Skriv ut

INTERVJU – Vi har stora möjligheter att relativt snabbt bygga upp starka grupper inom AI-området i Sverige, säger Stefan Carlsson, professor emeritus på KTH.

Var den nya AI:n kommer att göra skillnad

Djup maskininlärning har redan gett konsekvenser i stort och smått.

Den får just nu kommersiella tillämpningar inom bildanalys. Mobiltelefoner tolkar videobild i reatid. En affär har öppnats där kunden automatisk debiteras det hen plockar på sig. Vi håller på att få själv-körande fordon. 

Nästa steg för bildanalysen tycks bli att inte bara känna igen specifika objekt, utan att också förstå vad som händer dynamiskt i video till exempel med människor inblandade. 

Även omvändningen har dykt upp – AI-genererad video som avbildar specifika människor i helt påhittade situationer. Det kommer att nå en nivå där autenticiteten inte längre kan avgöras av vanliga människor. 

– Detta kommer naturligtvis att leda till allt större problem med falska nyheter och liknande. Den snabba utvecklingen på analyssidan kommer å andra sidan att möjliggöra auto­matisk kontroll av vad som släpps igenom i digitala kanaler. 

Automatiserad medicinsk analys som stöder läkares diagnos testas i allt större skala. Den bygger på analys av stora mängder medicinska data. 

– Det kommer med stor säkerhet att bli ett dominerande område, men förutsätter att data inom sjukvården kan organiseras och göras tillgänglig på allt effektivare sätt. 

Robotik står på tur som en viktig tillämpning, industriellt och i hem och vård. 

Utvecklingen inom röstigenkänning och språkteknologi kommer att göra att det blir naturligt att prata med datorer nästan som vi pratar med människor. Kundservice kommer att ske i chattbottar som kan svara på frågor. Äldrevården kan få intelligenta personliga kognitiva assistenter, skolan kan få pedagogiska hjälp-medel som förstärker eller i vissa fall ersätter den mänskliga läraren. 

Inom bank, finans, försäkring, juridik undervisning utvecklas system för automatiskt beslutsfattande. 

– Det verkar som att varje område där mänskligt beslut fattas på grundval av specifikt data skulle kunna bli föremål för automatisering genom maskininlärning förutsatt att empiriska data och beslut har insamlats.

Kassan för svensk forskning i artificiell intelligens (AI) fick i höstas en välkommen påfyllning med en miljard kronor. 

KTH-professorn Stefan Carlsson var en av dem som fick det att hända. Han hade gjort sin röst hörd och ropat efter ett grundläggande AI-forskningsprogram, särskilt inom området djup maskininlärning.

Elektroniktidningen talar med honom om vad som kommer att hända nu. 

Internationellt har intresset för en ny våg av artificiell intelligens inom ett område kallat djup maskininlärning (deep learning) byggts upp till en kulmen under de kanske senaste fyra åren. Det har blivit den helt dominerande tekniken inom AI-området. 

– Speciellt i USA och Kina, men i stort sett varje nation har insett potentialen, säger Stefan Carlsson. 

Tekniken har redan hunnit bevisa sig bortom allt tvivel. Den har öppnat tillämpningar där fungerande lösningar före djup maskininlärning inte ens skymtade som ett ljus i slutet av tunneln, inom bland annat språkteknik, taligenkänning, bildanalys och medicinsk diagnostik. 

– Den har gett resultat som i de flesta fall överträffar eller är i paritet med tidigare metoder, och till och med i nivå med vad människor presterar på dessa problem. 

Till slut kom en svensk satsning. I mitten av november 2017 aviserade Knut och Alice Wallenbergs stiftelse att den via sitt program Wasp (Wallenberg Autonomous Systems and Software Program) tänkte satsa en miljard kronor på AI. 

Lyckligtvis för Sveriges del är området ännu långt ifrån utforskat. 

– Om vi kan anställa kvali­fi­cerade studenter till forskarutbildning inom de grupper som redan har en verksamhet inom området så har vi stora möjligheter att relativt snabbt bygga upp starka grupper inom AI-området i Sverige, i nivå med de internationella experter som finns. 

