Kategoriarkiv: Maskinlæring

Hva skal høyere utdanning gjøre med AI?

Postet den av
1

Her er en video – og en norsk versjon av teksten, laget ved hjelp av AI, naturligvis – av min tiltredelsesforelesning. Teksten inneholder kun det jeg sier. Det kommer en kronikk og andre ting etterhvert, tenker jeg. Må bare få sparket i gang Claude først…

Ja, hei alle sammen. Jeg er vanligvis ikke nervøs når jeg underviser, men det er jeg nå. Takk til alle som har kommet. Jeg ble faktisk professor for halvannet år siden, men så ble jeg syk, så det hele ble utsatt. Men takk til alle dere som har kommet hit – familie, venner, kolleger, tidligere kolleger, medlemmer av Comunita og medlemmer av mitt tidligere kull her på BI. Vi skal ha fest på fredag, så det gleder jeg meg til.

Det jeg skal snakke om, er dette fenomenet KI – hva det er, og hvordan det påvirker undervisning. Og jeg begynner med å fortelle en historie, som jeg pleier å fortelle i alle kursene mine som en slags avslutningshistorie.

Det beste essayet om innovasjon jeg noen gang har lest, ble skrevet av Elting Morison og publisert i 1950 – jeg tror det ble skrevet noen år før. Det heter «Gunfire at Sea», og det er historien om en kaptein på et skip i den amerikanske marinen som gjorde visse endringer i hvordan de skjøt med kanonene, og forbedret treffsikkerheten fra 8 % til 74 %. Noe jeg tror dere er enige i er ganske bra. Det tok 30 år før marinen tok i bruk innovasjonene hans, og det var mange grunner til det.

I begynnelsen av essayet forteller Morison denne historien om kanonene. Sommeren 1940 hadde Frankrike falt, Storbritannia kjempet i praksis alene mot Tyskland, og faren for at Hitler skulle komme over Kanalen var overhengende. Samtidig hadde ikke Storbritannia våpen, fordi det meste av det tunge materiellet og de tunge våpnene var gått tapt i Frankrike før evakueringen fra Dunkerque. Så de måtte gjøre noe. Og de hadde alle disse gamle kanonene, som så slik ut – de kalles haubitser. Så de dro dem ut av lagrene, hektet dem på lastebiler, kjørte dem ned til kysten og rettet dem mot Den engelske kanal.

Og så sa de: «Vent litt, kanskje vi kan øke skuddtakten ved hjelp av moderne metoder.» Moderne metoder på den tiden var noe som het tids- og bevegelsesstudier. Man bruker film og stoppeklokke og prøver å fjerne unødvendige bevegelser. Så de satte opp en kanon, med åtte mann til å betjene den og en sersjant til å kommandere. De fulgte rutinene, avfyrte kanonen og filmet det. Så satte de seg ned og begynte å analysere filmen.

Og så så forskerne noe veldig rart. Rett før kanonen ble avfyrt – omtrent tre sekunder før – sto to av soldatene i givakt, sånn. Og de sto i givakt til kanonen var avfyrt, og en liten stund etterpå. Med tanke på å avfyre en kanon så raskt som mulig, er det en fantastisk sløsing med mannskap.

Så de tenkte: ok, vi må gjøre noe med det – men vi skal ikke endre noe før vi vet hvorfor det er der. Så de gikk til sersjanten, og han sa: «Tja, det er prosedyren.» De fulgte kommandokjeden oppover, og til slutt kom de til en gammel oberst. Han burde vært pensjonert for lenge siden, men det er jo krig. Han hadde faktisk vært med i boerkrigen og i første verdenskrig, da disse kanonene var i bruk. Så de dro ham inn, plantet ham foran filmfremviseren, viste ham filmen og sa: «Hva er det som skjer her?» Han så på filmen og sa: «Kjør filmen en gang til.» Han så på den igjen og sa: «Nå skjønner jeg det. De holder hestene.»

Men det finnes jo ingen hester! Og dere kan forestille dere: Hva skal vi gjøre med de to soldatene i de sekundene? Vel, det er ingen hester å holde, så de blir bare stående sånn. I stedet for å endre det vi gjør, fortsetter vi bare å gjøre det vi gjør, og tilpasser det litt. Husk den historien. Jeg kommer tilbake til den.

Jeg skal snakke litt om teori – veldig lite teori. Faktisk er det ikke engang teori. Dette er mitt rammeverk. Jeg har laget det, og jeg har ikke publisert det noe sted – kanskje jeg burde. Men det er dette jeg lærer studentene mine, og det går slik: Teknologi endrer forretningsomgivelsene. Faktisk er teknologiske endringer den viktigste drivkraften når virksomheter endrer seg. Og når forretningsomgivelsene endrer seg, må vi endre strategien vår. Og jeg sier til studentene mine og til ledere, og til alle som vil høre: Hadde det ikke vært fint å forstå hvordan teknologien endrer seg, slik at vi kan endre strategien før omgivelsene tvinger oss til det? Det er derfor jeg underviser i teknologi.

