Det er ingen tvil om at vi står foran store endringer i samfunnet. Et britisk forskningsprosjekt fra 2013 anslo at 47 prosent av amerikanske jobber vil bli automatisert i løpet av de neste 20 årene.

Det er dramatiske tall, og det kan få enorme følger for hvordan vi strukturerer samfunnet og livene våre. En av grunnene til den store omveltningen er det som kalles maskinlæring.

Det er egentlig en beskrivelse av datasystemer som kan lage strategier og lære seg ferdigheter ut fra enorme mengder informasjon.

Brettspill som sjakk og go er gode eksempler. Til disse spillene har maskinlæring skapt programmer som er ekstremt mye bedre enn mennesker. AlphaZero er et av disse programmene, ifølge The Verge.

• Les også: AlphaGo vant den siste kampen mot stormester av kjøtt og blod

Etter bare fire timer med trening, slo dette programmet Stockfish, et av de aller mest avanserte sjakkprogrammene i verden.

Men dette er spill, med klart definerte regler og mål. Men hva slags oppgaver i den virkelige verden er det maskinene kan gjøre? To økonomer ved Massachussets Institute of Technology (MiT) og Carnegie Mellon-universitetet spør dette spørsmålet i tidsskriftet Science.

Dampmaskin

Forskerne sammenligner maskinlæring med dampmaskiner og elektrisitet. Dette er teknologi som har bruksområder overalt. Det kan brukes som selve drivkraften i et utall andre sammenhenger, mange som vi enda ikke vet om. 

Foreløpig er maskinlæring ekstremt godt egnet til noen ting, med noen begrensninger. Blant annet må algoritmene forholde seg til klart definerte mål, med klart definert informasjon som kommer inn.

Maskinlæring er for eksempel veldig godt egnet til å kikke gjennom massevis av pasientjournaler for å beregne hvor sannsynlig det er at noen har kreft. Det er et av eksemplene forskerne trekker fram.

• Les også: Robotene inntar universitets-Norge

Sunn fornuft

Men maskinene er ikke spesielt gode til å ta beslutninger som krever lange rekker med logiske slutninger, eller avgjørelser som krever kunnskap fra mange forskjellige felt. Dette kalles ofte for «sunn fornuft»-kunnskap, og er underliggende kunnskap som vi mennesker samler gjennom livet.

Forskerne viser til forsøk med dataspill, hvor en kunstig intelligens vil være flink til å reagere raskt og løse umiddelbare problemer. Maskinene ble ekstremt flinke til å spille for eksempel pinball-spill, ifølge denne studien fra 2015.

Men maskinene var elendige på eventyrspill, hvor spilleren må finne gjenstander, som for eksempel nøkler, som må brukes på bestemte steder kanskje lenge etter de ble funnet. Dette krever langtidsplanlegging og improvisering, som baserer seg blant annet «sunn fornuft»-kunnskap – kunnskap som programmet ikke har.

Dette er bare noen av maskinenes styrker og svakheter, og du kan lese mer om det i Science-artikkelen, som du finner her.

• Les også: – Roboter kan bli bedre til å sette diagnoser enn leger

Emosjonell intelligens og kreativitet?

Men maskinlæring vil sannsynligvis kunne passe inn i aspekter ved mange forskjellige jobber. Mange jobber består av deler som kan automatiseres, og deler som ikke er så lett å automatisere.

Forskerne bruker advokater som eksempel. En kunstig intelligens kan for eksempel være ekstremt nyttig for å organisere og klassifisere dokumenter som skal brukes i en rettsak, men vil ikke være særlig god på legge en strategi eller intervjue vitner.

Det er det samme med leger: Roboter kan bli veldig gode på å gi riktig diagnose, men de er foreløpig ikke særlig gode på å være hensynsfulle mot og kommunisere med pasienter, mener forskerne.

Forskerne vet naturligvis ikke hvordan dette vil utvikle seg i framtiden, og det kan godt være at de vil bli bedre på menneskelig kommunikasjon.

Den forrige datarevolusjonen gikk ut på at enkle, repeterende oppgaver kunne lett automatiseres, men nå er det i endring. Flere programmer basert på maskinlæring har vist at det kan designe komplekse maskiner, en jobb som før bare kunne bli gjort av mennesker.

Hvis du følger denne lenken, kan du se en varmeveksler som har blitt designet av et dataprogram.

Den hadde et klart mål, nemlig å designe en maskin som skal ga riktig vekt, styrke og effektivitet – akkurat slike oppgaver som maskinlæring er godt egnet til. Forskerne antar at flere og flere av denne typen jobber vil bli automatiserte.

Samtidig er forskerne klare på at behov for nye tjenester, arbeidsoppgaver og varer vil dukke opp med automatiseringen, så automatisering vil sannsynligvis bringe med seg mange nye jobber også.

Referanser:

Mitchell mfl: What can machine learning do? Workforce implications. Science, desember 2017. DOI: 10.1126/science.aap8062. Sammendrag