For tiden leser og diskuterer jeg mye om kunstig intelligens (som alle andre, for den saks skyld, men jeg har sabbat og nye – i dette tilfellet, ikke så nye – teknologier er jo det jeg driver med og underviser om.)
En av refleksjonene jeg har rundt det er «du verden, så lite ting har endret seg.»
Jeg havnet først opp i diskusjonen om kunstig intelligens på 80-tallet, da jeg jobbet i IT-avdelingen på BI og var heldig nok til å ha en sjef (Erling Iversen) som leste mye og var plugget inn i AI-diskusjonen slik den var den gang. Via ham, Fred Wenstøp, etter hvert Charles Stabell og Øystein Fjeldstad ble jeg introdusert for bøker som Heins Pagels Dreams of Reason, Bolters Turing’s Man, Hofstadters Gödel, Escher, Bach (som Erling pleide å si, «det finnes to slags IT-folk, de som har lest Hofstadter og de som ikke har gjort det.»), Rumelhart og McLellands Parallel Distributed Processing og noe senere Resnicks Turtles, Termites and Traffic Jams. (Blogget om her.)
Alle disse bøkene, og de ideene de inneholder, kan hjelpe oss å forstå hva kunstig intelligens er og hvordan vi skal håndtere den. Den forståelsen er viktig, for i dag begynner AI å blir allemannseie (omtrent som PCer på sent 80-tall, internett i andre halvdel av 90-tallet, mobil og sosiale medier på 2000-tallet) og jeg ser i alle fall at de samme misforståelsene og forventninger som var gjeldende da, også gjelder for AI.
Da kan det være verdt å se litt på tidligere diskusjoner om AI, for nesten alt man ser av argumenter har vært fremført før og har ikke mistet gyldighet selv om språkmodeller nå kan kjøres i stedet får bare å beskrives. Den viktigste kritikken av AI – og særlig om maskiner noengang kunne oppnå en eller annen form for intelligens – kom fra Hubert Dreyfus, en filosof som satte spørsmålstegn ved mange av forutsetningene som lå til grunn for tanken om at bare maskinen blir kraftig nok, blir den smart. Dreyfus artikulerte tidlig det som blir klarere og klarere etterhvert som nevrale nettverk blir allemannseie: At hjernen ikke er en datamaskin, selv om deler av den kan simuleres av et nevralt nettverk uten kontekst; og at et nevralt nettverk ikke er en hjerne, selv om det kan produsere noe som ved første øyekast ser ut som intelligens. Tenking er ikke beregning, og beregning er ikke tenking, ganske enkelt.
Jeg fant forleden en film på Youtube som beskriver og illustrerer mange av Huberts poenger, særlig det at kunnskap lages i en kontekst og ikke kan reproduseres fritt fra den. Filmen tar for seg en rekke kunstnere og andre med dyp kunnskap, og viser hvordan den kunnskapen og resultatene av den skjer i samspill både med ens egen kropp og omgivelsene. Som Dreyfus sier i filmen: «the source of meaning in our lives isn’t in us – that’s the Cartesian tradition – and it isn’t in some supreme being, but it is in our way of being in the world.» (https://youtu.be/fcCRmf_tHW8?t=4629).
Et av utsagnene synes jeg er spesielt interessant: «One of the dangers of technology is that it relieves us of the necessity of developing skills.» Ideer og kunnskaper kommer ofte som et resultat av begrensninger, av hindre som man må komme over. Med kortere og kortere avstand mellom ønske og oppfyllelse, vil vi ende opp som bortskjemte døgenikter alle sammen?
Sannsynligvis ikke, for vi vil ha kontekst og interaksjon. Plus ça change, plus c’est la meme chose…
Siden tidenes morgen har store bedrifter slitt med antikverte kjernesystemer, vanskelige å endre og vanskelige å få data ut av. Nå har noen av dem begynt å få orden på det – og hva skjer da?
ChatGPTs versjon av en COBOL-programmerer – de har tydeligvis bare tre fingre per hånd.
(Denne bloggposten ble først publisert på Comunita.no – et ledernettverk for folk med interesse for, nettopp, strategisk forretningsutvikling. Ta kontakt om du ønsker å vite mer om Comunita!)
Museumsgjenstanden i kjelleren
De grunnleggende datasystemene man bruker i store bedrifter – særlig banker og forsikringsselskaper – ble først laget på sekstitallet. De gjorde helt grunnleggende ting, som å holde orden på hva kundene hadde betalt og fått, og var programmert enten i maskinspråk, Assembler, eller (vanligvis) COBOL. COBOL – designet av ingen ringere enn kontreadmiral Grace Hopper – har vist seg å være forbausende standhaftig: Det er lett å programmere i, men når programmene blir store, er det forbausende vanskelig å endre dem. Etterhvert som ny teknologi har kommet, har de fleste bedrifter utviklet en arkitektur der de har noen svært gamle kjernesystemer – ofte i COBOL – og en mengde andre systemer rundt kjernen – systemer som kommuniserer med kjernesystemet men ikke endrer det.
