Tre spørgsmål du bør stille til kunstig intelligens

Anders Sigsgaard-Rasmussen,
Analysechef
Artikler
15. januar 2019
Det vælter frem med løsninger, som er helt eller delvist baseret på kunstig intelligens, som kan hjælpe en med alt fra regnskab til tekstforfatteri og billedgenkendelse. Men hvordan finder du en løsning, der rent faktisk kan hjælpe dig med at løse det problem, du står med, uden at du skal ud i et længere kursus i programmering? Det får du svaret på her.

Jeg vil undlade at gå ind i diskussionen om, hvorvidt noget er kunstig intelligens eller ej. Definitionerne er mange og nogle lidt vævende, og jeg vil hellere bruge kræfterne på at komme med et råd til, hvordan du skiller skidt fra kanel i algoritmeverdenen. Og hvordan du sikrer, at den løsning, du ender med, rent faktisk også løser det problem, du står overfor.

Det handler om forudsigelser

Langt de fleste løsninger, som benytter sig af en eller anden form for kunstig intelligens, er baseret på algoritmer, som er trænet på eksisterende data med formålet om at komme med en forudsigelse om et eller andet. Det kan være hvilken film, du skal have anbefalet på Netflix, hvilket billede der forventes at få flest likes på instagram, eller hvor mange mennesker der må forventes at stemme på en given kandidat til et valg.

Det giver anledning til tre afgørende spørgsmål, som du bør stille til dem, der har udviklet den kunstige intelligens.

1. Hvilken data er modellen trænet på?

Det er afgørende at vide, hvad den kunstige intelligens er trænet på. Hvis du sætter en person, der kun har læst humaniora hele sit liv til at løse avancerede matematiske opgaver, kan du ikke forvente helt så gode besvarelser, som hvis du sætter en matematiker til det. Det samme er tilfældet for kunstig intelligens.

Hvis en model til billedgenkendelse kun har set billeder af hotdogs, så er den rigtig dårlig til at vurdere, om det er en kat, der er på det billede, den bliver præsenteret for. Det er derfor super vigtigt at finde ud af, hvilke ”træningsdata” der er brugt, når du bliver præsenteret for en løsning.

Der kan være situationer, hvor det ikke er muligt at svare på præcist på, hvilke data den kunstige intelligens er trænet med, men du skal som minimum forvente, at dem der præsenterer produktet kan forklare, hvilken type data der er tale om, og hvordan de har fået fat i denne data.

2. Hvad er modellen optimeret i forhold til?

Når du træner en kunstig intelligens, så bliver den evalueret i forhold til et eller andet. Hvornår har modellen gættet rigtigt og forkert. På Netflix vil det være oplagt at vurdere en anbefaling på, hvorvidt folk rent faktisk ser den film/serie, de får anbefalet.

Men der er også andre muligheder for at optimere. Hos Netflix kunne det fx være, at man også var interesseret i, at folk delte anbefalingen på sociale medier, eller måske bare at de bruger tid på at læse beskrivelsen af den pågældende serie. Derfor er det ret vigtigt at vide om den kunstige intelligens, der hjælper dig med at skrive bedre nyheder, er trænet til at få folk til at klikke på nyheden, få folk til at læse den til ende, eller noget helt tredje.

Det vigtige her er bare at være bevidst om, hvorvidt det den kunstige intelligens er trænet til at optimere, stemmer overens med det du selv ønsker at opnå. Så hør dem, der har bygget modellen om, hvad den optimerer, og overvej så om det giver mening i forhold til din problemstilling.

3. Hvor god er modellen til at forudsige ting, den ikke kender?

Når du træner kunstig intelligens, så tester du den altid efterfølgende på noget data, den ikke har set før, og hvor du kender det ”rigtige” svar. Så kan du se, hvor god modellen er til at gætte rigtigt på noget, den ikke er trænet til. Det nytter ikke noget at have en model, der kan forudsige alle kursudsving på aktiemarkedet de sidste tyve år, hvis den kun kan gøre det med de år, den er trænet med. Derfor vil du som ofte se, hvor godt modellen forudsiger ukendt data for at give et billede på, hvor godt den kunstige intelligens vil klare sig i den virkelige verden.

Når du bliver præsenteret for en løsning der involverer kunstig intelligens, er det derfor altid et relevant spørgsmål, hvor god den er til at ramme rigtigt. Det skal naturligvis holdes op imod, hvor svært det, den kunstige intelligens skal forudsige, er. Hvis Netflix’ anbefalinger kun bliver klikket på 5 procent af gangene, de bliver vist, så kan en model, der rammer rigtigt 10 procent af tiden, være en fremragende løsning. Omvendt ville du aldrig være tilfreds med et spamfilter, som kun rammer rigtigt halvdelen af tiden.

Accepter ikke ”det er svært at forklare”

Den store hype der er om kunstig intelligens er i det store hele fortjent. Der er fantastiske muligheder i teknologien, men det gør også, at det vælter frem med mere eller mindre gennemarbejdede løsninger. Men hvis du kan få fornuftige og ikke mindst forståelige svar på de tre ovenstående spørgsmål, så skulle du være på nogenlunde sikker grund, når du køber ind.

Anders Sigsgaard-Rasmussen,
Analysechef
Artikler
15. januar 2019