Hvordan lærer en maskin?

Mønstre, ikke forståelse

Når vi sier at en maskin «lærer», mener vi noe annet enn når et barn lærer. AILit-rammeverket, som Udir selv viser til, beskriver det presist: maskiner «lærer» ved å slutte seg til hvordan svar skal genereres ut fra mønstre i treningsdataene og ny informasjon — med varierende grad av autonomi, tilpasning og nøyaktighet. Ingen forklarer modellen hva en katt er. Den får tusenvis av eksempler, finner statistiske mønstre i dem, og bygger en regel den selv aldri kan formulere med ord.

Det hjelper å skille to typer systemer. Et regelbasert system følger regler mennesker har skrevet: en termostat, en kalkulator, et lyskryss. Et maskinlært system har funnet reglene selv, i data: bildegjenkjenning, oversettelse, anbefalinger. Forskjellen forklarer både styrken og svakheten. Maskinlæring egner seg nettopp til oppgaver som ikke lar seg løse med oppskrifter i diskrete steg — som å kjenne igjen et ansikt. Men fordi reglene er utledet av eksempler, arver modellen alt som er skjevt, mangelfullt eller utdatert i eksemplene.

Derfor er treningsdataene det viktigste spørsmålet. AILit peker på at data hentes fra offentlig tilgjengelig informasjon, brukergenerert innhold, kuraterte databaser og sensorer i den virkelige verden — og at materialet kan være opphavsrettsbeskyttet, usikkert eller samlet inn uten samtykke. Den som vil forstå en modell, bør altså ikke først spørre «hvor smart er den?», men «hva har den sett?».

To mekanismer er verdt å kjenne ved navn. Mønstergjenkjenning er grunnoperasjonen: finn det som går igjen i eksemplene, og bruk det på nye tilfeller. Forsterkningslæring er en annen vei til det samme: systemet prøver, får belønning eller straff, og justerer seg — slik en spillagent lærer et brettspill ved å spille millioner av partier. Et nevralt nettverk, teknologien bak dagens store modeller, er organisert i lag av noder med vektede koblinger som styrkes og svekkes gjennom trening. Mer matematikk enn dette trenger du ikke: eksempler inn, mønstre funnet, vekter justert, svar ut.

Dette er kunnskap norske elever skal ha. Udirs nettside om hva elevene skal lære sier at de kan lære om KI som teknologi — for eksempel hva generativ KI er og hvordan slike systemer fungerer. Og fordi det handler om å lære om KI, kan det undervises på alle trinn, helt uten skjerm: klassifiseringsøvelser med kort og regler gir elevene en kroppslig erfaring av nøyaktig den prosessen modellene gjennomgår.

Og legg merke til hva denne innsikten gjør med språket ditt: den som vet at modellen finner mønstre i eksempler, slutter å spørre om KI-en «vet» noe — og begynner å spørre hva den er trent på. Det spørsmålet er kanskje det mest overførbare enkeltverktøyet i hele KI-didaktikken, og det fungerer like godt i lærerværelset som i klasserommet.