Udviklingen og anvendelsen af kunstig intelligens er i fuld gang med at forandre den måde, vi arbejder, kommunikerer og organiserer os på.
Lanceringen af ChatGPT har allerede gjort generativ AI – kunstig intelligens, der kan generere nyt indhold – til hvermandseje. Vi kan på få sekunder eller minutter skrive en ny tekst, skabe et nyt billede eller få nye idéer til en strategi.
Vi har kun set den spæde begyndelse
Perspektiverne i kunstig intelligens er imidlertid langt større, og vi har formentlig kun set den spæde begyndelse af, hvad teknologien kan bruges til.
Kunstig intelligens kan måske være en del af svaret på de store udfordringer med mangel på arbejdskraft og begrænsede ressourcer i den offentlige sektor.
I en ny artikelserie stiller vi spørgsmålene:
- Hvad skal vi holde os for øje, når vi implementer, spreder og skalerer løsninger baseret på AI i den offentlige sektor?
- Hvad er fordelene og potentialerne?
- Hvor er faldgruberne og de blinde vinkler?
I denne artikel taler vi med Maria Hvid, der er Machine Learning Engineer og medstifter af virksomheden Neurospace. Maria Hvid er også fagforeningen IDAs ekspert i kunstig intelligens og maskinlæring og medlem af AI-komiteen i Dansk Standard.
De rigtige data er afgørende
Neurospace udvikler maskinlæringsløsninger til blandt andet forsyningssektoren.
Virksomheden bruger de data, som forsyningsselskaberne i forvejen opsamler, til at udvikle maskinlæringsløsninger, der kan optimere forsyningen af fjernvarme og vand og håndteringen af spildevand. Dermed kan man forbedre stabiliteten og reducere omkostninger.
"Vi bruger for eksempel maskinlæring til at sikre den optimale fremløbstemperatur for fjernvarmen, så man ikke overproducerer og dermed spilder varme," fortæller Maria Hvid.
Neurospace udvælger i samarbejde med kunderne specifikke data, som bruges til at lave en simpel maskinlæringsløsning, der kan løse et konkret problem.
"For os handler det ikke om at have mange datakilder, men om at have de rigtige data," siger Maria Hvid.
Adskiller sig fra generativ AI
Derved adskiller Neurospaces maskinlæringsmodeller sig fra de meget omtalte generative AI-tjenester, der bygger på enorme datamængder og i princippet kan anvendes til mange forskellige formål.
Værktøjer baseret på generativ AI er det seneste års tid blevet hvermandseje gennem tjenester som ChatGPT. Det har åbnet for helt nye måder at løse opgaver på – også i den offentlige sektor.
Hvad er kunstig intelligens?
Udviklingen og anvendelsen af kunstig intelligens er i fuld gang med at forandre den måde, vi arbejder, kommunikerer og organiserer os på.
Der findes forskellige 'grader' – eller niveauer – af kunstig intelligens:
- Kunstig intelligens (AI) er en bred betegnelse for teknologi, der gør det muligt for maskiner at udføre opgaver, som normalt kræver menneskelig intelligens – som at forstå tale eller genkende billeder.
- Machine learning er en underkategori af AI, hvor computere lærer at træffe beslutninger baseret på data, de får, uden at være eksplicit programmeret til hvert scenarie.
- Generativ kunstig intelligens refererer til AI, der kan skabe indhold som tekst, billeder, musik eller kode, som om det var skabt af mennesker.
- Store sprogmodeller er en type generativ AI, der er trænet på basis af enorme mængder tekstdata for at forstå og generere naturlig sprog – såsom at skrive artikler eller besvare spørgsmål.
Flere tjenester bruger generativ AI til at skabe nyt indhold. Fx kan Dall-E skabe nye billeder, og ChatGPT kan skabe nye tekster.
Dette gøres ved at indtaste en 'prompt', hvor man giver modellen et input, som modellen reagerer på og bruger til at løse den opgave, man har stillet.
Som en avanceret søgemaskine
Hvilke fordele og anvendelsesmuligheder ser du for generativ AI i det offentlige?
"Med det niveau, som generativ AI er på i dag, ser jeg det først og fremmest som en avanceret søgemaskine. Der bliver talt meget om de mange forskellige ting, som generativ AI vil kunne anvendes til, men meget af det er endnu på forskningsniveau," siger Maria Hvid.
Teknologien vil dog med fordel kunne bruges til en række opgaver, som i dag løses manuelt af medarbejdere i kommuner, regioner og stat, påpeger hun.
"Generative AI-værktøjer kan fx bruges til nemt og hurtigt at finde specifik dokumentation i offentlige systemer eller til at reducere fejl i tekster," siger Maria Hvid.
Hjælp til dokumentering
Inden for sundheds- og plejesektoren kan teknologien blandt andet være til stor hjælp ved dokumentation og journalføring og derved medvirke til at skabe mere tid til de primære pleje- og omsorgsopgaver.
