Kim Mu January 15, 2020

Innlegget leses best på den opprinnelige studentbloggen

Som nevnt i mitt forrige innlegg er teknologi i stadig utvikling. Det finnes et hav av eksempler på lovende teknologi – og blant dem er kunstig intelligens. Kunstig intelligens er noe de aller fleste har hørt om, og det er også et tema som bringer mange tanker. I likhet med all annen teknologi, følger utviklingen av kunstig intelligens med fordeler, ulemper og risiko. Med andre ord, er det disse dilemmaene som avgjør om vi syns kunstig intelligens virker fascinerende, spennende eller rett og slett skummel og truende.

I tillegg til fordeler og ulemper, bringer avanseringen av kunstig intelligens også med seg moralske dilemmaer som eventuelt må drøftes. Kommer vi til å klare å utvikle maskiner som tar for seg moralske situasjoner på en hensiktsmessig måte?

Hva er kunstig intelligens?

Kunstig intelligens er maskinens evner til å simulere og kopiere menneskelige egenskaper. Disse egenskapene består blant annet av problemløsning og evnen til å tilegne seg nye kunnskaper og ferdigheter. På generell basis, er målet med kunstig intelligens å gjøre livene våre “enklere” ved å erstatte arbeidsoppgaver som vanligvis blir utført av mennesker. Et eksempel på dette inkluderer å analysere statistikk. Ikke bare kan kunstig intelligens gjøre denne jobben for oss, men det kan også bli brukt til å forutse fremtidig data som aksjekurs på en nøyaktig måte.

Bruksområdene til kunstig intelligens er mange. At vi alle nå slipper å gruble over hvordan man kommer seg fra A til B er også takket være kunstig intelligens. Så lenge man har mobiltelefonen med seg, kan en app som Google Maps finne den raskeste veien til din destinasjon. Tradisjonell transkribering – en arbeidsmetode som ofte blir tatt i bruk i forhold til teksting av videoer og filmer kan også bli erstattet ved hjelp av talegjenkjenning.

Maskinlæring vs. dyp læring

Det finnes mange underkategorier innenfor kunstig intelligens – og blant dem er maskinlæring og dyp læring. Disse begrepene blir ofte brukt om hverandre fordi deres funksjoner fungerer på lignende måter. I praksis er det klart mer komplisert, men en enkel måte å definere maskinlæring på er at maskinen etterhvert lærer gjennom prøving og feiling for å forbedre sine algoritmer. Læringsprosessen starter ved bruk av data og regler. Maskinen vil da analysere denne dataen for å se etter mønstre slik at den kan ta bedre beslutninger. 

I likhet med maskinlæring, fungerer dyp læring på lignende måte. Dyp læring kan forklares som en mer avansert versjon av maskinlæring, som simulerer menneskehjernen. Den lager koblinger og relasjoner (nevrotisk nettverk) mellom handlinger basert på erfaring. Dette betyr at dersom algoritmen i maskinlæring utvikler seg i uønsket retning, må man manuelt gå tilbake og justere på koden. Her ville et deep learning nettverk klart å justere seg selv. 

La oss bruke en skiløper som et eksempel. Vi starter med å se for oss en skiløper som skal nå et mål, som er å komme seg fra punkt A til punkt B. Her finnes det mange måter å komme seg fra A til B, og det er dette maskinen skal finne ut av selv.

Ved maskinlæring, vil det bli programmert forhåndsregler – eller andre måter for å hjelpe programmet i riktig retning. Dette betyr at vi lager et skispor for skiløperen i de første 50 meterne. Når skiløperen har kommet seg forbi disse 50 meterne som er lagt opp for han, er det opp til skiløperen å komme seg til mål basert på det han har lært og lærer underveis.

Dette betyr at hvis skiløperen plutselig snur og løper baklengs etter 100 meter, er man nødt til å legge forhåndssporet annerledes ved å manuelt gå inn og justere for å hjelpe skiløperen i mål.

I dyp læring har vi også skiløper og et mål – men denne skiløperen er smartere. Han kan nemlig lære seg å komme i mål, enten om han starter fra punkt A, midt i løypa eller til og med i skogen. Han klarer å bygge et nettverk av informasjon med kompliserte nevrotiske koblinger. Disse nevrotiske koblingene gjør at han selv finner ut av når han skal ta til venstre eller høyre – uten manuell innblandning.

Kunstig intelligens og etikk

Det er ingen tvil om hvor nyttig kunstig intelligens er for å løse komplekse oppgaver og hvor mye bruk vi har for det. Ved hjelp av maskinlæring og dyp læring, vil maskiner bidra videre til å erstatte arbeidsoppgaver foretatt av mennesker. Det er fortsatt en oppgave som kanskje ikke er så lett for maskiner å lære seg: etikk.

