Strategisk forretningsutvikling og innovasjon er et kurs Ragnvald Sannes og jeg har undervist i mange år. Det er noe av det morsomste Ragnvald og jeg gjør på BI, ikke minst fordi vi møter mange spennende mennesker som er opptatt av innovasjon – eller, som vi pleier å karakterisere studentene: De som ikke klarer å la ting være som de er!
Kurset er todelt: Dels har vi vanlig kursinnhold, med forelesninger, gjesteforelesere, casediskusjoner og ikke minst en studietur til Sophia Antipolis i Provence i samarbeid med Accenture Technology Labs. Men en minst like viktig del av kurset er en prosjektoppgave som vi coacher studentene gjennom i løpet av kurset, fra en tidlig idéfase i den første modulen til en ferdig prosjektbeskrivelse/business plan/konseptpresentasjon – og i noe tilfelle ferdigstilt prosjekt – til den siste modulen. En hel del bedrifter har gjennom årene utviklet mye spennende gjennom dette kurset – og studentene setter pris på at siden prosessen starter med en gang og man jobber jevnt og trutt gjennom kurset, så slipper man en panikkfase på slutten for å bli ferdig med oppgaven.
Også i år har Ragnvald Sannes og jeg veiledet en rekke spennende oppgaver. Siden de fleste oppgavene er konfidensielle, må jeg omtale dem i nokså runde ordelag, men her er i alle fall årets oppgaver: Også i år er listen spennende – og siden de fleste oppgavene er konfidensielle, må jeg omtale dem i nokså runde ordelag. Så her er årets liste:
en helseforetak ønsker å forbedre koordinering av spesialistutdanning for leger
en gruppe ønsker å utvikle en kommersiell tjeneste rettet mot syklister i Oslo
en gruppe utvikler et system for registrering og bruk av sivile kunnskaper i en del av Forsvaret
en høyskole ønsker samordne sine systemer slik at de blir bedre i stand til å tilby kurs som treffer i markedet
I mai startet en debatt om hvorvidt ChatGPT bli dårligere. Til å begynne med var det brukere som syntes ting gikk nedover, men etterhvert har forskere og guruer meldt seg på og konstatert at svarene til ChatGPT (i hvert fall innenfor områder der det er mulig å måle kvalitet, som matematikk), typen sensitive spørsmål som kan besvares, koding og tolkning av bilder, har ting blitt dårligere over tid.
Årsaken er, paradoksalt nok, at OpenAI, firmaet bak ChatGPT, gjør endringer i algoritmene for å forbedre ChatGPT, for å øke kvaliteten og hindre at systemet blir brukt til ting det ikke skal brukes til. Og dermed synker altså den opplevde kvaliteten.
Dette paradokset er interessant fordi det illustrerer to fundamentale tilnærminger til kunnskapsbaserte systemer (som jeg synes er et mye bedre uttrykk enn «kunstig intelligens», av mange grunner).
Logiske modeller På 80-tallet, da jeg begynte å rote rundt med det som den gang ble kalt AI, var AI så og si synonymt med ekspertsystemer – det vil si systemer som kunne besvare spørsmål ved å etterligne hva en ekspert gjorde (og som ofte var laget ved at man intervjuet eksperter). De ble programmert som en rekke spørsmål – «Er pasienten kortpustet?», «Hvor mye røyker han?» – og stiller så en diagnose basert på beslutningstrær. I dagliglivet treffer du denne typen systemer som chatbotene som i alle fall forsøker å besvare enkle spørsmål i banken og andre steder man henvender seg.
