Personlige assistenter til alle
I filmen «Her» fra 2013 møter vi hovedpersonen Theodore Twombly som har et operativsystem kalt Samantha, som fungerer som en personlig assistent og samtalepartner. Samantha utvikler seg og tilpasser seg etter hvert som hun lærer Theodore å kjenne, noe som fungerer så godt at de inngår et romantisk forhold.
Virkeligheten begynner nå å nærme seg fiksjonen, og de største teknologiselskapene satser alle på talestyrte digitale assistenter, slik som Google Now, Amazon Echo, Apples Siri og Samsungs VIV. Disse assistentene vil på sikt kunne snakke med deg, gi deg råd og utføre oppgaver for deg, mye basert på at de lærer deg å kjenne. De digitale assistentene er i stor grad et resultat av kunstig intelligens, og kan gjøre terskelen for interaksjon med teknologien lavere, samtidig som teknologien kommer tettere på. Men det vil også bli en ny måte å samle inn data på.
Virksomheter som Netflix, Facebook, Amazon og Google har i løpet av de siste årene revolusjonert hvordan data brukes for å utvikle produkter. For hvert klikk, hver like og hvert søk, får virksomhetene data fra brukerne som de mater algoritmene sine med. Ved å ha best mulig innsikt i brukernes atferd og interesser, skaper de produkter som er:
- Personlige: Hver enkelt bruker får sin unike og tilpassede opplevelse. På Facebook får alle brukerne nyhetsstrøm og reklame tilpasset seg selv.
- Forutseende: Statistiske modeller brukes for å gjøre antakelser om fremtiden. For eksempel bruker Telenor forutseende modeller for å oppdage kunder som er i ferd med å si opp abonnementet, for å kunne gi dem bedre tilbud før de forsvinner.
Persontilpassing og forutseende analyser beveger seg nå inn på nye områder: Bank, forsikring, helse og offentlig administrasjon. Dette er sektorer som er viktige for oss alle. Hva skjer med personvernet når tjenestene blir personlige også her?
Informasjon om deg gir nærere tjenester
For å lage persontilpassede tjenester, trengs store datamengder, både om deg og omverdenen. Når flere aspekter av våre liv kartlegges, bidrar det også til at omfanget av tjenester som kan tilpasses oss øker. Følgende teknologiske trender bidrar til den omfattende datainnsamlingen:
- Det vi gjør på nettet registreres og lagres: Nettaviser og sosiale medier registrerer data om vår atferd og våre interesser. Det er ikke bare når vi legger ut bilder på Instagram eller skriver innlegg på Facebook at vi produserer data. Hva vi klikker på, hva vi handler på nett og hvordan vi navigerer bidrar til en konstant datastrøm. Når vi snakker med digitale assistenter, vil disse registrere alt vi sier. Noen av assistentene har mikrofoner som alltid lytter til hva som skjer.
- Tingenes internett digitaliserer vår atferd: Sensorer og datamaskiner har blitt så billige og små at de kan integreres i en rekke produkter som smartklokker, fitnessarmbånd, blodtrykksmålere, smarte termostater og husholdningsprodukter. Disse produktene samler inn store mengder data. I dag finnes det over 10 milliarder gjenstander som er tilknyttet internett, innen 2020 vil dette mangedobles.
- Stordata avdekker skjulte mønstre i livene våre: I 2017 koster datalagring en tidel av hva det gjorde for ti år siden, og skytjenester gjør at man kan få enkel og billig tilgang til lagring og regnekapasitet. De fallende prisene gjør at datamengdene vi produserer kan oppbevares uten formål, i håp om at de kan bli nyttige i fremtiden. Med nye metoder kan de store datamengdene sammenstilles for å finne skjulte sammenhenger og atferdsmønstre.
Kunstig intelligens
Kunstig intelligens er et begrep som beskriver hvordan datasystemer er i ferd med å tilegne seg egenskaper som vi tidligere har tenkt er unike for mennesker: De kan lære av egne erfaringer og løse komplekse problemer uten at de har fått presise instrukser.
I etterkrigstiden var det stor optimisme rundt kunstig intelligens. Betydelige fremskritt ble gjort, men systemene klarte seg dårlig i møte med den virkelige verden. Den såkalte KI-vinteren fulgte, med svekket interesse og kutt i finansiering. I løpet av de siste årene har kunstig intelligens gjennomgått en vårløsning, noe som skyldes et sammenfall av tre faktorer:
- store datamengder har blitt tilgjengelig via internett
- nye former for dataprosessering gjør at maskiner kan foreta mer komplekse analyser
- metoder som gjør maskiner i stand til å lære av data har forbedret seg kraftig
Hva er en algoritme?
Informasjonen som vi produserer og gir fra oss daglig resulterer i enorme datasett, som er alt for store til å håndtere manuelt. Algoritmer brukes for å gjøre nytte av informasjonen og analysere eller finne sammenhenger som kan brukes til å utvikle produkter vi liker eller reklame som er presist målrettet.
En algoritme kan sammenliknes med en matoppskrift: Man tar utgangspunkt i en rekke ingredienser, og oppskriften angir hvordan disse skal behandles før man ender opp med en ferdig matrett. På samme måte kan man si at en algoritme er et dataprogram med instruksjoner som automatisk tar i bruk informasjon for å gi et ønsket resultat eller treffe en beslutning på mest mulig effektivt vis.
Presise instrukser fungerer godt til noen problemer, slik som å skulle sortere en liste alfabetisk eller finne korteste reiserute på et kart. Mer komplekse problemer er vanskeligere å forhåndsprogrammere regler for. Oversetting av språk er et eksempel, hvor man kan forsøke å programmere inn alle regler og unntak, men hvor det stadig vil være ord som vil ha forskjellig betydning alt etter konteksten de settes i. Ved å heller gi maskinen eksempler som den kan lære fra har det blitt gjort store fremskritt på dette området i løpet av få år.
Lærende maskiner
Mens algoritmer er regler som tradisjonelt har vært programmert for hånd, skjer utviklingen av kunstig intelligens nå innen maskinlæring. Maskinlæring gjør at maskiner lærer ved å bli vist en rekke eksempler, eller ved å prøve seg frem selv.
Dette kan sammenliknes med å lage en matrett uten å ha en oppskrift som er definert på forhånd. Da må man prøve og feile og eksperimentere til man kommer frem til noe som fungerer. Selv om man vet cirka hvilke ingredienser man har brukt, kan det av og til være vanskelig å forklare nøyaktig hvordan alt har blitt laget. Det samme gjelder for maskinlæringsalgoritmer: De gir ofte gode resultater, av og til dårlige resultater, og kan ofte være vanskelige å forstå hvis man bare skal se på koden.
Men det er ved hjelp av maskinlæringsmetoder at kunstig intelligens nå begynner å bli interessant igjen, og siden 2010 har maskiner blitt i stand til å gjøre oppgaver man før trodde kun mennesker ville være i stand til å utføre: Googles førerløse bil har tilbakelagt flere millioner kilometer, Facebook har blitt like gode å gjenkjenne ansikter som mennesker er og IBMs Watson kan stille kreftdiagnoser på en brøkdel av tiden som et legeteam ville trengt.
Utviklingen begynner nå å gå så hurtig at eksperter som Stephen Hawking og Elon Musk begynner å stille spørsmål ved hvor forsvarlig den er. I en fersk rapport fra World Economic Forum regnes kunstig intelligens som en av de fremvoksende teknologiene med aller størst nytteverdi, men samtidig også en av dem med størst skadepotensiale. Hvilke beslutninger skal vi la maskinene ta?