Dermed ender man opp med et monster i kjelleren – et gammelt system ingen tør røre, delvis fordi det er mangel på folk som kan, dels fordi enhver endring har forgreninger inn i hundrevis, kanskje tusenvis av andre rutiner i egen og andres organisasjon. Siden ingen tør å røre det, bruker man systemene rundt – for dataanalyse, for eksempel, dumper man det som har skjedd i kjernesystemet ut i ulike lagringsløsninger, og gjør analysene derfra.
Fordelen med å trekke data ut fra systemet og gjøre det tilgjengelig er at ulike deler av organisasjonen trenger ulike typer analyser – og har man dataene separat, man man gi dem til folk og la dem gjøre hva de vil. Ulempen er at – med mindre man har en selvdisiplin av en annen verden – de ulike delene av organisasjonen snart skaper sine egne begreper og sine egne bilder av hvordan verden ser ut. Det betyr at uttrykk som «lagerbeholdning» eller «lønnsomhet» har ulike betydninger for ulike deler av organisasjonen, som jo kan gjøre det vanskelig å bli enige om ting. «Single source of truth» er et viktig prinsipp fra informatikk – masterdata skal lagres kun et sted og det skal aldri være tvil om hva som er riktige data. Dette har etterhvert blitt et begrep innen ledelse også, og en viktig motivasjon for å la kjernesystemer og dataanalyse nærme seg hverandre.
Heisenberg i regnskapet
En annen effekt – og viktig motivasjon – for å hente data fra kjernesystemene er oppdatering. Det er en klisje at all regnskapsanalyse handler om å se på fortiden for å predikere fremtiden – ofte sammenlignet med å kjøre bil ved å se i bakspeilet. Jo fersker data, jo bedre styring.
Eller kanskje ikke?
De som har sett Breaking Bad, husker sikkert at hovedpersonen Walter White brukte pseudonymet Heisenberg. Det er ikke tilfeldig – Werner Heisenberg er mannen bak usikkerhetsprinsippet, som sier at (innen kvantemekanikk) er det ikke mulig å presist måle både posisjon og hastighet for en partikkel samtidig. Jo mer presist du måler hvor en partikkel er, jo mindre vet du om hvor fort den beveger seg, og omvendt.
Innen forretningslivet må vi hele tiden ta beslutninger som krever målinger av et eller annet slag – for en bank, for eksempel, må man vurdere kredittverdigheten til en bedrift. Den samme banken vil gjerne også kunne finne ut av hvilke privatkunder som kommer til å flytte lånene sine eller slutte å betale dem – eller mer presist kunne vurdere likviditetsbehov på kort sikt, kanskje fra minutt til minutt.
Når data blir øyeblikkelig tilgjengelig, vil vel dette bli lettere?
Lager er ikke lager
Vel, ting er ikke så enkelt. La oss ta et enkelt begrep, som uttrykket «lager» – er produktet på lager?
Skal du kjøpe noe på IKEA, for eksempel, kan du jo gå på deres webside og se om det ønskede produktet er i butikken – bare for å finne at det ikke er der likevel når du kommer dit. Sjansen for at lagerbeholdningen er feil, er mindre nå enn før, fordi man har fått raskere oppdateringer. For noen år siden ble lagerbeholdningen oppdatert daglig, i en batchprosess. Så koblet man det til POS-systemet i kassen, og dermed ble tallet oppdatert når noen gikk gjennom kassen og betalte for det.
Nå er IKEAs forretningsmodell den at du henter det du skal ha, for så å bruke masse tid på å vandre rundt i en labyrint eller stå i kø mens du fristes med lysestaker, varmelys og marsipan. Den flatpakken du har på handlevognen, er fortsatt – i følge IKEA – på lager, i den forstand at de ikke har solgt den ennå. Men den er ikke på lager for neste kunde, som kommer til en tom hylle – medmindre IKEA monterer strekkodelesere eller vekter på lagerhyllene sine.
Begrepet «lagerbeholdning» er altså ikke bare tidsavhengig, men også forskjellig for forskjellige brukere, og årsaken er ikke slapp datadisiplin, men genuine forskjeller i informasjonsbehov. Dermed blir det til at man må endre beregningsmetode ikke bare ut fra hvilket tidspunkt man ønsker data på (historisk, i sanntid, eller i fremtiden) men også ut fra hvem som spør (kunde, selger, markedsansvarlig, produsent, eller den som er ansvarlig for lagerlokalene.)
Dermed blir noe så enkelt som «lager» et begrep som involverer ikke bare tall, men også relasjoner mellom ulike deler av verdikjeden, der systemene er simuleringer av virkeligheten.
Med andre ord: Jo mer presist man ønsker å måle et begrep, jo mer presist må det defineres.
Kjapt innlegg her med en liten anbefaling av denne filmen, som gir en kjapp forklaring av ulike økonomiske teorier – eller “skoler” om man vil – gjennom tidene. Som halvstudert økonom kunne jeg jo ønsket meg litt mer dybde rundt f.eks. transaksjonskostnader og er kanskje også litt uenig i noen av klassifiseringene, men dette setter nok mye på plass.
