Gjestekommentar: Vi må tilbake på skolebenken

Michael Riegler, Chief Research Scientist/ Research Professor, Simula Metropolitan Center for Digital Engineering

Valeriya Naumova, Director, Simula Consulting

 Moderne maskinlæring (ML) og kunstig intelligens (KI) har allerede oppnådd imponerende resultater på mange felt, og er blant Europas viktigste aktivum for økonomisk konkurranseevne. Vi ser allerede daglig bedre eksempler på hvordan KI systemer kan brukes på forskjellige områder, som innen transportnæringen ved å forbedre «autopiloten» basert på kjøremønster, innen helse ved å optimalisere kreftbehandling, og innen finans ved å estimere risiko mer nøyaktig. Vi vet også at KI vil kunne drive bedrifter mer effektivt ved å automatisere oppgaver som i dag krever menneskelig arbeidskraft.

 Og det stopper ikke der. Ifølge konsulentselskapet PWC har ML-relaterte selskaper samlet inn $9.3B bare i 2018, noe som en økning på 72% i forhold til 2017. McKinsey Global Institutt viser på sin side til at maskinlæring har et potensial til å skape ytterligere $2.6T i markedsføringsverdi og salg allerede i år, samt $2T i produksjon og planlegging av forsyningskjeder.

 Hva er status av teknologien i Norge? Hva er de største utfordringene? 

Mange selskaper i Norge forsøker å integrere KI som en viktig del av digitaliseringsstrategien, men ved nøyere ettertanke blir det tydelig at veldig få klarer å utnytte det reelle potensialet i teknologien. Det er fortsatt svært vanlig at selskaper ikke bare sliter med å forstå grunnprinsippene i teknologien, men også hvordan den skal brukes. For eksempel tror man ofte at KI trengs, men det man egentlig trenger er avansert dataanalyse eller visualisering.

Et annet problem er at maskinlæringsprodukter ofte presenteres som mye bedre enn de er. Dette skjer ofte uten en intensjon om å gjøre det, men heller på grunn av mangel av forståelse av underliggende mekanismer og evalueringsmålinger. Noen gang er også resultater fremstilt som KI-baserte, men det er egentlig mennesker som produserer resultater som etterligner reelle maskinlæringsalgoritmer.

I samme kontekst blir det åpenbart at KI kan sees på som en trussel mot andres jobber, og igjen tilfører en ny vanskelig dimensjon av adopsjonen av KI og ML. Men, det er viktig å forstå at KI ikke er en erstatning for menneskelig arbeidskraft, men et svært effektivt verktøy og en muliggjørende teknologi som frigjør og muliggjør nye typer jobber.

KI-plattformer fra leverandører som Microsoft og Amazon kan betraktes som en vidundermedisin for organisasjoner som håper å utnytte KI. Imidlertid kan disse plattformene være dyre, det kan hende at de ikke alltid gir den ønskede løsningen, eller at resultatene er lite intuitive eller reproduserbare. I tillegg kan det å være låst til en leverandør hindre brukeren i å finne mer effektive løsninger andre steder.

Bedrifter må i stedet ha et bredere syn for å oppnå en klar forståelse av hvor KI kan hjelpe dem, hva slags problemer KI kan løse, optimale metoder, og hvilke data som trengs for å trene dem. Uten denne kunnskapen vil næringslivet fortsette å kjempe mot den fremtidige automatiserte utopien.

Hovedutfordringen med å eksponere denne typen kunnskap til industrien er det stadig økende gapet mellom teoretisk datavitenskap og anvendelser, i kombinasjon med mangel på maskinlæringseksperter. Mer spesifikt kan man si at mange av de tilgjengelige KI- og ML-verktøyene fremdeles er på forskningsstadiet og har et svært smalt bruksområde. For å øke fleksibiliteten må man bygge et team fra bar bakke og utvikle egne applikasjoner.

Et annet problem er opplæring av nye ML-eksperter, og etterspørselen i USA er estimert til å bli 50-60% større enn tilbudet; Europa vil følge den samme veien. Selv om det finnes stadig flere online-kurs og utdanningsprogrammer for ML/KI brukere, er det fortsatt et stort sprik mellom det å oversette kunnskapen fra nyutdannede dataforskere til produktledere, samt operasjonsteam og tech-eksperter, som trenger å forstå hvordan og når KI bør brukes til deres fordel. Et kritisk aspekt er derfor en kombinasjon av både teoretisk og praktisk kunnskap. Nøyaktig denne utfordringen ble fremhevet i den nye nasjonale strategien for KI av Nikolai Astrup, som understreket behovet for formalisert utdanning innen KI og et sterkere samarbeid mellom industri og akademia om KI-relaterte emner.

Hvor står vi nå? Hvordan kan vi løse det?

Generelt er Norge på god vei til å fremme KI utdanning. Strategien fokuserer på spredning av KI-utdanning til forskjellige områder som medisin, samfunnsvitenskap osv. Norske forskningsinstitusjoner og universiteter som har erkjent betydningen av KI har et viktig ansvar i den sammenhengen.  Flere nye spesialiserte laboratorier eller initiativer som for eksempler Open AI Lab ved NTNU, AI Lab ved OsloMet, MIND ved SimulaMet, BI Data Science, NORA, har blitt startet de siste årene. De jobber for å utvide tilgangen til KI-teknologier og kunnskap og bygge bro mellom akademia og virkelige applikasjoner. For eksempler, NTNU skal utvikle et online-kurs som skal utdanne mannen i gata, samtidig som Brain NTNU organiserer en rekke «hakathon» («Hacking» + «Marathon») for å engasjere studenter og forskere med potensielle industrielle problemeiere. BI foreslår et 8-måneders kurs på masternivå for å lære om maskinlæring, deres applikasjoner, og om programmering. Simula Consulting, et nytt datterselskap av Simula Research Laboratory, tilbyr skreddersydde kurs for industri (både bedrifter og startups) for å utnytte potensialet til ML i sin virksomhet fra et bredere perspektiv.

Totalt sett kan vi se at Norge er på en god vei, men det vil være sentralt å investere tid på å lære det grunnleggende ordentlig for å ha en solid grunnbygning for og blir klar til lagre KI-løsning for fremtiden.