0
Hopp til hovedinnhold

UiA-forskarar utviklar maskiner som har magekjensle

Kunstig intuisjon kjem fortare fram til svaret og bruker mindre datakraft enn kunstig intelligens. Kjensler er på full fart inn i maskinene.

Ved UiAs toppforskingssenter for forsking på kunstig intelligens prøver dei no ut kunstig magekjensle.

 – Vi har gjennomført fleire studiar og publisert artiklar om bruk av kunstig intuisjon i Tsetlin-maskina, seier Ole-Christoffer Granmo, professor og leiar av CAIR, UiAsSenter for forsking på kunstig intelligens.

Utviklinga har gått fort sidan CAIR vart etablert i 2017. Eitt av gjennombrota var da Granmo lanserte Tsetlin-maskina i april 2018. Det er ein ny metode for bruk av kunstig intelligens. Metoden har vist seg å vere enklare, raskare og meir presis enn dei etablerte metodane som bruker prinsippa om djuplæring (deep learning) for å utvikle kunstig intelligens.

Stadfestar Tsetlin-suksess

Forskarar i inn- og utland har seinare stadfesta funna til Granmo, anten i nye forsøk eller ved å gjenta forsøka med Tsetlinmaskina. Forskaren Migda Wojciech ved Gdansk University of Technology har gjenteke og stadfesta alle funna til Granmo.

Eit problem med djuplæringsmetodane er at forskarane ikkje veit kvifor dei fungerer. Det er så mykje data og så mange operasjonar involvert at dei rett og slett ikkje kan forklare korleis kunstig intelligens med djuplæringsmetodar kjem fram til løysingane.

Det anerkjente tidsskriftet Science publiserte nyleg ein artikkel der kunstig intelligens med djuplæring vert sett på som ein slags moderne alkymi, der ein lagar gull av gråstein utan å kunne forklare korleis det går føre seg.

– Eit grunnleggjande vitskapleg prinsipp er at forskaren skal forklare korleis ein kjem fram til eit resultat. Når vi ikkje alltid kan forklare korleis kunstig intelligens med djuplæring får resultat, vert vi forlegne. Tsetlin-maskina nyttar ein annan metode, og der er vi i stand til å forklare korleis vi får resultat, seier Granmo.

Fleire bruksområde

Kunstig intelligens er algoritmar, også kalla oppskrifter, maskinlæring eller berre datasystem.

Ved hjelp av store datamengder er oppskriftene sjølvlærande. Ved å sjå titusenvis av røntgenbilde, kan ein algoritme lære seg å forstå korleis eit røntgenbilde som ikkje viser sjukdom, kan kome til å utvikle seg i framtida.
Slik kan algoritmen sjå inn i framtida. Og på den måten kan algoritmen, i motsetning til legen, oppdage sjukdommar hos pasienten ut frå eit røntgenbilde der sjukdommen enno ikkje har brote ut.

Eit anna døme er algoritmen doktorgradsstipendiat Geir Thore Berge ved UiA, overlege Tor Tveit ved Sørlandet sykehus og Granmo har utvikla til å kunne lese pasientjournalar. Algoritmen har lært seg å kjenne igjen teikn på allergi og leverer hurtige og presise diagnosar. Løysinga har vore ein suksess og har attpåtil oppdaga nye allergiformer hos enkelte pasientar.

– Når du først har utvikla ein metode som Tsetlin-maskina, kan du stadig utvide bruksområda for løysinga ved hjelp av nye oppskrifter og tilpassingar, seier Granmo.

Tsetlin-maskina er eit verktøy forskarane kan tilpasse til bruk for kunstig språk, bildeforståing, mønstergjenkjenning, resonnering, planlegging og diagnostikk.

Som Magnus Carlsen

No ønskjer forskarane at Ttsetlin-maskina skal utvide repertoaret. Kunstig intelligens som sansar seg fram intuitivt, er hurtigare enn løysingar som berre er intelligente.

Tenk berre på sjakkverdsmeister Magnus Carlsen. Sjakkekspertane meiner han er best når han flyttar brikkene på sjakkbrettet intuitivt. Da er han også raskare enn motstandarane.

Eit slikt kvikt og intuitivt handlingsmønster vil professor Granmo og hans kollegaer no tilføre Tsetlin-maskina. Målet er at algoritmen skal bruke færre operasjonar før han kjem fram til svaret. Da må han lære seg å sjå samanhengar intuitivt.

Tsetlin-maskina skal få sansen for tal. Da kan ho utan vidare sanse at 9 kjem før 10 og etter 8 – utan å rekne på det og utan å bruke tid og datakrefter.

Og da er maskina ikkje berre kunstig intelligent, men har fått kunstig intuisjon. Eller magekjensle, som det også heiter.

