Hoppa till huvudinnehåll

Datorerna blir allt bättre på att lära sig själva – och det förändrar vardagen snabbare än vi tror

Neuroner i hjärnan.
Datorerna lär sig att göra egna kopplingar. Sådana datorprogram kallas för neurala nätverk. De ut­vecklades med nerv­sys­temet som förebild, därav namnet (neuron är detsamma som nerv­cell). Neuroner i hjärnan. Bild: Vladimir Kolosov neuronnät

Maskininlärningen har tagit stora steg framåt under det senaste året, och inget tyder på att trenden skulle sakta ned - tvärtom. Nyligen har det också lanserats verktyg som gör den här tekniken tillgänglig för ännu fler.

– Maskininlärning kommer att vara omvälvande för våra vardagsliv och för hur vi jobbar. Redan i dag ser man att det här lärandet är möjligt rent tekniskt och att det finns på många olika håll, säger Jouni Alin, som är analyschef på konsultföretaget Deloitte.

Alin säger att det tills vidare är ganska få aktörer i Finland som har tagit i bruk maskininlärning. Han tillägger ändå att väldigt många är intresserade av att göra det. Det gäller både företag och den offentliga sektorn.

Maskininlärning kommer att vara omvälvande för våra vardagsliv och för hur vi jobbar

Med maskininlärning menas att man tränar ett datorprogram att lösa en uppgift genom att man matar det med exempel.

I praktiken handlar det om program som efterliknar mänsk­ligt beteende och tänkande.

Ett närbesläktat begrepp är artificiell intelligens (AI). Med det syftar man på att maskiner kan utföra uppgifter på sätt som vi upplever som "smarta".

Maskininlärning, som den här artikeln fokuserar på, är en AI-tillämpning.

Automatisk identifiering i fotoalbum

Jouni Alin påpekar att dator­pro­gram har lärt sig själva att känna igen olika fotomotiv.

Sådana här funktioner finns bland annat i fotoalbum på moderna Apple- och Android-mobiltelefoner och gör det möjligt för användaren att lätt hitta bland sina bilder.

Programmen kan urskilja mellan motiv såsom hus, bilar, skidning och katter.

Katter i Googles bilddatabas.
Googles datortränade system kan identifiera individuella katter - förutom om de liknar varandra väldigt mycket. Katter i Googles bilddatabas. porträtt

Igenkänningen kan fungera lokalt på mobiltelefonen eller surfplattan. Både Apple och Google lanserade sådana lösningar i fjol, för hårdvara som stöder det.

– Det färdigt tränade datorprogrammet, som känner igen olika motiv, kan alltså köras på användarens personliga data utan att uppgifterna behöver laddas upp på en molntjänst. Det möjliggör ett högt integritetsskydd, påpekar Alin.

Samtidigt är det inte helt uteslutet att appar skulle kunna missbruka det lokala AI-systemet, till exempel för att lättare kunna hitta känslig information om användaren.

Grafikkort används för maskininlärning

År 2009 insåg forskare att de grafikkort som används i speldatorer och spelkonsoler lämpar sig väl för maskininlärning. Grafikkorten var 10-50 gånger snabbare på att utföra sådana här uppdrag, jämfört med vanliga processorer.

Ett grafikkort.
Ett grafikkort. Ett grafikkort. grafikkort

– Globala företag som erbjuder molntjänster, till exempel Amazon, IBM, Microsoft och Google, har köpt in stora mängder grafikkort som traditionellt har brukat användas i spelkonsoler, säger Alin.

50 rader kod räckte för att ett företag skulle kunna börja använda en viss slags maskininlärning.

Det finns nu flera molntjänster som automatiserar arbetet med maskininlärning, via särskilda gränssnitt. Till exempel Google lanserade AutoML för ett par veckor sedan. Tjänsten gör det lättare för olika aktörer att ta i bruk maskininlärning och minskar behovet av att rekrytera särskilda AI-experter.

– Jag var nyligen på ett evenemang som Amazon arrangerade där de visade upp att 50 rader kod räckte för att ett företag skulle kunna börja använda en viss slags maskininlärning.

Alin tillägger att det till och med kan vara "farligt enkelt" att börja använda neurala nätverk - alltså ett program som lär sig lösa problem genom att man först tränar det.

