv. Dette flotte nye instituttet, dScience eller gruppen, du får hjelpe oss å forstå opplegget, også kommer vi til å snakke mer om innholdet i kurset. Hvem er Morten og hvorfor synes han at data til innsikt er viktig?

 

Morten Dæhlen: Ja, jeg heter altså Morten Dæhlen. Jeg er professor i informatikk. Jeg er opptatt av data og for et halvt år siden ble jeg leder for Designs Senter for data og beregningsvitenskap. Vi ble offisielt åpnet for et par dager siden av statsråd Bjørn Arild Gram, og nå er vi altså offisielt i gang, og vi har fokus på kunstig intelligens, maskinlæring og digital tvilling teknologi. Kunsten å forstå data er kanskje en litt en kort versjon av det vi jobber med. Også har jeg da sammen med andre tatt initiativet til dette her mikro programmet innen utdanning som har fått det fine navnet fra data til innsikt.

 

Silvija: Jeg har ikke lyst til å slippe dScience helt enda. Dette hører under MatNat, hjelp oss å plassere det i landskapet.

 

Morten: Senteret hører under det matematisk naturvitenskapelige fakultet, som er det største fakultetet på Universitetet i Oslo og favner bredt på tvers av institutter med bidrag fra institutt for informatikk, matematiske institutt, fysisk institutt og alle naturvitenskapelige instituttene på den matematiske naturvitenskapelige fakultet. Samtidig har vi også med oss deltagere fra det medisinske fakultet. Og Naturvitenskapelig museum faktisk.

 

Silvija: Jeg høres ut som et sted som jeg veldig gjerne vil besøke veldig snart. Sier bare to ord til det jeg oppfattet når vi pratet er at du er ganske interessert eller hele senteret er også laget med en forkjærlighet for anvendelse av data, altså det er en industriell og anvendt aspekt ved den forskningen som dere skal drive med.

 

Morten: Det er det i aller høyeste grad. Vi skal selvfølgelig sikre å utvikle tverrfaglig forskning på tvers av alle de instituttene jeg snakket om, men vi skal også jobbe sammen med næringsliv på ulikt vis, og innenfor helse og medisin har vi mange partnere, der har vi offentlig sektor med sykehus, men vi har også industri. Vi jobber på energi og klimaområdet, og vi er også involvert i arbeid knyttet til hav og rom. Mobilitet er et tema, og der har vi også samarbeidspartner innenfor bank og finans. Så vi favner ganske bredt, men vi har gjort oss noen prioriteringer. Jeg nevnte noen av dem, altså, vi vil uansett være store innenfor medisin og helse med det omfattende samarbeidet vi allerede har med helsesektoren i Norge, samtidig så er vi også relativt store på energiområdet og innenfor hav. Utvikler nå et ganske godt og omfattende samarbeid også innenfor det som kalles mobilitet og smart omgivelser.

 

Silvija: Utrolig spennende. Også er det noe med at vi begynner å åpne opp utdanning for etterkommere eller gjenganger, eller hva skal vi kalle oss voksne som er ferdig med førstegangs undervisning, det er noe av det som ligger som motivasjon bak. Hvis vi begynner å snakke litte grann mer om dette kurset da. Dere tenker en helt annerledes rigg og det her noe med at voksne folk i fullt arbeid må lære kanskje på noen litt annerledes måter enn fulltidsstudenter. Hva er tanken?

 

Morten: Tanken er at det har blitt etterspurt noen utdanninger som er kortere og mer effektive enn de vi har. Vi har jo en årsenhet, og vi har bachelor, master, og en PHD. Vi har derfor utviklet noe kalt for en mikro utdanning som til sammen er 1/3 av en årsenhet. Denne mikro utdanningen kan du ta til sammen med 8 mikro emner. Disse mikroemnene de gir forelesninger og gruppearbeid over 3 dager pluss en prosjektoppgave, så har du tatt et mikro emne, har du tatt 8 av disse mikroemnene vil du få en mikro utdanning ved Universitetet i Oslo. Vi er jo i startfasen nå så vi starter med den første piloten nå i høst

 

Silvija: Mikrokurs mikro utdanning er digitalisering. Hvordan tenker vi rundt liksom det hybride klasserommet etter korona? Hva tenker vi der?