Problemet er at vi egentlig ikke vet hvordan teknologi påvirker organisasjoner. Da jeg kom tilbake etter doktorgraden og arbeid i USA i 1996, havnet jeg i en debatt om produktiviteten til informasjonsteknologi. Akkurat som vi nå har forestillingen om KI og produktivitet – vi ser KI overalt, alle snakker om hvor fantastisk det er, men ser vi noen endring i produktivitetstallene? Nei. Vi hadde nøyaktig den samme debatten om PC-er i 96.

Jeg havnet i en diskusjon med en forsker i Norge som hadde skrevet i Aftenposten at det ikke var noe poeng i å kjøpe PC-er, fordi han hadde tatt tiden på hvor fort man skrev på skrivemaskin sammenlignet med på PC, og forskjellen var 10 %, så PC-en var ikke verdt det. Jeg skrev tilbake og sa: «Jeg sitter faktisk på et fly med den bærbare datamaskinen min og skriver dette svaret, og du har helt rett – jeg skriver ikke særlig mye fortere. Men når jeg er ferdig, kan jeg sende dette på e-post til Aftenposten, og de kan ta det rett inn.» Med andre ord: Produktivitetseffekten viser seg andre steder enn der man måler den.

Men Aftenposten hadde noe som het typografer, og de hadde en fagforening, og fagforeningen krevde at alt som kom inn elektronisk, måtte skrives inn på nytt. Så Aftenposten fikk ikke produktivitetsgevinsten før de ble kvitt typografene. Noe som lærer oss at produktiviteten viser seg et annet sted i hele verdikjeden, og at man må endre organisasjonen for å høste gevinstene.

Ok, det var teorien. La oss snakke om teknologien som endrer ting, og den teknologien er kunstig intelligens. Å prøve å definere kunstig intelligens er mer et filosofisk spørsmål enn noe annet. Men jeg pleier å dele det inn i tre – det gjør de fleste. Vi snakker om analytisk KI, generativ KI og agentisk KI. Analytisk KI kalles noen ganger maskinlæring – tenk på det som Excel-avdelingen. Generativ KI er Word-avdelingen, eller bildeavdelingen. Og agentisk KI, der elektroniske agenter gjør ting på dine vegne, er kanskje Teams-avdelingen.

Alle disse er disruptive innovasjoner i seg selv. Det viktigste ved en disruptiv innovasjon er at de etablerte aktørene i en bransje er de som er dårligst i stand til å tilpasse seg den nye teknologien.

Hvis vi ser på analytisk KI, utfordrer den den tradisjonelle vitenskapelige metoden. I den tradisjonelle vitenskapelige metoden vil Popper og andre vitenskapsfilosofer si at man har en teori, og fra teorien utleder man testbare hypoteser. Så samler man inn data og tester modellen, og kanskje validerer man den – men svært ofte gjør vi ikke det. Maskinlæring fungerer derimot slik: Man har noen data. Man tar 20 % av dataene og legger dem her borte. Så tar man de resterende 80 % og ber maskinen finne en modell. Og når den har funnet en modell, retter man den mot dataene den ikke har sett ennå, og tester hvor godt den gjør det. Kan den forutsi om det er kreft i denne føflekken? Kan den forutsi hvor mye denne kunden vil kjøpe? Kan den forutsi hvor mye vi bør betale for en annonse på Google? Valideringen skjer utenfor utvalget.

Og når vi har utviklet en modell, har vi ingen teori. Grunnen til at vi ikke har noen teori, er at modellen, særlig hvis man bruker nevrale nettverk, er så komplisert at det er menneskelig umulig å forklare hvordan den kommer frem til beslutningene sine. Og det er en utfordring, fordi ferdighetene som var gode her – teoridannelse og så videre – ikke er like gode her.

Hva med generativ KI? Det er det folk mener når de snakker om KI – ChatGPT og venner. Det finnes mange måter å tenke på det på, men slik jeg ser det, er det en måte å forutsi neste ord i en setning på, og en måte å konstruere noe på i henhold til det som kalles en belønningsfunksjon. Og belønningsfunksjonen pleier å være det du er fornøyd med. Jeg hadde en potensiell doktorgradsstudent som fortalte meg at hun vurderte å søke seg til BI fordi KI-terapeuten hennes hadde sagt at hun burde. Og KI-terapeuten sier selvsagt det hun vil høre.

Jeg kaller det hypereffektiv middelmådighet, fordi KI bare kan gjøre det som har vært gjort før. Den kan gjøre det svært effektivt, og du kan ha en hel hær av agenter som gjør det for deg, men den kan ikke finne på noe som er genuint nytt. Så i stedet for å prøve å forklare det selv, bestemte jeg meg for å bare spørre: Hva er hypereffektiv middelmådighet? Og den sier at generativ KI skaper hypereffektiv middelmådighet ved å automatisere rutinepregede kontoroppgaver, som å svare på enkle spørsmål, oppsummere tekst og lage standarddokumentasjon av alle slag. Og det er den veldig god til. Hvor fant den det? Vel, jeg skrev en artikkel om det. Og i stedet for å oppsummere den selv, spurte jeg bare Google, og den oppsummerte den for meg. Det er det generativ KI er god for. Den gjør det enkle arbeidet, og lar oss gjøre det virkelig verdifulle, virkelig kreative arbeidet, det som krever skjønn. Men den gjør det veldig bra – og bedre og bedre.

