I 2022 ble oppfinnelsen til Granmo kåret til tiårets viktigste norske studie innen kunstig intelligens av det konsortiumet NORA.
I 2022 ble oppfinnelsen til Granmo kåret til tiårets viktigste norske studie innen kunstig intelligens av det konsortiumet NORA.

Kan norsk oppfinnelse revolusjonere kunstig intelligens?

Kunstig intelligens er en klimaversting, diskriminerer og er vanskelig å tolke. En metode som er inspirert av de gamle grekerne kan være løsningen.

 – Det er flere utfordringer med dagens kunstige intelligens. Det ene er at de er uforståelige for de har blitt så komplekse, sier professor ved Universitetet i Agder Ole-Christoffer Granmo til forskning.no.

ChatGPT og de fleste andre kunstige intelligensene som har tatt verden med storm, bruker nemlig den samme metoden. Maskinlæring i form av store nevrale nettverk.

Hvordan disse kommer frem til et svar er nesten umulig for et menneske å forstå.

– Det ligger skjult langt inni modellen og spredt i tusenvis av bitte små puslespillbiter, forteller Granmo.

Han fant opp et alternativ i 2018. Nå har forskere rundt om i verden slengt seg på.

Har lagd Tsetlin-databrikke

Oppfinnelsen heter Tsetlin-maskinen.

Om den holder det den lover, vil den være raskere, kreve mindre datakraft og være mer skånsom mot klima og miljø enn dagens kunstige intelligens.

Granmo samarbeider med forskere fra blant annet USA, Kina, India, Nederland og Norge om å teste og utvikle metoden.

Ved universitetet i Newcastle i England har forskere til og med utviklet en egen databrikke som er skreddersydd for den norske oppfinnelsen.

Ifølge forskerne bak databrikken The Mignon AI, bruker den 10.000 ganger mindre energi enn dagens smarte chiper. I tillegg er den 1.000 ganger raskere.
Ifølge forskerne bak databrikken The Mignon AI, bruker den 10.000 ganger mindre energi enn dagens smarte chiper. I tillegg er den 1.000 ganger raskere.

Lot seg inspirere av de gamle grekerne 

Andre forskere tror vi kan løse problemene uten å bytte til en helt ny teknologi. Det kommer vi tilbake til.Men først skal vi prøve å forstå hvordan Tsetlin-maskinen virker.

Da må vi langt tilbake i tid. Helt tilbake til de gamle, greske filosofene. 

En av disse var Chrysippus. Han viste at helt enkle ord kan brukes til å beskrive hvordan verden henger sammen. Ord som hvis, og, eller, fordi og ikke.

Ta setningen «hvis det er dag, er det lyst».

Chrysippus var en stoisk filosof som døde år 206 før vår tidsregning.
Chrysippus var en stoisk filosof som døde år 206 før vår tidsregning.

Får du nå vite at «det er dag», så er det logisk hva som følger.

Nemlig at «det er lyst».

Lager logiske setninger

Setningslogikken ble et eget fagfelt. Her smeltet filosofi og matematikk sammen. For det som er logisk i språket vårt, kan også skrives om til formler.

Og da datamaskinene gjorde sitt inntog, fikk fagfeltet vinger å fly på.

Alle som har vært borti litt dataprogrammering, vet at nettopp uttrykk som hvis, og, eller og ikke er som hammeren og spikeren i verktøykassa.

Den norske oppfinnelsen, Tsetlin-maskinen, prøver å lage slike logiske setninger for å forstå verden.

