På verdens største festival for dokumentarfilm nylig vakte norskproduserte «iHuman» oppsikt. Filmens tema – «blir kunstig intelligens vår undergang?» – reiser en viktig debatt. Men i slike ordskifter glemmes lett et viktig faktum: at mange bedrifter kan bruke smarte maskiner til noe så jordnært som å forbedre prosessene og produktene sine, til gagn for klima og miljø, helt uten å skape etisk krøll.

Filmen «iHuman» er alt vist for skoleelever og får kinopremiere til våren. Drøftingen den inviterer til, er betimelig: Hvordan sikre at maskiner som lærer av egne observasjoner og erfaringer, blir til det beste for mennesket og demokratiet?

Spørsmålet bør gjennomsyre samfunnsdebatten. Men samtidig er det altså slik at mange bedrifter kan skape verdier ved å bruke kunstig intelligens på datasett og anvendelser som ikke byr på etiske dilemmaer.

I Sintef forsker vi på slike bruksområder, sammen med flere norske selskap. Disse bruker kunstig intelligens på data som ikke er personsensitive – til å hjelpe ansatte med å treffe gode beslutninger. Her skal mennesker altså fortsatt delta i produksjonen, og bedriftene er langt unna anvendelser som gir maskiner sjansen til å bestemme alt alene.

Prosjektene våre viser at dette kan bli et vinnerspor. Men først: Hvordan blir maskiner intelligente?

Bakteppet er dagens enorme kapasitet for databehandling, pluss tilgangen på stordata: informasjonsmengder som er så store eller komplekse at de ikke kan analyseres på vanlig vis.

For å studere slike informasjonshav, utvikles algoritmer – oppskrifter for beregninger – for såkalt maskinlæring. Når en datamaskin mates med store datasett og går løs på dem med denne typen algoritmer, gjenkjenner maskinen mønstre som mennesker ikke kan se.

Og jo flere data algoritmene trenes med, jo lettere ser de mønstrene.

Maskinlæring er nært beslektet med optimeringsteknologi: dataverktøy som lynraskt kan vurdere skyhøye antall kombinasjonsmuligheter i jakten på den beste av dem. Slik jobber for eksempel sjakkmotoren Stockfish, verdensberømt og delvis norskutviklet.

Nettopp tospann av maskinlærings- og optimeringsløsninger er noe av det vi lager sammen med næringslivet. Eksempler fra prosjektene viser hva som kan oppnås på denne måten:

  • I Norge går anleggsmaskiner på tomgang nær halve arbeidstiden, fordi de venter på hverandre. Nå utvikler entreprenørkonsernet Skanska, Sintef, Volvo og programvareselskapet Ditio i fellesskap kunstig intelligens for bruk i slike kjøretøy: algoritmer som skal lære å gjenkjenne ineffektive kjøremønstre og optimalisere planer som avgjør når hvilke anleggsmaskiner skal gjøre hva, for eksempel i et veiprosjekt. Det vil gi bedre koordinering av aktiviteter, noe som betyr reduserte CO2-utslipp, raskere utbygginger og kutt i kostnader.
  • Teknologi fra Sintef har bidratt til å gjøre norske Distribution Innovation til markedsleder i Norden innen optimalisering av budruter. Med samme oppskrift effektiviserer selskapet logistikk for innhenting og utplassering av sparkesykler. Her må planer revideres hyppig. Sammen med flere utvikler vi nå nye algoritmer nettopp for slik dynamisk planlegging.
  • Hvordan vurdere raskt hva som er beste plassering av bygg ut fra tomt, solforhold og støy? Bedriften Spacemaker gir arkitekter smart hjelp med digitale verktøy. Sammen ser vi nå på nye mulige optimeringsalgoritmer.

Verden trenger å styre bruken av kunstig intelligens i etiske minefelt, for eksempel i forsvarsindustrien og i de globale it-gigantene. Men det må ikke bremse all bruk av slik teknologi på andre områder.

For landet vårt vil det nå være klokt å gjøre to ting på en gang: holde etikkdiskusjonen levende og samtidig sirkle inn ukontroversielle områder der maskinlæring raskt kan styrke bedrifters bunnlinje og miljøregnskap.(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.