Statistiske modeller På slutten av 80-tallet (vel, egentlig mye tidligere, men de ble vanligere da) kom nevrale nettverk og andre, mer statistisk baserte metoder, som tok utgangspunkt i store mengder data og konstruerte modeller som kunne klassifisere ting. I motsetning til ekspertsystemene, som var basert på en logisk modell av hvordan folk tenker, tok disse metodene inspirasjon fra en fysisk (og, for all del, teoretisk) modell av hvordan hjernen virker. De prøver seg frem til de finner en modell som gir ønsket resultat, ofte ved å konstruere nettverk av enkeltinformasjonselementer som er forbundet, og der forbindelser mellom elementer styrkes eller svekkes gjennom prøving og feiling.
ChatGPT og andre store språkmodeller hører til denne typen systemer: De forsøker å gjette det neste ordet i en setning rett og slett ved å ha lest enorme mengder tekst og velge det ordet som er mest sannsynlig.
Forskjellige feilmodus Disse systemene har mange forskjeller – en av dem er hvordan de gjør feil. Ekspertsystemene er nokså enkle – hvis de ikke finner et svar, sparker de problemet videre til noen som har svaret, som regel en person. De kan selvfølgelig også svare feil – men da er det som regel nokså enkelt å forstå at svaret er feil, siden det ser urimelig ut. De er på mange måter å sammenligne med søk i databaser, der man må være nokså presis i hva man spør etter, og databasen vil svare at den ikke har noe som passer hvis så er tilfelle.
Statistisk baserte modeller, derimot, vil alltid gi et svar. Slik er de mer å sammenligne med søkemotorer, som alltid vil forsøke å gi deg noe, selv om det ikke passer. (Når fikk du sist en melding fra Google om at det ikke fantes noen sider som oppfylte dine kriterier?) Svarene kan være riv ruskende gale, men vil se troverdige ut. En generativ språkmodell, som ChatGPT, har ingen underliggende fornuft, den forsøker bare å gjette hvilket ord som passer best, gitt de ordene som kom før.
Når kvalitetskontrollen roter til ting Et problem med de statistisk baserte modellene, i alle fall de som bruker nevrale nettverk, er at de kan bli riktig gode på å kategorisere ting – billedgjenkjenning, tekstgjenkjenning, tekstfortolkning – uten at man kan forklare, i alle fall på en måte mennesker kan forstå, hvordan de gjør det. Det kan også gjøre store logiske feil: Selv om ChatGPT kan skrive pressemeldinger og eksamensoppgaver som ser tilforlatelige ut, gjør den logiske feil – noe som ofte viser seg i at den produserer falske referanser, det vil si lager en referanseliste med artikler som ikke finnes. (Biblioteket på BI rapporterer om studenter som dukker opp og skal ha artikler av denne typen.) Den kan godt generere en caseanalyse eller en sosiologisk drøfting – der er jo grunnlaget ord (og mange av dem). Men folk som har bedt den skrive en artikkel innen fysikk eller matematikk, sier at den produserer noe som ser svært tilforlatelig ut hva teksten gjelder, men formler og formell deduksjon er helt håpløst.
Det betyr at man må putte på en eller annen form for kvalitetskontroll som er logisk basert – altså bruke ekspertsystemlogikk til å kontrollere det som genereres. Dette kan gjøres på mange måter: Man kan ha en inputkontroll (slik at folk ikke kan be ChatGPT skrive noe rasistisk eller instruksjoner for å lage en atombombe). Man kan kombinere ChatGPT med logiske systemer – for eksempel Matematica, Stephen Wolframs matematikkprogrammeringssystem, som nå integreres med ChatGPT.
Og det er her det ser ut til at det blir vanskelig.
Siden man ikke helt vet – i hvert fall ikke i detalj – hvordan ChatGPT produserer et tekststykke, blir det svært vanskelig å introdusere kvalitetskontroll eller andre begrensinger rett i modellen. Man blir henvist til enten å filtrere input og output – og det gjøres i stadig større utstrekning – eller (svært forenklet) å legge begrensinger på hva slags tekstmateriale som kan brukes som underlag for å generere ny tekst.
