Til hovedinnhold

Smarte maskiner skaper verdier også uten å lage etisk krøll

Kunstig intelligens kan øke verdiskapingen i flere deler av norsk næringsliv uten at personvern raseres eller at datamaskiner blir sjefen.
Skanska, SINTEF, Volvo og programvareselskapet Ditio utvikler kunstig intelligens som skal lære å gjenkjenne ineffektive kjøremønstre og optimalisere planer som avgjør når hvilke anleggsmaskiner skal gjøre hva, skriver artikkelforfatterne. Illustrasjonsfoto: Tore Wuttudal/Samfoto/NTBscanpix
Skanska, SINTEF, Volvo og programvareselskapet Ditio utvikler kunstig intelligens som skal lære å gjenkjenne ineffektive kjøremønstre og optimalisere planer som avgjør når hvilke anleggsmaskiner skal gjøre hva, skriver artikkelforfatterne. Illustrasjonsfoto: Tore Wuttudal/Samfoto/NTBscanpix

Gjesteskribenter

Anne Marthine Rustad, forskningsleder, SINTEF

Anders Bryhni, senior forretningsutvikler, SINTEF

På verdens st��rste 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 gavn for klima og miljø, helt uten å skape etisk krøll. 

Datasett uten etiske dilemma

«iHuman» er alt vist for skoleelever og får kinopremiere til våren. Drøftingen filmen 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.

   Les også: Nå blir Dagros datainnsamler for norske forskere 

Hjelp til gode beslutninger

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?  

Hav av informasjon

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.

   Les også: Kan man bli venn eller kjæreste med en chatbot? 

Skyhøye antall kombinasjonsmuligheter

Maskinlæring er nært beslektet med optimeringsteknologi: dataverktøy som lynraskt kan vurdere skyhøye antall kombinasjonsmuligheter i jakten på den beste av dem. Slik jobber eksempelvis 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:

   Les også: Hva er rett og galt for roboter? 

Smarte anleggsmaskiner  

  • 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. Nærmere bestemt algoritmer som skal lære å gjenkjenne ineffektive kjøremønstre og optimalisere planer som avgjør når hvilke maskiner skal gjøre hva, eksempelvis i veiprosjekt.

    Dette 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 resept 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 tomtens beskaffenhet, solforhold og støy? Bedriften Spacemaker gir arkitekter smart hjelp med digitale verktøy. Sammen ser vi nå på nye mulige optimeringsalgoritmer.

   Les også: Maskinlæring mot vindmøllemotstand

To ting på en gang

Verden trenger å styre bruken av kunstig intelligens i etiske minefelt, eksempelvis i forsvarsindustrien og de globale IT-gigantene. Men dette 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: Bidra til å holde etikkdiskusjonen levende, og samtidig sirkle inn ukontroversielle områder der maskinlæring raskt kan styrke bedrifters bunnlinje og miljøregnskap.

Blant gulrøttene for selskap som går denne veien, er lavere CO2-utslipp og redusert bruk av tid og ressurser. Konkurransefortrinn det er vel verdt å strekke seg etter for Norge.

Artikkelen sto første gang i Dagens Næringsliv fredag 10. januar 2020 og gjengis her med DNs tillatelse.  

Av Svein Tønseth for Gemini.no
mandag 13. januar 2020