Snublet over metode av sovjetisk matematiker

Hvis Tsetlin-maskinen skal lære seg hva en bil er, prøver den seg frem. Første forsøk er kanskje: «hvis fire hjul og transporterer folk, så bil». Den kunstige intelligensen sjekker så hvor treffsikker den er. Den gjetter riktig flere ganger. Men så tror den at et fly er en bil. Da prøver den på nytt. Denne gangen blir setningen «hvis fire hjul og transporterer folk, men ikke vinger, så bil». Nå fungerer modellen enda bedre.
Hvis Tsetlin-maskinen skal lære seg hva en bil er, prøver den seg frem. Første forsøk er kanskje: «hvis fire hjul og transporterer folk, så bil». Den kunstige intelligensen sjekker så hvor treffsikker den er. Den gjetter riktig flere ganger. Men så tror den at et fly er en bil. Da prøver den på nytt. Denne gangen blir setningen «hvis fire hjul og transporterer folk, men ikke vinger, så bil». Nå fungerer modellen enda bedre.

Men for at den kunstige intelligensen skal klare å gjette seg frem til disse logiske uttrykkene, må den ha en motor.

Og det er her Tsetlin-navnet kommer inn.

Den sovjetiske matematikeren Michael Tsetlin fant nemlig opp en metode i 1961 som aldri slo helt an. Han kalte den for rottehjernen.

Men da Granmo snublet over metoden, skjønte han at det var akkurat dette han trengte.

Tusenvis av rottehjerner + logikk = Tsetlin-maskin

Den matematiske rottehjernen til Tsetlin er veldig enkel.

Hjernen har to valgmuligheter og får belønning eller straff basert på hvor godt den gjetter.

 Flere andre forskere har bygget videre på rottehjernen til den sovjetiske matematikeren, men originalen ble undervurdert, ifølge Granmo.

– Ingen har sett på den som kraftfull. Den er ganske treig. Men det mange har oversett er at man kan sette flere av dem sammen, forklarer professoren ved UiA.

Ved å kombinere tusenvis av matematiske rottehjerner og få dem til å lage logiske uttrykk, kom nemlig metoden til sin rett. 

For å forstå Tsetlins metode kan du se for deg en rotte som går inn i en enkel T-formet labyrint. Gnageren kan velge å gå enten til venstre eller høyre. Hvis belønningen oftest dukker opp på høyre side, vil rotta etter hvert lære seg å gå til høyre hver gang. Dette går an å etterligne med veldig enkel matematikk.
For å forstå Tsetlins metode kan du se for deg en rotte som går inn i en enkel T-formet labyrint. Gnageren kan velge å gå enten til venstre eller høyre. Hvis belønningen oftest dukker opp på høyre side, vil rotta etter hvert lære seg å gå til høyre hver gang. Dette går an å etterligne med veldig enkel matematikk.

Det er dette som er en Tsetlin-maskin.

Prøver å finne ut om en bil har vinger

Men at det går an å tolke resultatene er bare én av fordelene med oppfinnelsen, ifølge Granmo.

En annen er at de matematiske rottehjernene jobber uavhengig av hverandre.

Du kan se for deg at en Tsetlin-maskin som prøver å lære seg hva en bil er. 

Da vil én rottehjerne prøve å finne ut om det stemmer at en bil har fire hjul eller ikke. En annen vil prøve å finne ut om en bil har vinger eller ikke.

Dagens KI er som en svær klump

Slik er det ikke med nevrale nett som brukes i dagens kunstige intelligens.

– Alt henger sammen i et stort nett og så blir det en svær klump som er vanskelig å splitte opp, sier Granmo.

Det kan gi rare utslag. En KI som prøver å finne ut hva en fugl er, vil kanskje ikke klare å skille mellom fuglen og treet de ofte sitter i. 

Den vil tro at trær eller fargen grønt er en del av konseptet fugl.