Og, ikke minst, gir en oversikt til den som måtte tro at økonomisk teori kun handler om penger eller politikk.
Denne sommeren har vært preget av komplikasjoner i helseveien både for min nybakte kone og meg selv, men vi kommer oss. En effekt av dette har vært at man har brukt forferdelig mye tid til slapp konsumpsjon av kultur i alle former, det meste levert gjennom YouTube. Etterhvert som formen kommer seg, øker oppmerksomhetsvinduet og kvalitetsforventningene, og derfor er det en glede å finne at min gamle helt Stephen Fry, som har hatt en hel del helseproblemer de siste årene, nå er i full vigør og sprer sine historier og språkekvilibristiske ornamenter til en takknemlig almenhet igjen – her som gjesteprofessor ved Oxford:
I en verden der språkroboter (for å bruke Jan Ketil Arnulfs presise ord fra «Kunstig intelligent psykologi«, en bok jeg leser om dagen, absolutt anbefaler, og skal komme tilbake til) har gitt oss en kakofoni av hypereffektiv, hjelpsom middelmådighet, er det en fornøyelse å høre språk som overrasker, som er uforutsigbart og dermed verdifullt.
Det forutsigbare krever litt innsats å produsere og konsumere, nettopp fordi det er uforutsigbart. Så legg inn det innsatsen – det er verdt det.
I begynnelsen av september skulle jeg undervise på universitetet (jeg har en sidestilling på IFI, og underviser på studiet Digital økonomi og ledelse). Det var en liten misforståelse med hvilket klasserom jeg skulle være i, og jeg gikk til en digital informasjonstavle som hadde en liste med kurs og klasserom.
Mens jeg lette meg nedover listen på jakt etter kurset mitt, endret skjermen seg plutselig til en helsides annonse for et studentarrangement. 30 sekunder senere kom en skjerm med en eller annen administrativ melding. Så kom en melding om et faglig seminar. 4-5 skjermbilder senere dukket klasseromslisten opp igjen, og jeg begynte å lete nedover. Da jeg var halvveis ned (og begynte å lure på om ikke mitt kurs sto lenger ned på listen enn skjermen rakk) begynte det forbistrede annonsesirkuset igjen…
Der og da svor jeg tett og innett under pusten og fikk til slutt en student til å lete opp listen på nettet.
I etterkant har jeg lurt på hvem det er som lager et så idiotisk informasjonsoppsett. Hva er egentlig årsaken til at man setter opp informasjonsskjermer, og så bruker dem på en måte som gjør at ingen egentlig får informasjon?
Jobber, ikke kunder
Svaret ligger nok i hva Clayton Christensen kalte job to be done – at man presenterer produkter for kunder ut fra en svært forenklet forståelse for hva kunden egentlig trenger. I stedet for å tenke på kunder som kunder (muligens segmentert etter demografi, bakgrunn eller geografi) bør man tenke på kunder som et sett med jobber som skal gjøres – og man selger til kunden basert på det.
Spørsmålet man skal stille seg, er ikke «hva slags produkt har jeg og hvem kan jeg selge det til.» Det man skal tenke på, er hvilken jobb ansetter kunden mitt produkt til å gjøre?
De som har satt opp disse skjermene, har forsøkt å dekke alle informasjonsbehov på en gang, men det går ganske enkelt ikke. Forvirrede besøkende på leting trenger statisk og detaljert informasjon, kringkastere av informasjon trenger oppmerksomhet – og behovene kan ikke løses innenfor den samme rammen. Dermed ender man opp med et kompromiss som ikke fungerer for noen.
Løsningen ligger i å dele opp ting i separate produkter (i dette tilfelle, flere skjermer). Svært ofte ligger også løsningen i spissing og forenkling.
Gi kundene det de vil ha – ikke mer!
Et av de beste eksemplene på informasjonsdesign jeg har sett, er noe Flytoget gjorde (og for alt jeg vet fortsatt gjør): De forenklet sin informasjonstavle ned til et enkelt tall.
Når du kommer styrtende inn på Sentralbanestasjonen, svett og varm og stresset, og skal ta Flytoget, er det kun en ting som står i hodet på deg: Hvor lenge er det til neste tog? De går hvert 20. minutt, men likevel vil man jo gjerne vite om man skal løpe eller ikke. Og der sto informasjonstavlen deres, med antall minutter igjen til neste tog gikk.
Og ingenting annet.
Perfekt. Og virkelig vanskelig å gjøre, siden man må demme opp for alle de som vil legge til mer informasjon enn akkurat det kunden først og fremst vil vite.
Dårlig informasjonsdesign skaper sterke følelser
Når et produkt ikke gjør jobben, kan folk bli ganske irritert. En venn av meg var sjef for et stort konsulentselskap og hatet å måtte presse seg gjennom tax-freebutikken på Gardermoen på vei ut til flyet. Som han sa: «Jeg er så irritert over det salgsmaset at jeg forsøker å knuse en flaske med trillekofferten hver gang.»