 

Morten: Vi har planlagt å gjøre fdette ørste runden med fysisk tilstedeværelse. Derfor har vi utsatt det nå til etter pandemien. Det betyr ikke at vi ikke skal utnytte digitale ressurser, men vi skal lære litt og underføre en del gruppearbeid og vi må hente erfaringene i fysiske omgivelser, så det første kurset vil bli med fysisk oppmøte på Blindern, men når vi går litt frem i tid så kan vi se for oss ulike former for hybride løsninger.

 

Silvija: Veldig bra. Jeg tror det å møtes er utrolig viktig nå, vi trenger rett og slett å se hvordan vi tenker sammen, også etter hvert finne ut av hvordan vi kan inkludere flere enn de som kan møtes, nettopp gjennom disse nye hybride løsninger. Det blir utrolig spennende.

 

Morten: Nå har vi jo, på ulike sammenhenger, så har vi hentet mye erfaring nå under pandemien i både heldigitale og hybride løsninger. Vi har også lang erfaring fra tidligere knyttet til hybride løsninger, så det å samle sammen all den kunnskapen vi nå har hentet inn på Universitetet i Oslo og for så vidt også fra resten av verden, det er viktig når vi nå skal utvikle fremtidens utdanninger.

 

Silvija: Jeg har forresten Morten hørt veldig mye skryt om disse her folka på UiO som forsker på digital pedagogikk, som jeg tolker som er nye pedagogiske modeller og metoder som utnytter da både det digitale og det fysiske i en effektiv forening. Er det så noenlunde riktig forstått?

 

Morten: Ja, ta gjerne kontakt med de de er. Jeg synes også de er gode. Det er ikke mitt fagområde, men jeg lærer mye av dem.

 

Silvija: Ja veldig spennende. Også er det tema til dette kurset, det heter fra data til innsikt, hva betyr det?

 

Morten: Verden samler enorme mengder med data, og data blir viktigere og viktigere i nesten alle typer virksomheter. Så dette handler om å ta data fra hvor enn det måtte komme, forvalter disse dataene på en fornuftig måte, gjennomfører gode analyser, for så å kunne hente ut innsikt og kunne utføre handlinger på basis av den innsikten man får, så derfor fra data til innsikt, men vi kunne kanskje også skrevet fra data til innsikt til handling. Det hadde kanskje vært enda mer presist, men fra data til innsikt er en god tittel. Og det vi forsøker å dekke i dette mikro programmet er de viktigste aspektene fra du får data, til du gjennomfører ulike ting med det, til du tar de beslutninger du måtte ta på basis av de dataene du ha.

 

Morten: Også vil jeg si at jeg selv om dette høres ut som en lineær prosess fra data til handling så er det veldig mye tilbakekoblinger i denne type virksomhet også. Så når du har gjort en handling så kan du i neste korsvei kan du behandle dataene dine enda bedre gjennom å lære hvordan data faktisk virker for deg og din virksomhet.

 

Silvija: For å oversette det til litt mer Lego-språk, slik jeg forstår det er at vi samler data, også lærer vi noe nytt fra de dataene, så justerer vi våre prosesser, men så kan det hende at det oppstår nye spørsmål og nye muligheter, og da er det veldig viktig å gå tilbake til datainnsamlingens modellen vår og metodene, også se hva mer vi kan lære.

 

Morten: Det er helt korrekt. Også kan du si rent teknisk sett, så inneholder dette kunnskapsformidling, altså kurs i hvordan bygge systemer og strukturer for håndtering av data, og hvilke typer metoder du trenger for å analysere disse dataene og på toppen av det ulike ting som du kan bruke for å visualisere og ta beslutninger. Noen prosesser vil jo være automatiserte, og det kan man jo gitt en viss grad kalle kunstig intelligens.

 

Morten: Noen må vil hjelpe deg å kunne ta beslutninger, så du må kunne se på dataene før du tar en beslutning om hva du gjør med disse dataene og kunne koble dit de øvrige ressurser du har i bedriften, enten det er mennesker eller kapital.

