Vi har stängt från 1 april 2020
Keymetrics

AI – konsten att tänka innanför boxen

All analys bygger på data, och all data är historisk. Viss data samlar vi in i det ögonblick något händer, men realtid (d.v.s. här och nu) är det närmsta vi kommer framtiden. För att titta in i framtiden behöver vi spåkula, Tarotkort eller prediktiv analys, och där har den prediktiva analysen klara fördelar jämfört med de två andra alternativen. Men även om analysen är prediktiv så bygger den på data om sådant som redan har hänt.

Det var filosofen Friedrich Hegel som sa att ”Det enda vi lär av historien är att vi inget lär av historien”. Han skulle säkert fascineras av vår tids möjligheter till prediktiv analys. Med tillräcklig variation, volym, kvalitet och relevans i vårt data (underskatta inte utmaningen…), kan vi alltid lära av historien hur vi kan agera bättre i framtiden. Vi kan t.o.m. förutse vilka politiska beslut som kommer få vilka politiska konsekvenser (med olika grad av sannolikhet). Men det gäller att ha (all) data som är relevant för det specifika fallet, och varje tid och varje situation har sina unika inslag och förutsättningar. Ju mer unik en situation är, desto mindre prediktiv styrka har vårt historiska data. Om vi står inför en helt ny situation eller frågeställning, kanske vi helt saknar data som är relevant för att göra en prediktion om kommande händelser. Hur stor är egentligen marknaden för en helt ny produkt som aldrig har funnits till försäljning? (…Just den frågan tycks förövrigt vara ett högst verkligt moment 22 för uppfinnare i Sverige som behöver skriva marknadsplaner för att få tillgång till utvecklingspengar).

I tidernas begynnelse fick jag en gång i uppdrag att förutsäga när den fritt fallande konkurrenten skulle nå en försäljning på 0. Min bristande erfarenhet fick mig att acceptera uppgiften och min bristande kunskap på området fick mig att extrapolera en rak linje ner till X-axeln. Och lika bra var väl det; hade jag förstått hantverket bättre, så hade jag lagt för mycket tid på en avancerad modell med högst begränsat prediktivt värde och relevans. Under åren som kom smög det sig på en digital revolution, som ritade om hela spelplanen, och historiskt data kan aldrig förutsäga en så stor förändring. Eller med andra ord: Före Facebook fanns ingen data som visade på hur ett Facebook påverkar människors beteende och företags försäljning.

Datorprogrammet AlphaGo väckte stor uppmärksamhet 2016 då det slog Lee Sedol med 4 vinster mot 1 (se filmen om du inte redan har gjort det). Lee Sedol är fortfarande den enda person som har slagit AlphaGo, men mötet gjorde honom likväl desillusionerad och i november 2019 gick han i Go-pension med motiveringen att AI har tagit över spelet. Fundamentet till AlphaGo’s framgång var data från 30 miljoner drag utförda av mänskliga spelare; mängder av data kring hur man spelat spelet tidigare möjliggjorde för AlphaGo att förutse vad som var bästa möjliga drag i varje situation.

Men hur bra AlphaGo än är i Go så kan det inte vinna över ett barn i luffarschack. AlphaGo skulle inte ens förstå att luffarschack är ett spel. Vad som inte finns i det data som algoritmerna jobbar med, det finns inte. Ett barn som aldrig har sett luffarschack förut skulle däremot snabbt förstå att det är ett spel, eftersom det liknar andra spel. Därefter skulle barnet sopa mattan med AlphaGo (kanske en möjlig väg tillbaka för Mr Lee?). En algoritm är låst i sin box av tillgängligt data, utan möjlighet att generalisera sina ”kunskaper” till nya sammanhang. Den mänskliga hjärnan har däremot en utmärkt förmåga att generalisera sina kunskaper och erfarenheter. Och frågan är om det inte är det som är kärnan i verklig intelligens (vilket följaktligen gör AI dummare än tåget).

En algoritm kan komponera musik. All musik är variationer av ett antal komponenter där alla komponenter är kända (tänk bara hur många 60-tals hits som har samma 4 ackord i exakt samma följd och i exakt samma tempo). Och om målet är komponera musik som folk älskar att lyssna på så går det också bra (i teorin). Ta så mycket musik som möjligt, klä den i metadata (genre, uppbyggnad, instrumentering, tempo, tonartshöjning etc. etc. etc.) och ta sen data för hur musiken graderas av lyssnarna. Utifrån detta kan man med automatik, och i rasande tempo, sätta ihop låtar som är optimerade för en viss typ av lyssnare. Inom en snar framtid kanske du har en spellista på Spotify som är personaliserad på riktigt; där låtarna är skrivna bara för dig.

Men om vi föreställer oss en värld där det enda existerande instrumentet är trummor, så kan en algoritm aldrig föreslå att man kan skapa bättre musik genom att bygga en gitarr. Klangen från strängar spända över en resonanslåda skulle inte finnas i dom historiska arkiven. Data skulle kunna visa att folk gillar att lyssna på trummor och fågelsång, men det bästa som kan komma ut av det är trummor som låter som fåglar. Någon gitarr skulle det inte bli.

Det som är helt nytt och annorlunda, kan inte spåras genom samband i historiska data. För att skapa någonting helt nytt behöver man se bortom det som har varit. Disruptiva förändringar innebär att man kliver utanför den historiska boxen och eftersom Artificiell Intelligens i praktiken är Machine Learning, och eftersom Machine Learning är begränsad till lärande från historisk data, så är detta fortfarande människans domän.

Artikeln är skriven av:

Andreas Franson
Andreas Franson
andreas@internetintelligence.se 

Den 1 april 2020 släckte vi lampan här på Dagens Analys.