Selvkjørende biler er et godt eksempel på en maskin som benytter seg av dyp læring. Statistikk viser at etterhvert som selvkjørende biler tar over veien, vil det hypotetisk sett resultere til langt færre bilulykker, ettersom 90% av bilulykker er forårsaket av menneskelige feil.

Dette betyr imidlertid ikke at selvkjørende biler er perfekte. Det finnes allerede selvkjørende biler ute på veien som har vært involvert i ulykker. Med dette i bakhodet, kan man tenke seg fram til situasjoner hvor selvkjørende biler møter på en uunngåelig bilulykke. Hvilke valg skal bilen ta når en slik situasjon oppstår?

En maskin med moraler? 

Moral Machine er en plattform utviklet av Scalable Cooperation ved Massachusetts Institutt for Teknologi som tar for seg moralske dilemmaer ved selvkjørende biler. Denne plattformen viser brukeren flere moralske dilemmaer som involverer selvkjørende biler, hvor brukeren skal dømme utfallet av situasjonen. Skal bilen, som ikke kan stoppe i tide, kræsje i en betongvegg og drepe føreren, eller kjøre over en fotgjenger i stedet? 

Dette er bare et av mange spørsmål som involverer etikk og selvkjørende biler, og man kan se for seg flere lignende situasjoner som krever at man må ta vanskelige beslutninger. Ved en uunngåelig bilulykke, vil enhver person handle i panikk. Dette betyr at uansett utfall, hadde man ikke vært i stand til å ta en rasjonell beslutning. En maskin derimot, har ikke følelser og vil derfor kunne gjøre akkurat det som den er blitt instruert i å gjøre. Spørsmålet er da hva skal den gjøre? Hvordan kan denne bilen få best utfall av situasjonen som mulig? Er best utfall at føreren dør og 3 fotgjengere blir reddet? Eller er best utfall at maskinen tar vare på føreren under alle omstendigheter og kjører over fotgjengere i stedet? 

Spørsmålene stopper ikke her. Hvem er det som bestemmer hva det beste utfallet er? Er det de som har programmert maskinen? Eller er det myndighetene som bestemmer lover og regler for selvkjørende biler? 

Vi som forbrukere har jo også vår mening. Hadde du kjøpt en bil som er programmert i å redde så mange liv som mulig, eller kjøpt en bil som er instruert i å ta vare på deg som forbruker i en potensiell ulykke? Som forbruker vil man kanskje vite at man er trygg i bilen man kjører. Samtidig, har myndighetene også et overordnet ansvar for alle – og vil da foretrekke en maskin som redder flest folk. 

Selvkjørende biler + digital markedsføring = sant?

Disse forbruker-scenarioene gir et lite innblikk over hvordan handel av selvkjørende biler kan bli i fremtiden. Markedet har sine behov, og dersom det viser seg at det beste utfallet er å redde så mange liv som mulig, kan det tenkes at det blir vanskelig å overbevise forbrukere om å bruke selvkjørende biler. 

Med disse etiske situasjonene i bakhodet, kan det tenkes at bilprodusenter vil få problemer med å selge direkte til forbrukere. Allikevel finnes det store selskaper som vil satse på selvkjørende biler. Med selvkjørende biler, vil førere få muligheter til å gjøre andre ting mens de er på veien. Dette inkluderer å rette oppmerksomhet mot mobiltelefonen. Mer tid brukt på digital plattform betyr flere muligheter for bedrifter å vise seg frem. Det er viktig å se på de nye mulighetene for å gjøre ditt brand synlig. Aktivitet og lokasjonsbasert-markedsføring kan kanskje bli den nye måten å fremheve merket sitt på. Ankommende på nåværende lokasjon, vil kunstig intelligens kunne foreslå relevante aktiviteter. Om bilen kjører rundt lunsjtider, kan den for eksempel foreslå å spise lunsj på nærmeste restaurant. Her kan det bli konkurranse om å bli det mest foreslåtte resultatet – i likhet med søkemotorer som Google.

Konklusjon

Selvkjørende biler er allerede ute på veien – og vil i fremtiden endre måten vi kommer oss rundt på. Det skal ikke bare være enklere, men også tryggere. For å oppnå dette, må man først diskutere noen etiske dilemmaer. 

Når dette til slutt når en konklusjon, vil vi se endring i forbrukervaner. Ved endring av forbrukervaner, vil man også se forskjell i den digitale markedsføringen. 

For å lese mer om det jeg har skrevet om, anbefaler jeg å følge lenkene fremhevet med fet skrift. Jeg anbefaler også å se denne TED-Ed videoen av Patrick Lin som drøfter etiske dilemmaer rundt selvkjørende biler!

// Kim