Siden han fløy ut fra Gardermoen i hvert fall tre ganger i uken, hadde han laget en rutine der han spant gjennom sikkerhetskontrollen kort tid før flyet skulle gå, og kastet et kjapt blikk opp på informasjonstavlen som viste hvilken gate han skulle til, rett innenfor sikkerhetskontrollen. Men så en dag sjokker han inn i høyt tempo, kikker opp – og ser at informasjonstavlen viser en Revlon-reklame. Som han sa:
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.
For to år siden skulle jeg flytte på en del av ankerspillet på båten min. Jeg skrudde ut en skrue, og mistet den nesten øyeblikkelig på to meters dyp på Risør gjestehavn. Jeg greidde meg uten skruen en stund, men da jeg satte båten på vinteropplag i år tok jeg med meg en tilsvarende skrue med tilhørende skive, og har nå gått rundt med den i bukselommen noen uker, for å sjekke om de finnes på ulike jernvareforretninger rundt omkring.
Da jeg omsider fikk spurt en ekspeditør på Jernia på Storo, fikk jeg beskjed om at stedet å gå til er Zachariassen Jernvare på Torshov. Og i dag var jeg innom, og fikk med meg riktige, syrefaste skruer og skiver til den nette pris av kr. 30,-
Så hvis du har en skrue løs, anbefales denne butikken på det varmeste! Dette er en butikk av den sorten som ikke bør forsvinne….
PS: De har et suverent utvalg i finere snekkerverktøy også!
Peter Scott-Morgan er en engelsk vitenskapsmann, futurist og foredragsholder som i 2017 fikk ALS (eller MND, motor-neuron disease), en sykdom som langsomt stenger nervesystemet slik at man blir stengt inne i sin egen kropp og ikke lenger kan kommunisere.
Men Peter (som, i forbifarten, var min sjef i et par år) valgte å bruke sin tekniske kompetanse (han tok den første doktorgraden på robotikk i England) til å gjøre seg selv til en cyborg – å bruke all mulig teknologi til å fortsette å leve, selv om kroppen hans ubønnhørlig gradvis forsvinner.
Du kan møte Peter i, av alle ting, et intervju med Stephen Fry lørdag 29. mai (ikke 24. april som jeg kom i skade for å skrive). Registrering skjer på denne lenken.
Og jeg skal i alle fall sitte klistret til skjermen – og dessuten sjekke en hel del andre interessante ting som skjer på denne festivalen!
I disse virustider må man finne måter å slappe av på – så jeg koser meg med en kaffe og New York Times Sudoku mellom slagene. I dag har jeg testet forskjellige varianter av kameraer og annet med en gammel iMac (sent 2013) som dessverre ikke er ut til å håndtere et bra kamera særlig godt.
Noe må man jo spille inn, så her er en instruksjonsvideo i hvordan man spiller Sudoku, ved bruk av en metode (Snyder-notasjon) inspirert av den aldeles utmerkede Youtube-kanalen Cracking the Cryptic, som anbefales hvis du har endel tid å kaste bort og er sertifisert nerd. CtC har for øyeblikket 176000 abonnenter, så det er tydeligvis endel nerder der ute. Se denne videoen for et spesielt elegant eksempel på smart problemløsning.
Forøvrig er dette en demonstrasjon av en algoritme for å løse Sudoku. Det finnes mange andre, inkludert å bruke en datamaskin til «brute force» – det vil så å prøve alle versjoner. En elegant måte å gjøre dette på demonstreres i denne videoen fra Youtube-kanalen Computerphile (med 1,66 millioner abonnenter).
Så med det: Min første, og nokså sikkert siste, Sudokuvideo:
Vanskelig ikke å like denne videoen, for de av oss som bruker Mac og roter rundt med tusenvis av filer og annet. Ryddesjau i huset er vel og bra, men harddisker og annet trenger også en runde…
Favorittips: I Finder, gå inn på Preferences>Advanced, slå på «Keep folders on top». Det gjør at mapper listes øverst, deretter filer. Gjør det mye lettere å organisere harddisken…
Jeg slo på radioen i bilen i går og inne i mellom all viruspraten (som jo i prinsippet handler om matematiske spredningskurver) fikk jeg høre to matematikklærere, begge tydeligvis flinke folk (de har begge skrevet lærebøker) som strevet med å artikulere nytten av matematikk for sine elever. Det er ikke enkelt å snakke på direkten, særlig når programlederen starter med den vanlige «jeg har ikke hatt nytte av matematikken» tiraden, men debattartikkelen det hele bygger på, er velskrevet og bra – bortsett fra overskriften (som er det de fleste leser, og som forfatteren ikke setter selv.)
Skal ungdom forstå hvorfor de skal lære matematikk, må vi være direkte. Så derfor vil jeg nok en gang å gjengi mine grunner til å lære matematikk, denne gang oppdatert med et punkt til – om klima og forurensning og (hvorfor ikke) pandemier.
Du skal lære matematikk for å bli smartere. Matematikk er for læring hva kondisjons- og styrketrening er for idrett: Grunnlaget som setter deg i stand til å bli bra i den spesialiteten du ender opp med. Du blir ikke idrettsstjerne uten å ha god kondis. Du blir ikke stjerne innen din jobb eller flink i dine fag uten å kunne tenke smart og kritisk – og matematikk lærer deg det.
