Spørsmålet om kunstig intelligens er trygg å bruke får mye oppmerksomhet. Suksesseksemplene er foreløpig få. Men optimismen bør råde fordi Norge har god tradisjon for å temme ny teknologi slik at gevinster kan høstes.

Regjeringen la frem nasjonal strategi for kunstig intelligens i januar i år. Markedet har utviklet metoder og løsninger som bidrar til å sikre kvalitet på algoritmer. Dette fører til at offentlig sektor kan stille krav til kvalitet ved innkjøp og bruk. Behovet for tillit og kvalitet både i næringslivet og blant befolkningen vil bidra til forbedringer av metoder.

Delen av kunstig intelligens som omhandler algoritmer, inkludert maskinlæring, har et enormt potensial. Det kan gi økt produktivitet, velferd, åpenhet, kunnskap og konkurransefortrinn. Dette er gevinster vi må evne å høste.

Per Myrseth
Per Myrseth

Da de første pengesedlene ble trykket, var tilliten til kombinasjonen av papir og trykking som teknologi lav. Lav tillit til teknologien ble utfordret av fordelene, metallmynter ble utkonkurrert av papirsedler og utbredelsen tok fart. Tilsvarende skjer i dag med overgang fra sedler til kort, til Vipps, osv.

Hvem ville brukt en bil som ikke er testet eller oppfyller allment akseptert kvalitet?

Som trafikant er jeg glad for at bilindustrien har utviklet airbag, sikkerhetsseler og ABS-bremser, og nå stadig mer automatikk og kjøreassistenter.

Algoritmer dreier seg om å finne mønstre i data som gir verdi. Da må man skape og samle de data som har ønskede mønstre og sikre at kvaliteten på data er gode. Datakvalitetsproblemet er minst like viktig som kvalitet i algoritmer. Hvis målet er bedre tillit og kvalitet på data og algoritmer, så trenger vi metoder for å måle kvalitet og håndtere risiko.

Det finnes i dag både metoder, kompetanse og tjenester for å utvikle, teste og videreutvikle algoritmer, men også metoder for å gjøre risikovurderinger og kvalitetssikring. Men de sistnevnte metodene er foreløpig lite i bruk. Dette er et samfunnsproblem som vi må ta på alvor.

Prinsippene for vurdering av kvalitet i fysiske produkter kan i stor grad også brukes for data og algoritmer. Fysisk utstyr degraderes over tid, og det er vanskelig å bedre kvalitet når noe først er produsert. Algoritmer derimot kan ved nye data bli bedre og bedre. Denne bedringen er hovedregelen – risiko og kvalitetsbetraktningen må ta hensyn til dette.

Jeg mener behovet for et offentlig «kunstig intelligens- og algoritmeråd» – foreslått i innlegg i DN 12. august av Ishita Barua – er underordnet når markedet allerede har forsket og innovert seg frem til metoder for både risikostyring og kvalitetssikring av algoritmer. Nå må vi ta i bruk resultatene av disse arbeidene.

Eksempler på eksisterende metoder for kvalitet og risikostyring av algoritmer er «Rammeverk for sikring av datadrevne algoritmer og modeller» DNV GLs åpent publiserte metode, og «Artificial intelligence – Risk management» som snart publiseres av ISO.

Norsk industri og offentlig sektor er i en unik posisjon, vi har metoder og kompetanse, og på mange felt nok data til å kunne utvikle algoritmer med høy kvalitet som fortjener tillit. I samarbeid kan skape gevinster til det beste for offentlig sektor, næringsliv og borgerne. Nå har vi muligheten til å ta et løft som digital nasjon ved å bedre kvaliteten på kunstig intelligens og datadrevne løsninger.

Et nytt offentlig råd er neppe løsningen for å få til dette.(Vilkår)Copyright Dagens Næringsliv AS og/eller våre leverandører. Vi vil gjerne at du deler våre saker ved bruk av lenke, som leder direkte til våre sider. Kopiering eller annen form for bruk av hele eller deler av innholdet, kan kun skje etter skriftlig tillatelse eller som tillatt ved lov. For ytterligere vilkår se her.