 

Silvija: Det er to ting jeg har lyst til å utdype med deg. Det første er at jeg synes vi er veldig bra at dere lager dette kurset, fordi jeg har en privat teori om at en av grunnene til at vi ikke kan bevege oss like fort i noen av de retningene som Norge har unike fordeler på, om det er hav, energi eller velferdstjenester, er at jeg tror ikke vi har ordentlig tatt innover oss hva det betyr at data er det nye verdiskaperne. Jeg tror at vi snakker mye om data, men at veldig mange av oss tenker at dataene for de der IT folkene finne ut av, og det å tenke på data som det nye råvaren er utrolig viktig, skal vi ta denne digitale revolusjonen på alvor. Ser du eksempler på folk som gjør det bra?

 

Morten: Ja, det gjør jeg og hvis du tar disse store plattformselskapene som Google og Facebook, så lever de av data, men du ser jo også en del offentlige enheter, ta Meteorologisk institutt de lever av å hente inn og produsere data. Du har fenomenet skatt i Norge som har kommet veldig, veldig langt. Du har bedrifter som jobber med data i forbindelse med transport for å effektivisere transport og så videre. Så det er mange eksempler, mange gode eksempler der ute, men samtidig så er flommen av data så stor at vi vet i dag at vi har mye mer å hente og de fleste har mye mer å hente.

 

Silvija: Også har jeg lyst til å spørre deg også om følgende, Morten, fordi veldig ofte så sier folk at ja, men vi har jo drevet med data, drevet en ledelse, quantifiable, også videre, lenge. Så hva er det nye? Og jeg tror noe av det nye er skala, kompleksitet og skala. Kan du forklare det litt?

 

Morten: Det er 3 ting som hele tiden utvikler, det er volum, altså mengden data, det er kompleksiteten, hvor du får det fra forskjellige kilder, også er det også til dels hastigheten, hvor fort det kommer, altså hvor fort dataene kommer, hvis data kommer fort i store volumer, så må det analysere dem raskt også for å kunne yte dem riktig. Så det er liksom de 3 tingene. Det er ikke noe nytt, men det kommer raskere og raskere og i større og større volumer. Det er et fenomen som må håndteres. 

 

Morten: Så kan du si at når det er store volumer som kommer veldig raskt, så er det opptatt av å finne mønstre i disse dataene som ikke ser med det blotte øyet eller med gamle metoder. Derfor så utvikles nye maskinlæring, såkalte dyplæringsmetoder, som vi skal forlese om i dette kurset, som viser hvordan liksom du kan detektere mønstre i data som du da kan utnytte i en annen form i din bedrift. Dette kan handle for eksempel om å finne avvik i store datastrømmer fra sensorer for eksempel, som finnes i de fleste anlegg rundt omkring nå. Du bygger opp et anlegg med masse sensorer, så kan du da måle avvik eller du kan studere hvordan disse datastrømmene ser ut, for så å kunne forberede deg på det som på en måte kom til å skje, for eksempel ulykker eller lignende.

 

Silvija: Jeg tror at hvis jeg skulle igjen bruke Lego språket mitt og definerer litt navnet på kurset, så er dette her et slags førerkort til dataanalyse og bruk. Når vi lærte å kjøre bil, så lærte vi å bruke det verktøyet som en bil er, effektivt og ansvarlig, også prøvekjørte vi litt for å teste det, og hvis jeg forstår det riktig, så skal det egentlig lære å bruke dataanalyseverktøy og kanskje innsamlingsverktøy effektivt også lære å forstå data, lærer å analysere data, også ønsker dere at folk skal lære å bruke det ansvarlig med etikk og så videre. Så er det litt sånn eksperimentering, men jeg vet ikke hvor mye implementasjon det blir, men man skal i hvert fall tenke seg ganske langt på vei, hvordan man skulle implementere det hjemme hos seg når man kommer så langt. Fortell litt om strukturen.