Jeg har litt følelsen at OpenAI (og deres konkurrenter) har laget ChatGPT og andre modeller, og nå står og ser på denne maskinen og ikke helt forstår hva de har laget. Jeg hadde en gammel og komplisert Mercedes for noen år siden. Den var kul (syntes jeg i alle fall), men jeg kunne jo ikke skru på den selv fordi den var så komplisert, og visste at nesten enhver ting jeg gjorde, hadde mye større sannsynlighet for å rote ting til enn å gjøre den bedre.
Men bare vent… Så det er ikke helt tid for å sparke kommunikasjonsavdelingen ennå – men kanskje tid for å ha flere folk til å kontrollere resultatet enn å generere innholdet. Ledere jeg kjenner, har kommentert at eposter de får har blitt lengre, høfligere og med rikere vokabular. Men jeg ville ikke helt automatisert epostene mine ennå, og slett ikke om de inneholder konkrete fakta og definitive avgjørelser.
Hva den automatiske kvalitetskontrollen gjelder, så er det fremdeles tidlig i språkmodellenes utvikling – hvis vi regner ChatGPT som begynnelsen. Men ChatGPTs røtter ligger i forskningen til Frank Rosenblatt fra tidlig sekstitall og Rumelhart og McClellands bok fra 1987 – og sett i det perspektivet er ChatGPT det foreløpig siste skrittet på en lang reise.
Da elektrisiteten kom, kom det også allslags finurlige apparater som skulle gi bedre hårvekst, bedre potens, og for alt jeg vet mer intelligens. Det samme gjaldt radium, kaffe, poteter og mye annet. Nå for tiden er det vel antioksydanter og AI som i har rollen som universalløsning. Over tid får man et mer edruelig forhold til fenomenet, bedre oversikt over bivirkninger, og fremfor alt bedre forståelse for hva det kan brukes til.
Så ChatGPT råtner egentlig ikke. Teknologien har i stedet startet på en prosess som over tid vil gjøre teknologien bedre, mer pålitelig, og med mer presist definerte bruksområder. Jeg tror mer på en gradvis forbedring enn en revolusjon der ChatGPT 7 eller 8 tar over verden. I mellomtiden forsøker jeg å lære meg å bruke de nye verktøyene smart – og insisterer på at de er verktøy og ikke noe annet.
Nationaltheatret: Flukt Forfatter: Mikhail Bulgakov Regi: Aleksander Mørk-Eidem I hovedrollene: Maria Kristine Hildonen, Herbert Nordrum, Trond Espen Seim, Marte Engebrigtsen, Ole Johan Skjeldbred, John Emil Jørgensrud
Historien gjentar seg, først som tragedie, deretter som farse — Karl Marx
Det er som regel seierherrene som skriver historien om en krig (med mulig unntak av den spanske borgerkrigen). De som taper, trekker seg tilbake til de landområder de måtte ha igjen, eller til en tilværelse som flyktninger. Den russiske revolusjonen produserte mange flyktninger, i den grad at en fallert russisk overklasseflyktning, alene med sin samovar, er nærmest en klisje i europeiske romaner fra mellomkrigstiden.
Herbert Norum som Golubkov
Flukt handler om overgangen – hva som skjer i sluttfasen av en krig, og hva som skjer etterpå. Stykket er bygget opp i to akter: Den første på slutten av den russiske borgerkrigen, der den hvite fronten kollapser på Krim og alt er kaos; den andre i Konstantinopel og Paris et år etter, der hovedpersonene, med et unntak, fører en hånd-til-munn tilværelse og det er lite som minner om fordums makt og beslutningsdyktighet. Hovedpersone er ulike militære og sivile myndighetspersoner (Trond Espen Seim som kosakkgeneral Tsjarnota, kriger og eventyrer; hans overordnede, den iskalde generalen og krigsforbryteren Khludov, glimrende spilt av Ole Johan Skjelbred; og John Emil Jørgensruds visehandelsminister Korzhukin, ute etter å mele sin egen kake) og sivile flyktninger (Herbert Norum som akademikeren Golubkov, forvirret og irriterende ynkelig; Maria Kristine Hildonen som Korzhukins forlatte og etterhvert fornektede hustru; og Marte Engebrigtsen som Ljuska, Tjarnotas felthustru, garnityr i første akt men den som tar kommandoen til slutt.)