Du skal lære matematikk for å tjene mer penger. Idol-vinnere og andre kjendiser tjener penger, men det er få av dem, og de fleste tjener bare penger i noen få år. Deretter er det tilbake til skolebenken. Dersom du kutter ut Idol-køen og TV-fotball og i stedet gjør leksene dine – særlig matematikken – kan du gå videre med en utdannelse som gir deg en godt betalt jobb, for eksempel innen stordataanalyse og kunstig intelligens. Du vil tjene mye mer enn popsangere og idrettsfolk – kanskje ikke med en gang, men helt sikkert når du regner gjennomsnitt og over hele livet.
Du skal lære matematikk for å tape mindre penger. Når massevis av mennesker bruker pengene sine på dårlige investeringer, inkludert pyramideselskaper, forbruksgjeld og tilbud som er for gode til å være sanne, så er det fordi de ikke kan regne. Hvis du skjønner litt statistikk og renteregning, kan du gjennomskue økonomiske løgner og luftige drømmer. Med litt naturfag i bagasjen blir du sikkert friskere også, siden du unngår alternative medisiner, krystaller, magneter, homøopati, shamaner og annen svindel fordi du vet det ikke virker.
Du skal lære matematikk for å få det lettere senere i studiene. Ja, det kan være endel jobb å lære seg matematikk mens du går i videregående. Men når du kommer videre til universitet eller høyskole, slipper du ofte å pese deg gjennom hundrevis av overforklarende tekstsider. I stedet kan du lese en formel eller se på en graf, og straks forstå hvordan ting henger sammen. Matematikk er mer kortfattet og effektivt enn andre språk. Kan du matematikk, kan du jobbe smart i stedet for hardt.
Du skal lære matematikk fordi du skal leve i en global verden. I en global verden konkurrerer du om de interessante jobbene med folk fra hele verden – og de smarteste studentene i Øst-Europa, India og Kina kaster seg over matematikk og andre “harde” fag for å skaffe seg en billett ut av fattigdom og sosial undertrykkelse. Hvorfor ikke gjøre som dem – skaffe seg kunnskaper som er etterspurt over hele verden, ikke bare i Norge?
Du skal lære matematikk fordi du skal leve i en verden i stadig endring. Ny teknologi og nye måter å gjøre ting på endrer hverdag og arbeidsliv i stadig større tempo. Hvis du har lært din matematikk, kan du lære deg hvordan og hvorfor ting fungerer, og slippe å skrape deg gjennom arbeidsdagen med huskelapper og hjelpetekster, livredd for å trykke på feil knapp og komme ut for noe nytt.
Du skal lære matematikk fordi det lukker ingen dører. Hvis du ikke velger full matematikk i videregående, lukker du døren til interessante studier og yrker. Du synes kanskje ikke disse yrkene og studiene er interessante nå, men tenk om du skifter mening? Dessuten er matematikk lettest å lære seg mens man er ung, mens samfunnsfag, historie, kunst og filosofi bare har godt av litt modning – og litt matematikk.
Du skal lære matematikk fordi det er interessant i seg selv. Altfor mange mennesker – også lærere – sier matematikk er vanskelig og kjedelig. Men hva vet de om det? Du spør ikke bestemoren din hva slags smarttelefon du skal kjøpe? Du ber ikke foreldrene dine om hjelp til å legge ut noe på Tiktok? Hvorfor spørre noen som aldri lærte seg matematikk om du skal lære matematikk? Hvis du gjør jobben og holder ut, vil du finne ut at matematikk er morsomt, spennende og intellektuelt elegant.
Du skal lære matematikk fordi du kommer på parti med fremtiden. Matematikk blir viktigere og viktigere innen alle yrker. Fremtidens journalister og politikere vil prate mindre og analysere mer. Fremtidens politifolk og militære bruker stadig mer komplisert teknologi. Fremtidens sykepleiere og lærere må forholde seg til tall og teknologi hver dag. Fremtidens bilmekanikere og snekkere bruker chip-optimalisering og belastningsanalyser like mye som skiftenøkkel og hammer. Det blir mer matematikk i arbeidslivet, så du trenger mer matematikk på skolen.
Du skal lære matematikk fordi du får reell studiekompetanse. Hvis du slapper av i videregående, får du et papir som sier at du har ”almen studiekompetanse”. Det er jo kjekt med et papir, men kompetanse til å studere har du ikke. Det vil du merke når du går videre til universitet eller høyskole, og må ha intensivkurs i matematikk for å skjønne hva foreleseren snakker om.
Du skal lære matematikk fordi det er kult. Det er lov å være smart, det er lov ikke å gjøre som alle andre gjør. Velg matematikk, så slipper du for resten av livet å vitse bort at du ikke klarer enkle utregninger eller ikke skjønner hva du holder på med. Dessuten får du jobb i de kule selskapene, de som trenger folk med hjerner.