 

Morten: I dette hele programmet er jo bygd opp med et introduksjonsemnet eller introduksjonskurs som jeg ansvaret for. Der er det ingen implementering, der er mer å skaffe seg en form for oversikt. Jeg må også si at ute i samfunnet, det er masse dyktige folk der ute, som vi også skal lære av så jeg håper jeg å få kandidater som også er villig til å lære bort til oss og til de som deltar, slik at vi får en god dialog om hva som er deres utfordringer over tid som vi kan bruke til å utvikle oss. 

 

Morten: Jeg har jo vært på Universitetet i praktisk talt hele mitt liv, og vi har jo i utgangspunktet en teoretisk bakgrunn, men allikevel knytter dette så godt vi kan til anvendelser og får vi med oss folk fra næringslivet og offentlig sektor som også kan det, og som gjerne vil lære litt mer så mener jeg at dette vil være veldig fruktbart for oss. De øvrige emnene eller i kursene som kommer, for eksempel kurset på digitale tvillinger, der vil det være øvelser i å implementere ting i enkle måter. Hva er en digital tvilling og hvordan lage en digital tvilling. Så der vil det være øvelser. Det vil også være eksperimenter innenfor de kursene vi har, innenfor maskinlæring, type læring som viser hva maskinlæring dyp læring faktisk kan brukes til, men det er klart i korte emner som dette så er det jo ikke stor og tung implementasjon du kan gjøre. Alle emnene er på 3 arbeidsdager pluss en prosjektoppgave og det handler veldig mye å snakke sammen om de ulike utfordringene, og i tillegg til at vi skal snakke sammen, så har vi jo gode forelesere som skal fortelle litt om hvor forskningsfronten befinner seg på de ulike temaene vi tar opp.

 

Silvija: Det du snakker om er altså å forstå data, analysere data også bruker data som beslutningsgrunnlag og dette innebærer også en del ting som ikke er bare data science, men det er litt etikk og juss og sånn.

 

Morten: Den siste dagen i dette åpningskursen den er mer Humanistisk samfunnsvitenskapelig profil. Vi tar opp 3 temaer. Det er et ti etiske og juridiske spørsmål. Vi tar opp altså hvordan skal vi lære av dette? Altså hva er type læringsprosesser? Og der kommer det du spurte om, pedagogikk inn i bildet og vi tar opp hva skal vi gjøre som leder. Det er etikk og juss og det er læring, og det er digital ledelse som er tema siste dag, mens de to første dagene er mer av teknisk karakter. Det er fordi at dette faget som vi her snakker om, altså fra data til innsikt. Det handler jo om å hente kunnskap fra hele den faglige bredden selv om du metodisk sett henter veldig mye fra informatikk og matematikk, så skal du hente fra flere fagfelt for å få en helhet i hele problemstillingen vi nå prøver å adressere. Så hele programmet adresserer dette, mitt introduksjonskurs adresserer det, og så vil hvert enkelt emne senere være mer spisset mot utvalgte temaer. 

 

Morten: Vi har for eksempel et lite dypdykk bokstaveligtalt i dyp læring i et som et av kursene. Der går det med litt dypere inn på hva er egentlig dette fenomenet dybdelæring? Det kommer vi ikke veldig dypt inn på i mitt kurs for det har vi ikke tid til, men der skal vi si.

 

Silvija: Vi plasker litt i dyplæring. Jeg har lyst til å spørre deg, så hvis jeg forstår det riktig, dette kurset inneholder egentlig respekt for data, effektiv bruk av data, data som råvarer, og så må man kunne litt verktøyene sine, og disse verktøyene omtales veldig løst som kunstig intelligens. Kan ikke du si kort hva dette fenomenet, kunstig intelligens er, og du nevnte dyplæring, det er noen som snakker om maskinlæring. Hvordan sorterer vi det?

 

Morten: Kunstig intelligens har kommet for å bli, og den forståelsen vi har av det kan variere litt, men det vi sier at det er, er at vi har noe informasjon, vi har data, ved hjelp av algoritmer henter vi informasjon ut av disse, som vi bruker til å ta en beslutning enten om det er automatisert eller ikke. Når dette å hentet ut data fra store datamengder oppfattes som intelligent, så blir det på en måte kunstig intelligens vi snakker om. Det er jo tross alt en algoritme som gjør dette her, men den gjør veldig avanserte ting for eksempel å finne kreftsvulster i bilder eller arter i naturen hvor du analyserer et bilde. Det er kanskje det klareste eksempelet på kunstig intelligens i dag hvor du har algoritmer som lærer på basis av et gitt antall bilder, også bruker du det for å gjenkjenne andre fenomener i andre nyere bilder.