"Medarbejdere kan fx indtale deres dokumentation, hvorefter kunstig intelligens automatisk sørger for at skrive dokumentationen ind i de eksisterende systemer."
Man kan ikke verificere nøjagtigheden og kvaliteten af det output, som ChatGPT og lignende værktøjer genererer. Det ser jeg som et stort problem
Ser du risici eller faldgruber ved at anvende generativ AI i det offentlige?
"De nuværende generative AI-værktøjer er udviklet af amerikanske selskaber, og vi ved ikke, hvilke data de store sprogmodeller, som ligger bag dem, er trænet på," siger Maria Hvid.
"Derfor kan man ikke verificere nøjagtigheden og kvaliteten af det output, som ChatGPT og lignende værktøjer genererer. Det ser jeg som et stort problem."
En dansk sundheds-GPT
Maria Hvid opfordrer derfor til, at vi i Danmark går i gang med at bygge vores egne generative AI-modeller til specifikke formål, frem for at bygge værktøjerne på de nuværende store sprogmodeller.
"Man kan fx udvikle et værktøj inden for sundhed – en sundheds-GPT, som er trænet på danske standarder. For vi har altså nogle andre medicinske krav end i USA."
Spørgsmål om rettigheder
Maria Hvid nævner også andre risici ved at bruge ChatGPT og lignende værktøjer – fx i forhold til personfølsomme eller andre sensitive data.
Dertil kommer uafklarede spørgsmål om rettigheder til data, som de store sprogmodeller er trænet på. Det emne bliver der i øjeblikket taget stilling til i en række retssager i USA.
Der skal være en business case
Hvis vi i stedet taler om AI i form af maskinlæring, hvilke anvendelsesmuligheder ser du for det i den offentlige sektor?
"I det sekund, noget har et mønster, kan man optimere en proces med maskinlæring. Det giver utallige anvendelsesmuligheder, men der skal være en god business case ved at optimere processen ellers giver det ikke mening," siger Maria Hvid.
"I Neurospace fokuserer vi meget på, at business casen også kan være grøn. Det vil sige, at optimering af en proces ved hjælp af maskinlæring fører til klimamæssige fordele."
Hvad skal vi optimere med maskinlæring?
Hvordan finder man i fx en kommune ud af, hvilke processer man med fordel kan optimere med maskinlæring?
"Den proces kan man dele op i tre forskellige steps," siger Maria Hvid og uddyber:
- Først skal man uddanne sine medarbejdere, så de får en forståelse af, hvad maskinlæring er. For så snart man forstår det, begynder man også at se, hvilke problemer maskinlæring kan løse.
- Dernæst skal man identificere de mulige cases til maskinlæring i organisationen. Det gør man ved at snakke med de medarbejdere, der sidder med problemerne til dagligt og har indsigt i data og processer.
- Til sidst skal man prioritere sine cases ud fra business casen. Det kan både være i forhold til kroner og ører, men ikke nødvendigvis. Der kan også være politiske gevinster eller klimagevinster. Hvor er de lavt hængende frugter? Hvor nem er casen?
"Hvis casen er nem og data er tilgængelig, er det plug-and-play maskinlæring, og så starter man der. Denne model kan bruges inden for alle felter i den kommunale eller anden offentlig drift."
Lad ikke kunstig intelligens erstatte menneskelig dialog
Er der også faldgruber inden for maskinlæring og kunstig intelligens generelt?
"Lige nu har vi en verden, hvor kunstig intelligens er udråbt til at kunne løse det hele, og det kan det ikke. Hvis man tror det, brænder man fingrene. Der skal være en god business case og de rette data skal være tilgængelige."
"Jeg vil heller ikke anbefale, at man lader kunstig intelligens erstatte de processer, som kræver, at der er en dialog menneske til menneske," siger Maria Hvid.
Vi skal kunne aflæse hinanden
I mange tilfælde har vi nemlig brug for den menneskelige kontakt, for at kunne aflæse hinanden i en given situation.
"Det gælder både i sundhedsbranchen, når vi sidder foran en læge og får at vide, om vi har en given diagnose, men også når vi ringer til en kommune eller en offentlig instans og skal have hjælp. For ofte er vores behov nuanceret og ikke noget, du kan sætte ind i en kasse," siger Maria Hvid.
Kunstig intelligens medfører ikke færre medarbejdere
Blandt medarbejdere kan der være en frygt for, at AI-værktøjer vil erstatte 'rigtige mennesker' og føre til nedskæringer i medarbejderstaben. Den frygt deler Maria Hvid imidlertid ikke.
"Det kan godt være, at nogle af ens opgaver bliver automatiseret. Men alle stillinger indeholder jo flere forskellige opgaver, og hvis man får automatiseret nogle opgaver, får man bare mere tid til de andre."