Verkar det som om miljarden går till rätt områden? 

– Det är för tidigt att säga. Det är viktigt att man inser att den största bidragande orsaken till det stora intresset för AI just nu är just utvecklingen inom dataintensiv maskininlärning i djupa nätverk. 

Det är inom det området som han anser att resurserna ska satsas – på de grupper som har verksamhet och demonstrerat kompetens. 

Denna artikel har tidigare publicerats i magasinet Elektronik­tidningen.

För dig som jobbar i den svenska elektronik­branschen är Elektronik­tidningen gratis att prenumerera på – våra annonsörer betalar kostnaden.

Här ansöker du om prenumeration (länk).

– Om pengarna koncentreras tillräckligt mycket till kompetenta grupper inom detta område så kan det bli bra. Det finns ett mycket stort intresse från studenter för forskning inom AI så det bör gå att få mycket kvalificerade kandidater att börja forskarutbilda sig. 

Pengarna ska dels finansiera forskarstudier, dels användas för att rekrytera erfarna internationella forskare inom området. Där ser Stefan Carlsson en möjlig utmaning. 

– Det kan bli svårare, eftersom efterfrågan på dessa är extremt stor, speciellt från de stora företagen i USA. 

En tröst ligger i att området är så färskt att till och med de mest erfarna experterna är relativt unga och nyexaminerade. Mätt i den tid det tar att odla upp expertis till samma nivå är Sveriges eftersläpning alltså inte stor.

Sveriges AI-forskning är idag enligt Stefan Carlsson stark inom bland annat bildanalys, datorseende och robotik. Särskilt inom datorseende har de nya metoderna inom djup maskininlärning visat sig kraftfulla. 

– Sverige är också mycket starkt på forskning inom medicin och hälsa. Det är områden som kommer att påverkas starkt av utvecklingen inom AI. 

Här pekar han bland annat på en forskningsgrupp i Uppsala och studenter från KTH som gjort insatser inom bildanalys vid tolkning av bilder från röntgenkameror och mikroskopi. 

Inom svensk industri pekar han på vad Volvo och andra företag gör inom självkörande fordon där AI, datorseende och robotik är viktiga komponenter. 

En viktig uppgift för forskningen kommer att bli att sprida maskininlärning, särskilt inom djupa nätverk, till ännu fler industrisektorer. För metoderna är generellt tillämpbara. 

Kan satsningen gynna din egen institution? 

– Jag hoppas att mina yngre kollegor kan få del av pengarna, så att vi kan bygga upp gruppen kring datorseende igen, men även utöka verksamheten till nya områden inom medicin och språk. 

Själv är Stefan Carlsson numera pensionerad men han fortsätter att arbeta med forskning på KTH, utan formell anställning. 

Det finns fortfarande grundläggande forskningsarbete kvar att göra inom djupa nätverk. 

Fascinerande nog har de stora AI-framstegen gjorts trots att det fortfarande saknas fundamental kunskap om varför djupa nätverk fungerar så bra som de gör.

– Uppenbarligen svarar strukturen hos de hierarkiska nätverk som är effektiva, på något sätt mot strukturen i de data som vi försöker klassificera. Om vi kan förstå dessa samband bättre så kommer vi att lättare att kunna bestämma optimal arkitektur och förmodligen kunna förutsäga om en viss datamängd kan användas för att träna ett nätverk. 

Grundläggande teknik som fortfarande kan förbättras dramatiskt är att automatiskt inte bara trimma nätverkens parametrar, utan också automatiskt välja nätverkens struktur – något som idag mycket sker genom att man provar sig fram. 

Träningen av näten är också ineffektiv jämfört med biologiska system som kan lära sig betydligt effektivare med en bråkdel av de datamängder som de artificiella systemen kräver, och dessutom utan att dessa data är kategoriserade i förväg. 

– Att förklara detta är ett av de största problemen inom AI. Biologiska system har utvecklats genom evolution till att bli extremt effektiva och flexibla system för inlärning på ett sätt som vi fortfarande inte förstår.