 

Silvija: For eksempel når bilen kjører selv.

 

Morten: Når bilen kjøres selv ja. Det er imponerende hva bilene kan kjenne igjen nå. Jeg har en relativt ny bil og overrasket over hvor flink den er til å se hva som finnes på veien. Det er gjerne det vi kaller kunstig intelligens. Da har bilen blitt lært opp til å se dette. Så da ligger det algoritmer som både i forkant lærer opp de som lærer opp systemet og algoritmer som raskt analyserer det den ser.

 

Silvija: Så det du snakker om er egentlig algoritmer som har en slags sirkularitet. De finner mønstrene, de dytter de mønstrene inne i systemet, og så finner de nye mønstrene stadig. Det er det læringen for mennesker også.

 

Morten: Det er det, det er lærerne algoritmer kan du si, også er det flere typer her altså som vi kommer til å gå inn på i kursene som jeg ikke har tid til å gå inn på her. Men det er det, det er algoritmer som lærer og det er programmert til å lære 

 

Silvija: Nysgjerrige algoritmer.

 

Morten: Derfor så blir det oppfattet som intelligent da derfor kaller vi det kunstig intelligens, så det er et godt ord for så vidt, greit ord.

 

Silvija: Ja, også er det kanskje greit for folk etter hvert å i hvert fall få en sånn egen forståelse av hva betyr dyp læring vs vanlig maskinlæring? Man trenger kanskje ikke har skrevet algoritmer i det selv, men forstå forskjellen i kapabiliteter.

 

Morten: Ja det altså. Det er jo imponerende da dype lærings algoritmer får til, det er det første vi kan si. Det vi også er opptatt av det er usikkerhet, et av kursene som kommer, og vi kommer litt inn på det også i det første introduksjonskurset, er hva slags type usikkerhet som finnes. Det er usikkerhet både i dataene og i modellen, og før du begynner å bruke det så er det ekstremt viktig å forstå usikkerheten for du kan gjøre alvorlige feil. Du kan for eksempel ta bilder av et dyr så kan du si at, ok nå har klart å lage et system som gjenkjenner alle katter. Så gjør du en liten partisjon, en liten endring på disse bildene så kan man plutselig gjenkjenne katter som vi ser med våre øyne som et fly, eller noe helt annet. Så dette er en vesentlig del av det å utnytte data det er å forstå usikkerhet, forstå feilkilder. Det kommer vi også inn på i flere av disse kursene, og skal du bli god til å utnytte data så skal du også forstå ikke bare hvor gode de er, men også hvor dårlig det er. For data kan gjerne være dårlig og veldig nyttig, bare du forstår hvor dårlig de faktisk er.

 

Silvija: Dårlig data, dype data, lange data, store data, det er mange forskjellige typer data. Jeg gleder meg egentlig veldig til dette kurset. Tusen takk for en inspirerende oppvarming og introduksjon til et viktig tema.

 

Morten: Ja, hjertelig velkommen til universitet i Oslo.

 

Du har nå lyttet til en podkast fra Lørn.Tech. En læringsdugnad om teknologi og samfunn. Nå kan du også få et lærings sertifikat for å lytte til denne podcasten på vårt online universitet Lørn.universitet.

 

Quiz for Case #C1099

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

Allerede Medlem? Logg inn her:

2

C1099 BIGDATA Kunsten å forstå data - med Morten Dæhlen

1 / 3

Hva er mikroutdanning?

2 / 3

Hvordan går du frem når du skal hente kunnskap ut av data?

3 / 3

Hva er kunstig intelligens?

Your score is

The average score is 100%

Du må være Medlem for å kunne skrive svar på refleksjonsspørsmål

Allerede Medlem? Logg inn her: