Maskiner som lär sig själva – kan de ersätta människan?

2018-03-05

Start adding items to your reading lists:
or
Save this item to:
This item has been saved to your reading list.
machine learning

Maskininlärning (machine learning) är den del av AI som hjälper maskiner att lära sig förstå helt på egen hand. Det är som när ett barn ser en fågel för första gången. Barnet behöver se några fler exempel på fåglar för att själv se skillnaden på fågel, hund eller katt. Maskininlärning fungerar på liknande sätt.

Det finns mängder av analyser och artiklar som förutspår en framtid full av fantasifulla tekniska framsteg, baserade på maskiner som med hjälp av artificiell intelligens (AI) lär sig själva och så småningom tar över uppgifter, som vi inte trodde var möjliga, och som under lång tid utförts av människor. Bilar, flygplan och andra maskiner som kör på egen hand och aldrig ställer till med olyckor. Robotdoktorer som kan diagnostisera människor och smarta hem som inte drabbas av inbrott, vattenskador eller brand. Allt kommer förr eller senare att bli verklighet, men inte under 2018 och inte heller riktigt på det sätt som vi nu ser framför oss.

Maskininlärning är ett delområde inom datavetenskap som utvecklats från studier av mönsterigenkänning och "computational learning theory" inom artificiell intelligens. Maskininlärning bygger i grunden på algoritmer som kan lära sig av tidigare utfall i data och baserat på nya datapunkter göra förutsägelser gällande framtida utfall, utan att för den skull ha programmerats för ändamålet.
 

Maskininlärning – den del av AI som hjälper maskiner att förstå på egen hand

Maskininlärning är den del av AI som hjälper maskiner att lära sig och förstå på egen hand och kan liknas vid vår mänskliga hjärna. Den mänskliga hjärnan har cirka 100 miljarder nervceller som via synapser har kontakt med ytterligare nervceller och där själva inlärningen sker. I denna artikel behöver vi inte bry oss om antalet eftersom det rör sig om ofantligt många kopplingar som bygger upp vårt mänskliga lärande. Varje gång en människa lär sig något nytt förstärks en del av synapserna och man kan säga att hjärnan byggs om för att lagra den nya insikt man införskaffat. Ett barn som för första gången ser en fågel behöver se ytterligare några exempel på fåglar för att själv se skillnaden på fågel och en hund eller katt. Nya synapser i barnets hjärna har skapats och förstärkts för att kunna se skillnad mellan olika djur.
 

Konstgjort nätverk som efterliknar den mänskliga hjärnan

Maskininlärning fungerar på liknande sätt. För att AI ska kunna lära sig något skapas ett konstgjort neuralt nätverk som efterliknar den mänskliga hjärnan. Detta är verktyget som AI behöver för att lära sig saker. Därefter sker inlärning genom att mata denna konstgjorda hjärna med data om specifika situationer samt tillhörande utfall och svar. Inlärningen upprepas om och om igen till man får ett utfall och svar med tillräckligt hög tillförlitlighet.
 

Maskininlärning på tre olika sätt

Förenklat kan maskininlärning delas in i tre kategorier – övervakad inlärning, oövervakad inlärning och förstärkt inlärning. Övervakad inlärning sker genom att man förser nätverket med både "data" och facit. Oövervakad inlärning innebär att nätverket får arbeta helt utan förkunskaper, det vill säga att maskin och algoritm får inhämta såväl indata som utfall på egen hand. Förstärkt inlärning innebär att en eller flera algoritmer lär sig den rätta lösningen genom att prova sig fram och förstärka beteenden som leder till positivt resultat, samtidigt som mjukvaran försvagar beteenden som leder till negativt resultat.
 

Maskininlärning hjälper dig fastighetsvärdera

En app och algoritm som värderar fastigheter kan fungera som ett bra exempel på övervakad inlärning. Variabler från tidigare fastighetsaffärer som till exempel byggår, geografiskt läge, standard och skick matas in och nätverket får lära sig att en specifik kombination av indata resulterar i ett pris på exempelvis 500 000 kronor. När nästa fastighet presenteras för det neurala nätverket kan det försöka sig på en gissning. Med begränsad erfarenhet till endast en tidigare fastighetsförsäljning tvingas appen göra en hel del antaganden och kvaliteten på gissningen blir därefter. Men när det neurala nätverket tillåts jämföra sin gissning med det verkliga utfallet börjar inlärningen på allvar.
 

Risken finns att etablerade aktörer kommer att gå under

Den finansiella sektorn är en sektor där man nu arbetar intensivt med att försöka etablera självlärande AI-lösningar säger Johan Jerresand, FinTech-ansvarig på PwC.

– Det finns tretton på dussinet profetior om vad AI, maskininlärning, blockchain och annan ny teknik kommer att få för påverkan på den finansiella sektorn. Risken finns att etablerade aktörer kommer att gå under eller begränsas i sin roll. Eller så kommer tekniken att göra att dagens etablerade aktörer står ännu starkare och blir än mer dominerande. Sant är att vi i dagsläget inte känner till effekterna på lång sikt bara att det inte kommer att se ut på det sätt det gör i dag. Det vi också vet är att det är oerhört komplext och många faktorer som spelar in samt att utvecklingen går mycket fort.
 

Men vad kan vi med säkerhet säga om hur samhället kommer att påverkas av AI och maskininlärning?

– För att vara på den säkra sidan i sina prognoser bör man vara mycket kortsiktig eller väldigt bred och övergripande. En sak vi kan säga är att ur ett samhälls- och ekonomiskt perspektiv är att AI och maskininlärning kommer att vara en tydlig drivkraft till BNP-tillväxt framöver. Precis på samma sätt som industrialiseringen bidrog till ökad produktivitet när det begav sig, så kommer den här nya tekniken att vara orsaken till enorma produktivitetsvinster.
 

BNP-tillväxt är ju positivt, finns det några baksidor med utvecklingen?

– Generellt sett inte. Men om vi ska vara cyniska eller konspiratoriska kan vi skissa på ett scenario där delar av tillväxten hamnar hos aktörer som eventuellt inte vill dela med sig. Jämför med internets framväxt som fört med sig väldigt mycket gott ur till exempel demokratisynpunkt. Men internet har samtidigt bidragit till att skapa superrika och mycket dominerande företag som riskerar skapa motsättningar i samhället.
 

Går den här sortens nackdelar eller baksidor med utvecklingen ens att undvika?

– Inom den finansiella sektorn har ju hårdare regleringar varit i ropet de senaste tio åren. Historien har visat vid mer än ett tillfälle att det kanske inte går att helt förlita sig på marknadskrafterna. Visserligen fokuserar regelmakarna mer på systemrisker och hur vi ska undvika en ny finanskris, men med framväxten av den här sortens teknik kommer behovet av ny reglering att bli större och där man också tar hänsyn till hur det påverkar oss som konsumenter.
 

Kommer behovet av mänsklig arbetskraft att minska i takt med utvecklingen?

– Ja, så kommer det att vara även i detta teknikskifte. Men nya jobb kommer att skapas och förhoppningsvis kommer mycket av vinsterna att återinvesteras. Att jobb kommer försvinna är egentligen inte så dramatiskt. Rätt använt kommer det låta människor att fokusera på sådant som vi är bra på och vill hålla på med. En hel del arbetsuppgifter kommer vi säkerligen vara glada att slippa även om många kommer att reagera med ryggmärgen när vissa yrken försvinner.
 

Du menar att arbetstagare framöver kommer att få en bättre tillvaro som anställda även om många oroar sig för att bli av med jobbet?

– Jag tar folks oro på största allvar men sett till olika sektorer och branscher så är jag övertygad om att tillvaron kommer att bli bättre för oss medarbetare, även om den också kommer att ställa nya och högre krav på oss, utan tvekan. Inom finanssektorn sitter exempelvis mängder av administrativ personal med arbetsuppgifter som ingen egentligen vill befatta sig med. Inom både bank och försäkring kommer kundtjänst, kreditprocesser, skadereglering och liknande skötas av människor i allt mindre utsträckning framöver. Jag har nyligen haft diskussioner med klienter som uppskattar att 70-80 procent av de administrativa arbetsuppgifterna som personalen har skulle de gladeligen lämna över till en maskin. Då kan de fokusera på sådant som de i praktiken är anställda för att göra men inte har tid att göra i dag. I det här perspektivet ser jag bara fördelar, både för arbetsgivare, arbetstagare och kunder.
 

Var någonstans kan vi förvänta oss framsteg den närmaste tiden?