Du skal lære matematikk fordi det er kreativt*. Mange tror at matematikk bare har med logisk tenkning å gjøre og at logikk ikke kan være kreativt. Sannheten er at matematikk er noe av det mest kreative som finnes – bare man bruker kunnskapen riktig. Gode kunnskaper i matematikk og matematisk tenkning i kombinasjon med annen kunnskap gjør deg mer kreativ enn mange andre.
Du skal lære matematikk fordi du skal løse de store problemene.Verden sliter i dag med store problemer som klima, forurensning, fattigdom, sykdommer og et forvitrende demokrati. For å løse disse problemene trenger vi folk som kan forstå komplekse sammenhenger og lage nye løsninger – inkludert ny teknologi – for å gjøre verden bedre. Det er kjempebra at ungdom protesterer mot manglende klimatiltak og forurensning, men i det lange løp trenger vi ikke protester og symbolhandlinger – og matematikk vil sette deg i stand til å lage løsningene, ikke bare rope etter dem.
Du trenger ikke å bli matematiker fordi du velger matematikk i videregående. Men det hjelper bra å velge matematikk hvis du vil bli smart, tenke kritisk, forstå hvordan og hvorfor ting henger sammen, og argumentere effektivt og overbevisende.
Matematikk er en skarp kniv for å skjære gjennom problemstillinger. Vil du ha en skarp kniv i din mentale verktøykasse – velg matematikk.
*) Takk til Jon Holtan, matematiker, for det siste punktet.
Forrige torsdag skulle jeg forelese på IFI, men den forelesningen er utsatt og (naturligvis) flyttet til nettet. Jeg tenkte først jeg skulle gjøre den som en videokonferanse, men så fant jeg ut av jeg kunne jo lage en video studentene kunne se på forhånd, og så ta diskusjonen i et forum som tillater interaksjon begge veier. Det å lage video er endel arbeid, men den kan brukes i mange sammenhenger (noe som er grunnen til at jeg laget den på engelsk. Her er resultatet:
Til mine foreleserkolleger: Det faglige innholdet her er antakelig ikke så interessant for de fleste, men det er noen tips og erfaringer i de første to minuttene og de siste fem.
For andre, her er en innholdsfortegnelse med omtrentlige tider:
0:00 – 2:00 Intro, some details about recording the video etc.
2:00 – 27:30 Why technology evolution is important, and an overview of technology innovation/evolution processes
6:00 – 9:45 Standard engineering
9:45 – 12:50 Invention
12:50 – 15:50 Structural deepening
15:50 – 17:00 Emerging (general) technology
17:00 – 19:45 Substitution
19:45 – 25:00 Expansion, including dominant design
31:30 – 31:45 BREAK! (Stop the video and get some coffee…)
31:45 – 49:40 Disruption
31:45 – 38:05 Introduction and theory
38:05 – 44:00 Excavator example
44:00 – 46:00 Hairdresser example
47:00 – 47:35 Characteristics of disruptive innovations
47:35 – 49:40 Defensive strategies
49:40 – 53:00 Things take time – production and teaching…
53:00 – 54:30 Fun stuff
Dette er ikke første gangen jeg har laget videoer, men det er første gangen jeg har laget en såpass lang video selv, og med en fremtidig forelesning som hensikt. Noen refleksjoner:
Dette er en forelesning jeg har holdt mange ganger, så det tok meg ikke lang tid å lage innholdet – for det meste handlet det om å ta vekk ting. Normalt ville den første delen ha tatt 2-3 timer, den siste det samme (men ville inkludert et case i tillegg.) Presentasjonsformatet er mye strammere og jeg må utelate mye som ikke går direkte til budskapet (og jeg er glad i å fortelle historier). Det er en begrensning som jeg vil synes er vanskelig i fremtiden, hvis dette blir vanlig.
Jeg sier mye feil, glemmer å si ting, hopper over ting jeg ikke burde hoppet over. Det er irriterende å se i etterkant, men jeg gjør det i vanlige forelesninger også (det er bare at jeg ikke husker det etterpå.) Men dette er et opptak av en forelesning (riktignok ved kjøkkenbordet hjemme), ikke en dokumentar – skulle jeg laget noe mer profesjonelt, måtte jeg ha utviklet et storyboard og filmet alt som korte snutter, kanskje med lyden lagt på separat. Jeg ønsket å gjøre dette fort, og da kan man ikke henge seg opp i alle detaljer.
Når det er sagt – dette tar tid. Videoen er omtrent 55 minutter lang. Opptaket tok omtrent to timer (inkludert fikling og endel avbrytelser). Å redigere de første 30 minuttene tok to timer, resten (av den rene forelesningen) tok halvannen. Så ble jeg ambisiøs, begynte å ta vekk alt som var av kremting og pauser, flytte på rekkefølgen på noen punkter, legge på tekst og annet, inkludert alle klippene på slutten. Det tok antakelig omtrent fem timer til. På den annen side – jeg begynner å få Camtasia i fingrene, og dette er jo en læreprosess for meg også.
