0
Hopp til hovedinnhold

Banebrytende forskningsresultat om kunstig intelligens

Professor Ole-Christoffer Granmo har i all hemmelighet utviklet en løsning som skal være raskere, enklere og mer presis enn etablerte metoder for selvlærende maskiner. Resultatene ble lagt fram på et seminar på Senter for kunstig intelligens.

Ole-Christoffer Granmo overrasket alle med å legge fram en ny og enklere metode for oppskrifter (algoritmer) til maskiner med kunstig intelligens på ettårsmarkeringen for UiAs senter for forskning på kunstig intelligens.

Ole-Christoffer Granmo overrasket alle med å legge fram en ny og enklere metode for oppskrifter (algoritmer) til maskiner med kunstig intelligens på ettårsmarkeringen for UiAs senter for forskning på kunstig intelligens.

– Hvis neste forskningssteg bekrefter funnene mine, må forskningen kunne kalles banebrytende, sier forskeren.

Ole-Christoffer Granmo er professor ved Universitetet i Agder (UiA) og daglig leder av UiAs senter for forskning på kunstig intelligens (CAIR).

Mens forskere fra hele verden sitter fordypet i kunstig intelligens og kappes om å finne nye oppskrifter (algoritmer) ved hjelp av de etablerte teknikkene, har Ole-Christoffer Granmo funnet opp en helt ny teknikk.

Det siste året har han arbeidet med teorier fra 1950-årenes Sovjetunionen. Med utgangspunkt i den russiske matematikeren Michael Lvovitch Tsetlin og hans forsøk med opplæring av rotter, har Granmo utviklet en Tsetlin-maskin bygd på helt andre prinsipper enn dagens rådende teknikker innen kunstig intelligens.

Nytt verktøy

Tsetlin-maskinen har i fire ulike eksperimenter gitt bedre resultater enn de etablerte kunstig intelligens-oppskriftene.

– Løsningen er raskere, enklere og mer presis enn tidligere metoder, sier Granmo.

Han la fram resultatene på ettårsmarkering for Senter for forskning på kunstig intelligens  torsdag 22. mars. Dermed overrasket han både UiA-kolleger og andre fagfolk på seminaret.

– Tsetlin-maskinen vil bli et helt nytt verktøy for kunstig språk, bildeforståelse, mønstergjenkjenning, resonnering, planlegging og diagnostikk, sier Granmo.

Konkurranse om nye funn

Kappløpet om nye funn innen kunstig intelligens går nå så fort at Granmo straks etter å ha presentert resultatene på seminaret, trykket på send-knappen for å sørge for at forskningsartikkelen blir publisert så fort som mulig.

I tillegg har han to nye forskningsartikler under arbeid. De blir også ferdigstilt og sendt til publisering innen kort tid.   

Erstatter gammel løsning

Verden er inne i en ny industriell revolusjon, denne gangen med kunstig intelligens som drivkraft. I løpet av kort tid er det gjort store framskritt. Forskerne har selv blitt overrasket over hvilke avanserte oppgaver kunstig intelligens kan løse.

Mye regnekraft og stor datatilgang er forutsetningen for de mange gjennombruddene med bruk av nettverk med kunstige nevroner. Disse arbeider sammen i klynger av datamaskiner med GPU-er (Graphics Processing Units), og det er GPU-ene som sørger for regnekraften.

Også Granmo og hans kolleger ved UiAs forskningssenter arbeider med slike nettverk, for eksempel ved diagnostisering på Sørlandet sykehuset og damkontroll hos Agder Energi.

Det samme gjelder Google Deepminds nye maskin, Alpha Zero. Google-maskinen ble lansert før jul 2017 og er et av de siste tilskuddene til utviklingen, en maskin som på egenhånd lærer seg å spille sjakk.

Tsetlin-maskinen er enklere

– Vi vet at den etablerte metoden fungerer, men det er også flere problemer med den. Metoden tar mye regnekraft. I tillegg er det ikke alltid vi forskere forstår hvorfor og hvordan den fungerer. Dermed kan vi ikke forklare løsningen fullt ut, sier Granmo.

Enda et problem er at de matematiske formlene i de etablerte løsningene ikke er tilpasset bits. Dermed passer de ikke til moderne datamaskiner. Forskere har prøvd å utvikle nye datamaskiner, men så langt har ingen lyktes.

– Jeg ville lage noe som var tilpasset dagens datamaskiner, og da måtte det passe til bits. I tillegg ville jeg bruke enkel matematikk, slik at prosessen både kan forstås og forklares, sier Granmo.

Matte og setningslogikk

Tsetlins eksperimenter med opplæring av rotter var basert på prinsippet om straff og belønning. Dette har Granmo overført til Tsetlin-maskinen.

Tsetlin-maskinen bruker ett tall til å huske erfaring. Maskinen har lært seg billedgjenkjenning ved hjelp av å legge til eller trekke fra ett tall. I tillegg er maskinen styrt av avansert setningslogikk.

– Grunnlaget for det hele er setningslogikk og mattekunnskaper på førsteklassenivå, sier Granmo.

Professor-transe

Granmo arbeider gjerne i forskningsgrupper med spisskompetanse på flere områder innen kunstig intelligens. Men denne gangen har han arbeidet helt alene.

– Alt var klart i mitt eget hode. Det er en løsning jeg har tenkt på lenge, ikke minst fordi den er så enkel og elegant, sier Granmo.

Datamaskinen står på soverommet og kjører eksperimenter og prosesser natten gjennom. Det hender han står opp midt på natten for å notere noe han har tenkt, lese gjennom et resultat eller justere noe.

På dagtid setter han gjerne på kaffen, men glemmer å sette kolben under trakteren.

– Når jeg er inne i slike prosesser, stenger jeg av verden utenfor. Da kan jeg gjerne gå gjennom 100 ulike ideer i løpet av noen uker. Det ligner vel mest av alt en transetilstand, sier forskeren.

Omfattende tester

Etter tre uker i konsentrert kreativ modus etter påska i fjor, var Granmo klar med løsningen. Han har gjennomført fire casestudier og opp mot 1 000 tester med mønstergjenkjenning og problemløsning på hver av dem. Samtlige forsøk er gjennomført både med den nye Tsetlin-metoden og den etablerte metoden.

– For å unngå tilfeldige resultater, gjennomfører jeg mine eksperimenter 100 til 1 000 ganger, alt etter hvor komplekse undersøkelsene er, sier han.

Oppsiktsvekkende resultat

Resultatene er oppsiktsvekkende. Tsetlin-maskinen slår de etablerte metodene på presisjon og hurtighet når det gjelder mønstergjenkjenning.

– Funnet betyr at alle får et nytt verktøy å jobbe med. Verktøyet kan brukes på språk, kraftproduksjon og bildeforståelse, for eksempel tolkning av røntgenbilder, sier han.

Neste steg blir å lage en dyp-lærende Tsetlin-maskin. Hvis Granmo lykkes, tyder mye på at de etablerte metodene blir gammeldagse. Og vil kanskje også Google Deepmind skifte metode.

– Man vil alltid foretrekke å arbeide med løsninger som er enkle, forståelige og presise, og hvis neste steg bekrefter funnene fra mine første eksperimenter, vil det nok være flere som foretrekker denne metoden for å lage nye oppskrifter til kunstig intelligens, sier han.

Send studiet på mail