– Jag tror att vi kommer att få se en snabbare förflyttning inom bank och finans än inom försäkring. Detta är främst drivet av stora vinster och att dessa förtjänster är mer uppenbara än inom försäkring, framför allt på den svenska marknaden där försäkringssektorn inte är lika konkurrensutsatt som på många andra marknader. Men fördelarna är även stora inom försäkringssektorn och mycket handlar här om att förebygga skador, individualisera erbjudandet och mötet med kund samt ökad intern effektivitet och kvalitet där det finns stora besparingar och vinster att hämta.
 

Hur skulle ett optimerat pris till kund för varje enskilt tillfälle kunna se ut?

– Individualiserad prissättning inom försäkringsbranschen är en fundamental utmaning. De flesta försäkringar bygger på att den stora massan betalar premier till de få som faktiskt måste utnyttja sitt försäkringsskydd. Om du som försäkringskund ofta tappar saker, skadar din bil eller orsakar skada på annans egendom så betalar du förmodligen för lite i avgift till ditt försäkringsbolag. Verktygen för att du ska bli korrekt prissatt är i dag trubbiga. Men de kommer sannolikt att bli mycket mer precisa och kunder som ofta är olycksdrabbade kommer antagligen att betala mycket mer. I dag styrs det där mer schablonmässigt. Inom försäkringsbranschen går utvecklingen mot mer individanpassade och användarbaserade premier, vilket sätter press på befintlig fördelningsmodell där skadedrabbade kommit "lindrigt" undan.
 

Det låter som en mer rättvis prissättning?

– Absolut, en algoritm som utgår från de parametrar som faktiskt betyder något och som påverkar sannolikheten för att du faktiskt kommer att behöva utnyttja din försäkring är mer rättvis. Rätt använt kommer algoritmerna vara fria från fördomar och lägga mindre vikt vid generiska parametrar som historiskt spelat stor roll, exempelvis ålder, kön, bostadsort, boende och så vidare och i stället göra en bedömning utifrån den enskilda individen eller hushållet, det vill säga det som borde spela roll. Men då gäller det att vi inte matar maskinerna och algoritmerna med våra egna fördomar.
 

Du menar att vi ska akta oss för den gamla regeln "skräp in, skräp ut"?

– Precis, för att AI och maskininlärning ska kunna fungera måste vi kunna förse maskinerna med omfattande mängder relevant data som är fri från fördomar och mänskliga brister. Annars finns risken att maskiner kommer att upprepa och påvisa samma brister som vi människor har. Det har vi redan sett exempel på i dag när världens börser svängt och volatiliteten förstärkts på grund av algoritmer som kanske i allt för stor utsträckning agerar som vi människor skulle gjort, bara mycket snabbare och mer samstämmigt. En maskin och algoritm är bara så pass effektiv som den data den lär sig ifrån, på samma sätt som för oss människor.
 

Hur ställer sig regelmakare till den här utvecklingen? Det låter som om de skulle kunna ha en del synpunkter inom detta område?

– De är positiva sett ur kundsynpunkt. Men de är samtidigt väldigt riskaverta. Nyckeln till framgång är att kunna förklara AI och maskininlärning fungerar. För många är detta en "svart låda". Om du har en självlärande algoritm, och inte kan förklara hur den fungerar och fattar beslut, så kommer du inte att få nödvändiga tillstånd från övervakande myndigheter eller regelmakare. En god tumregel bör vara att ge regelmakare mer än de kräver. Nya tekniska framsteg springer ofta från lagstiftning och organisationer som på egen hand sätter upp ansvarsfulla riktlinjer som kommer att reducera risker och öka sannolikheten för avkastning.

Även om den tekniska utvecklingen går i en hiskelig takt så finns fortfarande stora utmaningar som rör personlig integritet och lagstiftning. Innan vi kan släppa lös tekniken kommer regelmakare och lagstiftare behöva bidra med ny lagstiftning anpassad för en ny morgondag. Elon Musk, skaparen av bilföretaget Tesla, har exempelvis varnat för att vi riskerar att tappa kontrollen utan en uppsättning regler anpassade för att hantera den nya tekniken och konsekvensen av denna.

På PwC är vi inte ensamma om att försöka se en övergripande utveckling inom detta område och hur vi ska kunna maximera nyttan samtidigt som vi begränsar riskerna med AI och maskininlärning.

Kontakta oss

Johan Jerresand
FS Technology & Information Management Lead
Tel 0709-29 10 02
Email

Följ oss