Å bruke en iPad til å tegne og styre presentasjonen var å overkomplisere ting litt for mye – jeg kunne like gjerne brukt tastaturet, eventuelt tegnet med en mus. Apples SideCar (forbindelse til iPad’en) er fortsatt litt for fersk software som tok endel oppmerksomhet og systemressurser.
Å ha datteren min som publikum var hyggelig og gjorde det hele mer levende, men det er begrenset hvor lenge hun orker det. Å tape et bilde av henne eller et annet familiemedlem til kameraet vil antakelig fungere i det lange løp.
Når du bruker en smarttelefon til å filme, sett den i flymodus så du ikke blir avbrutt. Det finnes visst apper der ute som lar deg koble iPhone som et kamera direkte, men jeg har ikke testet dem.
Lyden ble tatt opp av to mikrofoner – iPhone og en Røde trådløs mikrofon. Jeg syntes lyden ble “fetere” hvis jeg brukte begge lydsporene, så da gjorde jeg det, men dette gir større filer og noe mer kompleksitet når man redigerer i Camtasia (som også får litt synkroniseringsproblemer i blant og forskyver lydbildet.) To mikrofoner gir også «publikum» en sjanse til å være med.
En fin ting med video er at du kan fikse feil. Du kan ta vekk ting, legge tekst på skjermen for å rette på ting du sier feil (som årstallet på en Chrysler Airflow), og rette på foiler.Men dette tar tid, og man bør har et bevisst forhold til bytteforholdet kvalitet og tidsbruk – mistenker at grensenytten er sterkt fallende på et tidligere tidspunkt enn man selv tror.
Min eminente kollega Ragnvald Sannes påpekte i en telefonsamtale i morges at dette har konsekvenser for hvordan vi organiserer og belønner forelesning. Vi kommer til å bruke mye mer tid på å lage innhold og mye mindre tid på å stå og gjenta det. Det betyr at vi ikke lenger kan betale folk ut fra undervisningstimer – eller i det minste at vi redefinerer hva begrepet betyr.
Nok en kommentar på Digi.no, denne gang om det slitsomme i å håndtere mange roller mellom mange organisasjoner der teknologien gjør det stadig vanskeligere å være seg selv. Fra innledningen:
Fremtidens arbeidsliv vil bli mer fragmentert. Stadig flere kommer til ha kortere arbeidsforhold med flere organisasjoner, gjerne flere på en gang, gjennom hele karrieren. Men systemene våre er stadig vekk satt opp for 1950-tallet, der du jobber i én organisasjon fra lærlingeplass til gullklokke. Og det blir ikke bedre.
Meget kort bloggpost om at Eirik (som jeg såvidt kjenner) har intervjuet Eirik (som jeg kjenner adskillig bedre.) Og som sertifisert nerd må man jo bare heie når slikt inntreffer. Tillater meg å rappe et bilde også.
Og med det, godt nytt år til alle nerder der ute. Norge trenger dere! Så til de grader…
Tenketanken Passivt-Agressivt Bøllefrø (@jeblad) er verdt å følge på Twitter. I går kom han med denne stripen med, tja, poengterte utsagn om den pågående AI-hypen:
Jeg må jo bare gi ham rett på alle punkter – og jeg driver faktisk og lærer opp bedrifter i å bruke disse teknikkene. I det siste har jeg til og med hørt folk snakke om å skaffe seg «en AI», omtrent som om det er noe personalavdelingen burde involveres i.
Men så er det jo slik at når teknologene mister kontrollen over det tekniske vokabularet (noen som husker debattene om den rette betydningen av «hacker»?) så er jo det et tegn på at teknologien faktisk begynner å brukes der ute. For oss som vet, naturligvis, er jo dette bittert. Som Stephen Fry sier (i en eller annen bok jeg ikke finner referansen til nå): Det er jo ingen som er surere enn de som digget Pink Floyd før The Dark Side of the Moon, og etter å ha snakket i årevis om hvor bra de var og at alle burde høre på dem så blir de sure når bandet blir allemannseie. Konklusjonen blir at Pink Floyd har solgt seg for popularitet og det er på tide å begynne å lete etter den neste nisjegreia verden ikke setter nok pris på.
Så vi teknosnobber får finne noen nye teknologier vi kan snakke om. Det pleier ikke være vanskelig.
Nok en kommentar på Digi.no, denne gang om det besynderlige behov mange offentlige etater og institusjoner har for å ha sin egen teknologi på alle plan – lenge etter at resten av verden har skjønt at man sparer penger og får mer innovasjon ut av å bruke den samme infrastrukturen.
(En morsom kommentar, har kommet, forresten, som nettopp understreker mitt poeng om at man forveksler fysisk nett med den tjenesten nettet formidler. Vi trenger ikke oppgradere alle DAB-radioene – folk har mobiltelefoner, og de fungerer utmerket både på et 4G-nett kjørt over et 5G-nett… DAB+ dør med lytterne, akkurat som fasttelefonen.) Hele poenget med å emulere gammel teknologi over ny er at man kan slå av den gamle teknologien når man vil…
Det er nokså tidlig søndag morgen, dagen gryr, omeletten er laget og fortært, og snart er det tid for å gå ut i hagen og rake løv, hugge ved og komme tettere i kontakt med min indre redneck.
