Episode description
Episode description
Når du besøger et hospital, kan AI-modeller hjælpe lægerne ved at analysere billeder eller forudsige patientsvar baseret på tidligere og historiske data.Hvis du ansøger om et job, kan AI-algoritmer bruges til at screene CV'er, rangordne kandidater til jobbet og endda stå for de indledende samtaler.
Når du vil se en film på Netflix, forudsiger en anbefalingsalgoritme baseret på dine seervaner, hvilke film du sandsynligvis vil kunne lide.
Selv når du kører, arbejder prædiktive navigationsapps som Waze og Google Maps med at optimere ruten og forudsige trafikmønstre, for at sikre at du når hurtigst muligt frem.
På arbejdspladsen bruger mange AI-værktøjer som ChatGPT og GitHub Copilot til at skrive e-mails og kode samt automatisere gentagne opgaver. Studier peger på, at AI vil kunne automatisere op til 30 procent af arbejdstimerne i 2030.
Men fælles for alle disse AI-systemer er, at deres indre funktioner ofte er komplekse at forstå - ikke kun for den brede offentlighed, men også for eksperter!
Det begrænser, måden vi bruger AI-værktøjer i praksis. For at løse dette problem og tilpasse sig stadig flere lovgivningsmæssige krav er der opstået et forskningsfelt kendt som 'forklarlig AI'.
Nu hvor kursen er sat mod integration af AI i organisationer og den udbredte mediatisering af den kunstige intelligens potentiale, altså indtog i alle samfundets sektorer, er det let at blive forvirret. Især med så mange termer, der bruges til at betegne AI-systemerne; blandt andet maskinlæring, 'deep learning' og store sprogmodeller for blot at nævne et par stykker.
Med en simpel forklaring henviser AI til udviklingen af computersystemer, der udfører opgaver, som kræver menneskelig intelligens, som problemløsning, beslutningstagning og sprogforståelse.
Det omfatter forskellige underområder som robotik, naturlig sprogforståelse og 'computer vision' (computervidenskaben, der fokuserer på at gøre det muligt for computere at identificere og forstå objekter og personer på billeder og i videoer, red.).
En vigtig del af AI er maskinlæring, som gør det muligt for computere at lære af data i stedet for at være eksplicit programmeret til hver opgave. Maskinen ser på mønstre i datamængden og bruger så disse mønstre til at foretage forudsigelser eller beslutninger, for eksempel i et spamfilter i en email.
Systemet er trænet med tusindvis af eksempler på både spam og ikke-spam. Over tid lærer systemet mønstre som specifikke ord, sætninger eller afsenderdetaljer, der ofte forekommer i spam.
Deep learning, endnu en undergruppe af maskinlæring, bruger komplekse neurale netværk med flere lag til at lære endnu mere sofistikerede mønstre.
Deep learning, som har vist sig at være helt enestående, når man arbejder med billed- eller tekstdata, er kerneteknologien bag forskellige værktøjer til billedgenkendelse eller store sprogmodeller som for eksempel ChatGPT.
Eksemplerne ovenover viser, hvor vidt og bredt kunstig intelligens bliver brugt på tværs af forskellige industrier.
Flere af disse scenarier, som at foreslå film på Netflix, er forholdsvis uskadelige. Men andre, som rekruttering, vurdering af den enkelts kreditværdighed eller medicinsk diagnostik, kan have store konsekvenser for en persons liv, så det er afgørende, at de sker på en måde, der er i overensstemmelse med vores etiske målsætninger.
Derfor foreslog EU-parlamentet den såkaldte 'AI Act' (AI-forordningen på dansk), som blev godkendt i marts 2024.
Dette selvstændige rammeværk for kunstig intelligens kategoriserer anvendelsen af AI i fire forskellige risikokategorier:
Uacceptabel
Høj
Lav/minimal
Afhængigt af den potentielle indvirkning på samfundet og enkeltpersoner.
Hvert niveau er underlagt forskellige grader af regler og krav:
AI-systemer med uacceptabel risiko, som systemer, der bruges til 'social scoring' (e.g. sociale pointsystemer, som man ser det i Kina) eller 'predictive policing' (systemer, hvor algoritmer forudser kriminalitet) er forbudt i EU, da de udgør en væsentlig trussel mod menneskerettig...