– Dess færre operasjonar den kunstige intelligensen må gjennomføre, dess fortare kjem han fram til riktig resultat. Dessutan vert det brukt langt mindre datakraft når vi reduserer oppgåvene for maskina, seier Granmo.

Forskere ved siden av en datamaskin.

UiA har investert i datakraft som få andre har maken til Europa. Her diskuterer professor Ole-Christo er Granmo (t.h) korleis ein best kan utnytte datakrafta med sine doktorgradsstipendiatar Saed Rahimi Gorji og Darshana Abeyrathna.

Forbetrar Tsetlin-maskina

– I prinsippet kan Tsetlin-maskina lære alt av mønstergjenkjenning og diagnostikk, men metoden er enno ei ny oppfinning og stadig under utprøving, seier Darshana Abeyrathna.

Han er doktorgradsstipendiat ved CAIR og arbeider saman med Granmo med å forenkle og utvide bruksområda for Tsetlinmaskina.

Trass i at maskina er enklare enn djuplæringsmetodane, må Tsetlin-maskina enno gjennomføre mange operasjonar før ho kjem fram til ei løysing.

Viss forskarane lykkast med å redusere talet på kommandoar og operasjonar, vil maskina verte enda raskare. Dessutan vil ho trenge mykje mindre datakraft for å levere.

– Kontroll- og styringsparameter går frå å vere sett av brukaren til at Tsetlinmaskina lærer seg å setje dei sjølv, seier Abeyrathna.

Færre kommandoar

For Abeyrathna dreiar det seg om å redusere arbeidsoppgåvene til Tsetlin-maskina. Poenget er å gi maskina intuisjon.

Doktorgradsstipendiat Saed Rahimi Gorji arbeider også med å utvide bruksområdet for Tsetlin-maskina.

– Det er tre framgangsmåtar ein algoritme må beherske for å vere ein komplett versjon av kunstig intelligens, og eg arbeider med å få Tsetlin-maskina til å lære seg forsterkingslæring, seier Gorji.

Kraftige maskinlæringssystem utnyttar alle dei tre formene for læring:

1. læring ved rettleiing (supervised)

der algoritmen hermar etter ein fasit og lærer seg å generalisere og kjenne igjen bilde av den same typen

2. læring utan rettleiing (unsupervised)

der algoritmen ser etter samanhengar i informasjonen og lærer ved observasjon

3. forsterkingslæring (reinforcement)

der algoritmen lærer utan fasit ved hjelp av straff og belønning, og der poenget er å lære seg å minimalisere talet på straff og maksimere talet på belønningar

Internasjonal pådrivar

Tsetlin-maskina er berre eitt av fleire høgdepunkt for CAIR etter etableringa for snaue to år sidan. Ein milepæl var det også da senteret i februar i år opna sitt House of CAIR i Grimstad, ein forskingsarena for forskararar frå heile verda. Forskarar frå universiteta i Edinburgh, Newcastle, Groningen, Luleå, Ottawa og Pittsburgh er blant partnarane i CAIR-huset og gjesta UiA da CAIR-huset opna tidlegare i år.

Bakgrunnen for at toppforskarar frå leiande universitet legg vegen til Agder og investerer i eit samarbeid med CAIR kjem enkelt sagt av tre forhold: Dei vil samarbeide med internasjonale toppforskarar ved senteret i Grimstad, dei vil prøve si eiga forsking på Tsetlin-maskina og dei vil låne dei unike datamaskinene hos CAIR.

– Det er få andre som sit med fire av den typen gigantmaskiner som vi har investert rundt 20 millionar kroner i. Vi kjem til å skaffe oss ytterlegare fire, og da er vi blant dei største i Europa på reknekraft som kunstig intelligens er så avhengig av, seier Granmo.

Maskinene går desse dagar døgnet rundt og prosesserer data for Tsetlin-maskina. Senter for forsking på kunstig intelligens har allereie formulert og levert ei skisse til søknad om å få status som Senter for forskingsdriven innovasjon (SFI). Den endelege søknaden vert levert i september.

Granmo har god tru på at CAIR vert ein del av Noreg Forskingsråds satsing på forskingsmiljø som held ein særleg høg kvalitet.

– Magekjensla er god, seier Granmo.

Utvalde Forskingsprosjekt:

Evakuering under brann
Doktorgradsstipendiat Jivitesh Sharma forskar på sjølvlærande kunstig intelligens som under naudsituasjonar er oppdatert og føreslår relevante evakueringsplanar.

Kunstig moral
Professor Einar Duenger-Bøhn leiar eit forskingsprosjekt som utviklar sensitiv kunstig intelligens som tar moralske val basert på årsakssamanheng.

Draumealgoritmen
Stipendiaten Per-Arne Andersen arbeider med ein algoritme som skal drøyme opp moglege utviklingstrekk i eit spel og slik lære seg å sjå føre seg alle framtidige utviklingstrekk som ligg i spelet.