Jouni Alin
Jouni Alin. Jouni Alin Bild: Yle/Niklas Fagerström porträtt,Jouni Alin

Om man programmerar något liknande från början så kan det lätt handla om åtminstone tusentals rader knepig kod.

– Det har alltså byggts en hel del automation som gör det lättare att träna datorer. Alla förutsättningar finns nu för att det här ska bli snabbt vanligare. Så har det inte varit i mer än ett år, om ens det, säger Alin.

Förutom att fler nu kan skapa egna AI-program så kan kunniga experter också lägga mer tid på arbetet med att förbereda data och bygga modeller.

Det kan till och med vara "farligt enkelt" att börja använda neurala nätverk - alltså ett program som lär sig lösa problem genom att man först tränar det

Dessutom kan den datorträning som görs vid de stora datacentren göras effektivare än förr, tack vare framsteg som har med mjukvaran att göra. Något som kallas syntetisk träning är till exempel ofta effektivare än den metod man använde tidigare.

Hårdvaran utvecklas

Under det senaste året har det lanserats särskilda grafikkort som är optimerade för just maskininlärning.

Bland annat tillverkaren Nvidia kom i juni 2017 ut med ett chip vid namn Volta som sägs vara 6–12 gånger bättre på olika typer av maskininlärning än sin föregångare.

Microsoft bygger samtidigt sitt datorlärande i allt högre grad på såkallade FPGA-kretsar och Google använder såkallade ASIC-kretsar. De är väl lämpade för stora datacenter.

Ett TPU-chip
Googles TPU-datorkretsar som bygger på ASIC-teknik. Kretsen förstärker programvaran som driver inlärningstjänsterna. Ett TPU-chip Bild: Google tensor processing unit,TPU

I slutet av det här året kommer 25 procent av alla chip som är optimerade för maskininlärning att bygga på antingen FPGA- eller ASIC-teknik, bedömer Deloitte.

Flera experter menar att de här teknologierna är de som för tillfället ger de bästa förutsättningarna för maskininlärning. De är energisnåla, mycket snabba och tar relativt lite plats.

Konsultföretaget tror också att det i framtiden kan bli 10–1000 gånger billigare att utföra maskininlärning med hjälp av de moderna chipen. Och det om något kan få en revolutionerande inverkan och göra att tekniken börjar användas på mycket bred front.

Det finns många pågående tester och stort intresse för chattbottar som ska kunna svara på frågor som kunder kommer med

Totalt kommer det att säljas uppskattningsvis 850 000 chip för maskininlärning det här året. För två år sedan - alltså år 2016 - såldes “endast” 200 000 sådana här chip.

Kan användas på många olika håll

Jouni Alin är övertygad om att maskininlärningen snabbt kommer att sprida sig till olika delar av det finländska samhället.

I vilka uppdrag kommer tekniken att börja användas härnäst? Han nämner kundservice på distans som ett tydligt exempel.

– Det finns många pågående tester och stort intresse för chattbottar som ska kunna svara på frågor som kunder kommer med.

Det kan gälla till exempel olika butiker eller banker.

Också finska Yle har lanserat en Facebook-bot på försök - en chattbot som bland annat kan svara på frågor om kommande program, och länka till nyheter.

Yles Facebook-bot.
Yles Facebook-bot svarar tills vidare endast på finska. Yles Facebook-bot. Yle

Alin tillägger att en chattbot också kan utföra många komplicerade uppgifter - till exempel kan den styra andra datasystem enligt behov.

I finansbranschen har man använt sig av automation redan en längre tid bland annat i börshandel. Man automatiserar för tillfället många olika processer i samband med att flera datasystem förnyas.

– Algoritmer kan till exempel föreslå olika sätt på vilka man kan nå en viss dröm man har, till exempel om att köpa ett eget hem om fem år. Rekommendationerna kan bygga på vad andra personer som har nått målet, och som har befunnit sig i en liknande situation, har gjort, säger Alin.

Dessutom kan butiker bli bättre på att föreslå vissa varor åt kunderna vid vissa specifika tillfällen, så att olika utskick inte upplevs som irrelevanta.

HNS satsar på egen expertis

Särskilt inom hälso- och sjukvården är intresset för maskininlärning stort, eftersom här finns en stor potential att spara pengar samtidigt som man förbättrar vårdkvaliteten.