Det er hyggelig å være relativt tidlig oppe om morgenen – man får noen ekstra timer selv om man sovner til Nytt på nytt – men i morgen blir det alvor, for da kommer håndverkerne. Vi har nemlig bestilt ny garasjeport, og det ser ut til at det er en eller annen lovregel som påbyr håndverkere å være på byggeplassen klokken 0700 om morgenen, et tidspunkt der jeg normalt står i dusjen.
Hvorfor er det slik? Det er forsåvidt praktisk for meg – i bytte mot litt mindre søvn får jeg sjansen til litt koordinering av jobben (de fleste misforståelser skjer jo under de første fem minuttene av ethvert prosjekt) før jeg krabber inn i bilen og begir meg til min egen jobb. Men jeg jobber mye hjemme og kan gjøre det i morgen, så det argumentet holder ikke lenger.
Tradisjon? Jeg var yngre en gang og kjente en snekker på min egen alder som klaget bittert over alle de gamle gubbene som mente at arbeidet skulle starte klokken syv. Det var muligens en tradisjon fra tiden før elektrisk lys, derav uttrykket «syvsover», men tradisjoner kan man endre. Vedder på at den dengang unge snekker nå starter klokken syv, om han fortsatt er snekker.
Kanskje det har noe med den andre enden av arbeidsdagen å gjøre? Om sommeren blir det jo for varmt å jobbe på ettermiddagen, strand og utepils lokker, greit å være ferdig tidlig. Men om vinteren, når det er mørkere og kaldere om morran enn noensinne? Eller har det noe med skiftarbeid å gjøre, og at denne tredjedelen av dagen er styrt av de andre skiftene?
Kanskje det er noe fysisk, at kroppsarbeid startes lettest tidlig om morgenen? Det er i alle fall en hel del folk ute og jogger på slike forferdelige tidspunkter. Muligens tid for esoteriske teorier om forskjeller i korporlig og kognitiv døgnrytme, men journalister går jo også tidlig på vakt og jobben deres skal i alle fall i utgangspunktet være kognitivt basert. Jeg merker jo selv at om jeg kommer meg i arbeidsklærne og starter tidlig, får jeg gjort en hel del, men om jeg i stedet tar en kaffe til og skriver (for eksempel et blogginnlegg) tar det betenkelig lang tid før løv og ved blir samlet opp og prosessert. Kanskje håndverkere trenger en tidlig start for å tvinge seg selv til å komme igang?
Jeg vet ikke. Men klokken næmer seg ni og bjørkeveden venter. Det er riktignok søndag, men jeg har en lyddempet kløyveøks og naboene gir blaffen likevel.
God morgen!
(PS: Om du synes dette innlegget er mindre digitaliseringfokusert og enda mer adspredt enn vanlig, vit at dette er primært skrevet for å teste hvordan et Apple Magic-tastatur fungerer mot en iPhone. Tidligere har man tydeligvis ikke kunne gjøre dette, men etter den siste oppgraderingen til Catalina eller iOS etellerannet går det tydeligvis aldeles utmerket, så jeg har anskaffet et for reisebruk. Utbrettbare tastaturer er utmerket, men skal man skrive lett og ledig trenger man noe i full størrelse, og Apples versjon uten numerisk sidetastatur fungerer faktisk utmerket. Hvilket betyr at iPhonen blir en suveren notatmaskin.)
Eirik Normann Hansen driver sitt eget konsulentselskap (om digital markedsføring og ledelse, blant annet) etter en karriere innen kreativ consulting i bl.a. Creuna. Han er stolt innehaver av det fineste kontoret i Oslo – et tidligere atelier i Damstredet 20A, der han har pusset opp og installert en passende mengde duppeditter. Dette kontoret er i seg selv verdt et besøk, og det har jeg gjort, for noen uker siden. Resultatet er en podcast om alt og ingenting – kanskje først og fremst om at digitalisering krever teknologiforståelse, ikke bare for teknologien slik den er, men slik den kommer til å bli.
Teknologi har blitt enkelt og billig, men det har ikke gjort systemene noe enklere. Kanskje det enkleste er det beste – som Strøm-Larsen demonstrerer med bruk av webkamera og en uhyre enkelt applikasjon. Skal vi gjøre ting enkelt og kjapt, må vi stole på at brukeren vet hva han eller hun skal gjøre. Ny kommentar på Digi.no. (Og ja, dette skrev jeg om i bloggen min for en tid siden, men det trenger et bredere publikum.)
I en datadrevet bedrift tar ikke lenger ledere beslutninger om hva som skal gjøres – det gjør modellene. Så hva står igjen for lederen å beslutte? Ny kommentar på Digi.no. Også gjengitt i BI Business Review.
(Og jeg synes det er på tide at vi får uttrykket forvirringsmatrise inn i norsk språk.)
Som vanlig med lydfil. I denne lydfilen henviser jeg til to figurer og forsøker å beskrive dem – ta en titt på Digi eller se herunder hvis dette er uklart (og det er det…)
Tversover 