 – Vi må ta igjen 20–30 år med forskning

Dagens kunstige intelligens: Når nevrale nettverk trenes opp til å lære noe nytt, sendes informasjon gjennom et nettverk av punkter. Gjerne kalt noder. Svaret som kommer ut på den andre siden, blir sjekket mot en fasit. Når svaret er feil, sendes beskjeden tilbake gjennom nettverket. Koblingene mellom nodene kan vektes opp og ned for å tilpasse modellen. Så sendes informasjonen tilbake gjennom nettverket. Slik blir nettverket finjustert til det kommer frem til riktig svar.
Dagens kunstige intelligens: Når nevrale nettverk trenes opp til å lære noe nytt, sendes informasjon gjennom et nettverk av punkter. Gjerne kalt noder. Svaret som kommer ut på den andre siden, blir sjekket mot en fasit. Når svaret er feil, sendes beskjeden tilbake gjennom nettverket. Koblingene mellom nodene kan vektes opp og ned for å tilpasse modellen. Så sendes informasjonen tilbake gjennom nettverket. Slik blir nettverket finjustert til det kommer frem til riktig svar.

Men vil en helt ny type kunstig intelligens kunne slå gjennom?

Tsetlin-maskiner gjør det like bra som eller bedre enn dagens kunstige intelligens i flere tilfeller, viser forskning Granmo har vært med på. 

For eksempel kan den tolke om en person har et hjerteproblem ut ifra en EKG-måling, viser en preprint i databasen arXiv

Metoden kan også enkelt hente ut informasjon fra juridiske kontrakter, viser en studie som ble publisert som en del av en konferanse om Tsetlin-maskiner.

Det er allikevel mye som gjenstår for at metoden virkelig skal kunne konkurrere med nevrale nett og de store teknologiselskapene som styrer bransjen i dag.

 – Tusenvis av forskere har jobbet med å gjøre dagens kunstige intelligens bedre. Vi må ta igjen 20–30 år med forskning, sier Granmo.

Dagens KI kan forbedres

Professor i maskinlæring ved UiT – Norges Arktiske universitet Robert Jenssen forsker også på kunstig intelligens.

Han kjenner ikke spesielt godt til Tsetlin-maskinen og utelukker ikke at en helt ny måte å tenke på kan fungere.

Men han har også tro på å forbedre dagens metoder. 

Jenssen bruker mammografi som eksempel.

En av grunnene til at nevrale nett er belastende for klima og miljø, er at de øver på vanvittig store mengder data.

Fôre modellene med kunnskap

– Det er spesielt opptreningsfasen av kunstig intelligens som er energikrevende, sier Robert Jenssen til forskning.no
– Det er spesielt opptreningsfasen av kunstig intelligens som er energikrevende, sier Robert Jenssen til forskning.no

Men det går an å gi dem mindre data. Løsningen er å fôre dem med kunnskap som leger eller andre fagfolk allerede har.

– Vi må jobbe med de som sitter på kompetansen for å minske datamengde og da minske fotavtrykket, sier Jenssen.

Ved forskningssenteret Visual Intelligence, som professoren ved UiT leder, har de bakt inn kunnskap om hvordan et bryst ser ut i den kunstige intelligensen.

Denne KI-en kan oppdage mulig brystkreft på mammografibilder.

Fagbok om Tsetlin-maskiner

Ole-Christoffer Granmo har skrevet en gratis fagbok om Tsetlin-maskiner

– Et demokratisk problem

En av de andre utfordringene med dagens teknologi kan også løses, ifølge Jenssen. Nemlig at det er vanskelig å tolke svarene dagens kunstige intelligens kommer med.

For det går an å regne ut hva de nevrale nettene legger vekt på, noe Jenssen og kollegaer også forsker på.

Granmo, som står bak Tsetlin-maskinen, peker på enda et problem med dagens kunstige intelligens.

For slik nevrale nett fungerer, forsterker de gjerne det som er vanligst i dataene som puttes inn.

– Nå er kunstig intelligens veldig god på å forstå helsedata til hvite menn, men ser bort fra andre grupper, sier Granmo.

– Det er et demokratisk problem fordi man får et system som ikke er rettferdig og forskjellsbehandler.

———

Denne saken kan du også lese på engelsk på sciencenorway.no

 

Powered by Labrador CMS