Om man går till läkaren och datorn ger en viss diagnos på basis av en maskinalgoritm så skulle patienten säkert vilja veta hur maskinen har kommit fram till den.― Jouni Alin, analyschef på Deloitte

Till exempel Helsingfors och Nylands sjukvårdsdistrikt HNS berättade nyligen att man har grundat ett eget team som ska utveckla och anpassa maskininlärning för olika ändamål.

Tidigare köpte HNS endast in en liknande tjänst från IBM, för att få hjälp med att vårda prematurer.

För tidigt född i kuvös
Nyfödd i kuvös på Barnkliniken. Ett AI-system hjälpte läkarna att förebygga blodförgiftning hos för tidigt födda spädbarn. För tidigt född i kuvös Bild: Yle/Niklas Fagerström prematurer,barnkliniken,spädbarn,Inkubator

Tills vidare vet man ofta inte så lätt varför en dator som har tränat sig själv föreslår en viss sak. Det kan innebära begränsningar i hur tekniken kan användas - särskilt inom hälso- och sjukvården.

– Om man går till läkaren och datorn ger en viss diagnos på basis av en maskinalgoritm så skulle patienten säkert vilja veta hur maskinen har kommit fram till den. Att diagnosen bygger på en algoritm räcker troligen inte riktigt, säger Jouni Alin.

Mer avancerade algoritmer kan åtminstone i viss mån berätta vad deras beslut bygger på, men det är relativt komplicerat att skapa sådana system. Det sker ändå stora framsteg också här.

På Social- och hälsovårdsministeriet har experter med intresse följt med utvecklingen inom maskininlärning. Jukka Lähesmaa, som jobbar som specialsakkunnig här, påpekar att det är möjligt att politiker i något skede kommer att begränsa hur maskininlärning får användas - till exempel inom vården.

– Vi måste komma fram till på vilket sätt det är vettigt att använda maskininlärning. Den som ligger bakom lärandet har också ett visst ansvar för rekommendationerna som maskinen kommer med. Och hurdant ansvar ska det vara? frågar han sig.

Jukka Lähesmaa
Jukka Lähesmaa. Jukka Lähesmaa Bild: Yle/Niklas Fagerström porträtt,social- och hälsovårdsministeriet,Jukka Lähesmaa

Jouni Alin på Deloitte betonar samtidigt att det finns många arbetsuppgifter som maskininlärning inte lämpar sig för i nuläget - till exempel att komma med framtidsvisioner eller att skapa något kreativt.

Hemelektroniken utvecklas

Maskininlärningen kommer att vara starkt närvarande också på fritiden, tror Alin.

Han bedömer att all ny hemelektronik kommer att förses med maskininlärning så småningom, för att till exempel göra apparaterna lättare att använda.

– Det kommer att komma kylskåp med sensorer och kameror som underlättar vår vardagliga rutin där vi tittar vad som finns i kylskåpet och vad som borde köpas. Kylskåpet kan själv föreslå det här.

Möjligen kan man sedan kombinera kylskåpets kunskap med en tjänst som fysiskt levererar matvaror till hemmet. På det sättet skulle man kanske aldrig själv behöva handla åtminstone vissa vanliga matvaror, eller ens tänka på att beställa dem.

En robot som lär sig själv.
Illustration på robot som lär sig själv. En robot som lär sig själv. Bild: Sarah Holmlund maskininlärning

Lagen hänger inte riktigt med

Att maskininlärning blir vanligare kommer också att få konsekvenser för lagstiftningen.

– Samtidigt som maskininlärning allt oftare blir ett verktyg som arbetstagare och medborgare använder sig av så vet vi inte i dag helt hur lagen borde förändras så att den hänger med i utvecklingen, säger Jukka Lähesmaa på Social- och hälsovårdsministeriet.

Man har till exempel inte tagit i betraktande att det inte alltid är människor som gör vissa uppgifter.

– När en maskin kan göra de här uppgifterna istället i framtiden så behöver vi nog se över lagstiftningen och de rekommendationer via kommer med som myndighet, säger han.

Läs också

virtuell verklighet + datorer + bredbandsnät + mobiltelefoner + internet + sociala nätverk + lösenord + databrott + teknik (apparater) + kommunikationsteknik + databaser + datakommunikation + pekskärm + telefoner + sökmotorer + datasekretess + e-postadresser