Hver av aktene har tre scener, effektivt skapt av en metallvegg med dører og luker som smeller. Video brukes effektivt uten både til å synliggjøre mimikk og som illustrasjon. Orkestergraven blir en integrert del av scenen. Scenografien er effektiv uten å bli dominerende, og understreker at dette er et ensemblestykke.
Ole Johan Skjelbred som general Khludov
Første akt er tragedie og storstilt krigsdrama, og det er ikke vanskelig å se for seg at lignende scener – tortur, vilkårlige henrettelser, kryssende informasjon og meningsløse ordre om total oppofrelse – skjer i Ukraina akkurat nå. De «hvite» – kommunistenes motstandere, en koalisjon av russiske tsarister og ulike nasjonale militser – er på stadig vikende front og trekker seg tilbake mot Sevastopol på Krimhalvøya. I denne fasen møter vi en rekke rollefigurer, der særlig Marika Enstad, Lasse Lindtner og Andreas Skjennum Tønnesland får markere seg som henholdsvis iskald forhørsleder, erfaren og resignert øverstkommanderende, og klønete og brutal lakei (en rolle han får mer rom til å utvikle i annen akt.)
Dramaet er mektig og troverdig uten at man overdriver virkemidlene, og humoren – representert ved klønete akademikere, ulende generaler og en særdeles lite imponerende biskop. Ole Johan Skjelbred gjør inntrykk som en intellektuell og iskald general Khludov, en skikkelse muligens inspirert av den ukrainske feltherren Symon Petljura (i hvert fall utseendemessig), som holder linjene med stadig mer brutale virkemidler mens han plages av syner av en henrettet soldat. Regien er stram og dramaet utsøkt – trass i et relativt komplisert plot er det ikke vanskelig å forstå hva som skjer – og det gjør inntrykk, godt hjulpet av at mange av hendelsene senere har blitt klisjeer i film og teater.
Marte Engebrigtsen som Ljuska
Annen akt går over til absurd farse – stedet er Konstantinopel, de tidligere myndighetspersonene lever fra hånd til munn som gatemusikanter og selgere. Scenografien er ikke lenger tidsriktig, og alle maktforhold er endret. Kvinnene tar kommandoen, gjør det som må til (som å prostituere seg for å få penger til mat). Unntaket er visehandelsminister Khorzhukin, som lever som playboy i Paris. Dit drar Tsjarnota og Golubnov for å skaffe penger til å komme seg ut av Konstantinopel – og her blir det virkelig spinnvilt, men en ellevill fyll- og spillscene som til slutt munner ut i en løsning som i forsiktig grad peker fremover.
Nationaltheatret har satt opp mye rart i de siste årene, og jeg har jo av og til lurt på om man ikke har vært i ferd med å gå seg litt vill i overtydelig modernisme. Derfor er det er gledelig å kunne melde at institusjonen klarer å sette opp en virkelig stor teaterforestilling, med drama, humor, tragedie, stram regi, scenografi som støtter opp om forestillingen uten å dominere, og ikke minst roller som gir skuespillerne anledning til å vise hva de kan.
I slutten av mai fikk jeg beskjed om at jeg har blitt utnevnt til «Merittert underviser» (eller «Excellent Teaching Practitioner») sammen med fire kolleger fra BI. Og det er jo svært hyggelig med en anerkjennelse for lang og trofast fokus på undervisning, særlig bruk av case-undervisning og bruk av teknologi i undervisningen, som jeg faktisk har holdt på med siden 1984 eller deromkring.
Tversover 