#0201 – Intelligent og automatisk bildeanalyse

Navn
Line Eikvil

Selskap
Norsk Regnesentral

Tittel
Forskningsleder 

Hvem er du, og hvordan ble du interessert i AI?
Informatiker, forsker og forskningsleder for bildeanalyse og maskinlæring. 
AI kan sies å være det å bruke datamaskinen til oppgaver som vanligvis krever menneskelig intelligens. I automatisk bildeanalyse er målet automatisk tolkning av visuelle data og er sånn sett AI for det visuelle. Interessen for bildeanalyse startet allerede under informatikkstudiet, hvor jeg ønsket å forstå hvordan en kunne få datamaskinen til å se. Har siden jobbet med problemstillinger knyttet til automatisk tolkning og gjenkjenning i bilder i over 30 år. 

Hva gjør dere på jobben?
Vi driver med oppdragsforskning innenfor statistisk analyse, bildeanalyse og maskinlæring. Innen mitt område jobber vi med metoder for automatisk gjenkjenning og tolkning i ulike typer bilder, alt fra medisinske bilder, satellittbilder, scannede dokumenter, ekkoloddbilder av fisk, seismikk fra oljesektoren, osv.

Hva er de viktigste konseptene i AI?
For AI generelt og bildeanalyse spesielt har dyp læring (deep learning) blitt en av de viktigste teknologiene. Her skjedde det nærmest en revolusjon i 2012, da en gruppe ved universitetet i Toronto benyttet denne metodikken til gjenkjenning i bilder og knuste tidligere rekorder i en bildegjenkjenningskonkurranse. 
 

Hvorfor er det så spennende?
Det er både en spennende teknologi og spennende at en kan få datamaskinen til å se og bidra til å utvikle løsninger for dette. Dype nevrale nettverk har gjort oss i stand til å løse problemer vi ikke klarte å løse før. 

Hva synes du er de mest interessante kontroversene?
Urealistiske forventninger. Troen på at maskinene kan lære av seg selv. 

Dine egne prosjekter innen AI?
Vi jobber med svært mange prosjekter relatert til intelligent bildeanalyse. Noen eksempler (oppdragsgiver i parentes):
– dyp læring og big data i mammografiprogrammet (Kreftregisteret)
– intelligent ultralydscanner (GE Vingmed)
– dyp læring for tolkning av seismikk (Equinor)
– automatisk bildeanalyse for marinetjenester (Havforskningsinstituttet)
– AI for satellittdata (European Space Agency)
– finne kulturminner fra lidar data (Riksantikvaren)

Har du andre gode eksempler på AI internasjonalt og nasjonalt?
Et eksempel er selvkjørende biler. Men det er langt fram for at en selvkjørende bil skal kunne kjøre på en hvilken som helst vei under alle værforhold og tolke alle situasjoner.

Hvordan pleier du å forklare AI?
For å plassere ting litt i forhold til hverandre: Kunstig intelligens er hele konseptet om at maskiner kan utføre oppgaver som kan anses som smarte. Maskinlæring er en tilnærming til kunstig intelligens hvor maskinen lærer sammenhenger fra data – i stedet for at det brukes modeller (statistiske, fysiske) eller definerte regler. Dyp læring er en type metoder for maskinlæring (blant mange) – men som har vist seg å gi veldig gode resultater – spesielt for bilder og tale/lyd.

Er det noe vi gjør her i Norge som er unikt?
Utstrakt bruk av teknologi og innsamling av data (f.eks. oljesektor, marin sektor) kan gi et godt utgangspunkt.
 

Kan du anbefale noe stoff om AI?
For dyp læring for bildeanalyse: Stanford-kurset CS231 (video av forelesninger på nett). 

Et favorittsitat om AI?
Yann LeCun (from the Canadian trio, now in Facebook): «If intelligence was a cake, unsupervised learning would be the cake, supervised learning would be the icing on the cake, and reinforcement learning would be the cherry on the cake. We know how to make the icing and the cherry, but we don’t know how to make the cake.»

Andrew Ng (tidl. Stanford, Baidu, nå Drive.ai): «I don’t worry about AI turning evil for the same reason I don’t worry about overpopulation on Mars.»

Viktigste poeng om AI fra vår samtale?
Intelligent bildeanalyse med dype nevrale nettverk kan løse problemer vi ikke klarte å løse før, men blir ikke mer intelligent enn treningsdataene. Tross mange suksesser er det fortsatt behov for en god del ekte intelligens. Det handler fortsatt om å finne beste metode til hvert problem og forstå de ulike metodikkene og kjenne deres styrker og begrensninger – og forstå dataene.