Samlar tankarna efter en inspirerande heldag på Lindholmen Conference center. Har deltagit i invigningsseminarium för Chalmers satsning på forskning och utbildning inom AI. CHAIR – CHalmersAIResearch center.
Vi lever i en alltmer komplex värld, med mer och fler processer tätt sammanlänkade. I denna alltmer komplexa tillvaro är det bra att AI kommer och hjälper oss att se samband som vi inte annars hade kunnat se.
Blandade föreläsningar och presentationer och en dag till imorgon.
Det finns flera initiativ inom AI, (många erkänner att det också är en hypevåg som det gäller att surfa på). I Sverige är vi duktiga på att inte se det som konkurrens utan komplement. Angränsande initiativ är:
AI Innovation of Sweden, https://www.ai.se/en/news/ai-innovation-sweden-officially-launched
AI competence for Sweden, https://ai-competence.se
Wallenberg AI, Autonomous Systems and Software Program (WASP), http://wasp-sweden.org
Vad är det som avgör om vi kommer att bli framgångsrika inom AI? Både som företag och samhälle. Jo tillgången till data. De som jobbar aktivt menar till och med att skälet att internationella forskare vill komma till Sverige är inte lönen, inte livskvaliteten, (inte bara i vart fall) utan att de kan komma åt data och samarbeten som ger data så att de kan lyckas med sin forskning. Pengar finns, kompetens finns, men utmaningen inom många områden är tillgången till data.
Professor Jan Bosch, argumenterade för att för mycket fokus läggs på själva maskinlärningsmodellen och hur de skall tränas och utvärderas, den röda kurvan visar akademisk fokus. Den gröna kurvan visar industrins fokus, det krävs mycket mer för att få ordning på data och det krävs mycket mer för att skala upp användandet. Han argumenterar i egen sak, det behövs mer software engineering, men det stämmer med mina iaktagelser från industrin 2018. De andra två bilderna understryker det samma, AI och maskinlärning algoritmer är den lilla delen, det är mycket annat som måste fungera.
Professor Samuel Kaski från Aalto Universitetet beskriver Finlands satsning på AI, https://fcai.fi
Rådet från alla är att börja i begränsad skala och experimentera. Det är för tidigt att veta var det stora värdet för din organisation ligger. Och igen om du inte har förberedd data så har du mycket jobb att göra först. Det som driver kostnader och misslyckanden är dålig data. I förlängningen kommer det att bli dyrt med hög noggrannhet och snabb respons, accuracy and latency. Och det är det som krävs för att köra en autonom process.
Att implementera AI kräver experimenterande och trial and error. Man måste vara organiserad för det. Det går inte att planera på samma sätt, management måste acceptera annan budgetering. Att jobba empiriskt innebär ett större risktagande.
Vilken ytterligare forskning och utveckling är angelägen:
Unsupervised learning – dvs att algoritmerna lär sig själva, att de inte behöver en expert=människa som talar om hur data skall tolkas.
Unlabeled data – att kunna jobba utan dataetiketter, eftersom etiketteringen är dyr och tidskrävande.
XAI – Explainable AI – så att tilltron, tilliten till AI består, om vi skall lita på AI måste AI berätta hur AI kommit fram till resultaten
Fler modeller som fungerar med mindre, färre, data
Bättre verktyg så att det blir enklare att generera nya AI modeller
Göra effektiva modeller inom gränser, att tillåtas tänka fritt men inom en given ram är naturligt för en människa men en utmaning för AI och i praktiken behövs det.
Hur skall vi använda AI för att skapa ett bättre samhälle, mer utveckling runt sammanhanget.
Summan av kardemumman, med risk för att jag är offer för confirmation bias, beslutsjäv, eller att se det jag vill se.
Min nuvarande tes om att kärnan av vad som krävs för att lyckas är en förändringsberedd organisation och bra data, fortfarande håller. Även efter en dag med 600 personer intresserade av AI.