En av tingene den gjør, er å automatisere det enkle arbeidet, og vi begynner nå å se det i produktivitetstallene. Dette kom fra Erik Brynjolfsson ved Stanford forrige uke, tror jeg, som sier at hvis man nå ser på bransjer som er eksponert for KI, ser vi lavere ansettelser i de yngste aldersgruppene. Fordi rutinearbeidet som vanligvis gjøres av yngre folk, i økende grad blir automatisert.

Det utfordrer oss, fordi det utfordrer utdanningsløpet. Utdanning pleide å se slik ut: Vi har det grunnleggende – du går på skole. Så har vi det spesifikke – du tar høyere utdanning. Og når du kommer ut av høyere utdanning, har du verktøyene og den teoretiske kunnskapen, men du har ennå ikke nok ferdigheter til å anvende den. Det må du lære som junior i en bedrift. Jeg vil si at 95 % av studentene mine begynner i konsulentbransjen, og de begynner på det laveste nivået, med svært rutinepreget, hardt arbeid. Og gjennom det lærer de ferdighetene som gjør at de kan få mer ansvar, erfaring og skjønn.

Vel, nå har vi et problem, for nå har vi KI og YouTube. Jeg tror det var for ti år siden jeg hørte en i toppledelsen fortelle at han hadde hørt noen studenter bak seg på T-banen si: «Jeg går ikke på forelesninger. Jeg går bare på YouTube.» Når jeg vil lære noe nytt, for eksempel hvordan en språkmodell fungerer, går jeg på YouTube. Det er det vi konkurrerer mot. Og så har vi KI, der studentene nå kan lage vakre rapporter veldig, veldig raskt.

Så man får det grunnleggende fra skolen – men vi ser i økende grad at elever faller fra skolen. Kona mi, Kristine, er en ekte ekspert på frafall i skolen. Det er veldig sammensatt, men det ser ut til at stadig færre takler det. Det spesifikke, høyere utdanning – vel, stadig mer på nett, og stadig flere studenter får ikke den utdanningen de trenger, fordi de i praksis ber KI om å gjøre det. Og nå får de ikke lenger jobb. Så hvor skal de få de profesjonelle ferdighetene fra? Hvor skal neste generasjons erfaring og skjønn komme fra?

Her er et lite hint om et svar: Jeg tror vi må flytte denne opplæringen inn i det vi gjør. Det er to grunner til det. Den ene er at disse unge menneskene må utdannes til å prestere på et høyere nivå når de kommer ut, fordi bedriftene ikke lenger har råd til den opplæringsperioden. Men også fordi vi trenger noe mer å gjøre, siden vi blir utkonkurrert av YouTube og KI og alt det der. Så vi må gjøre det vi gjør, mer virkelighetsnært.

Og så den siste: agentisk KI, som gjør ting på dine vegne. Hva betyr det? Vi deler gjerne KI inn i det å forsterke det du gjør – hjelpe deg å bli bedre – og det er det de fleste av oss gjør. De fleste her har grått hår; det er det vi gjør. Men man kan også bruke KI til å erstatte mennesker. I stedet for å ansette mennesker ansetter vi digitale medarbeidere som går ut og gjør ting for oss, og stadig flere gjør det. Og dette kan bli situasjonen: «Jeg ber mine folk snakke med dine folk.» Vel, de er her nede – noen av dem er mennesker, noen av dem er digitale.

Dette er forresten en New Yorker-tegning, ikke sant? Nei, det er det ikke. Jeg ba Gemini lage den. Jeg spesifiserte den for Gemini. Signaturen dere ser her nede, er en blanding av tre eller fire tegnere som tegner for The New Yorker. Jeg burde ha satt min egen signatur på den, men det føltes ikke riktig. Den er ganske bra. Jeg spesifiserte vitsen, men den laget tegningen.

Hvordan vet man at noe er en agent? Hvordan vet man at man snakker med et menneske? Jeg har opplevd det nå – folk som ringer meg, og jeg må finne ut: Er de ekte, eller er dette falskt? Det har dere sikkert opplevd også. Det var kvinnen jeg intervjuet, fordi jeg trodde hun var falsk. Det viste seg at hun var ekte – bortsett fra at hun snakket med agenten sin.

Vi kan jo ha noen slags tester. Alle har trykket på denne: Du klikker på den, og den finner ut at du ikke er en robot. Det gjør den ved å analysere måten du beveger musen på, fordi vi ikke kan bevege den like presist som en maskin. Men noen ganger møter man noen … Dette er en venn av meg på Facebook. Hun heter Tina Underhill. Hun bor på en gård i Suldal i Rogaland. Hun jobber i et lite programvareselskap som heter Aadnøy Labs, der hun tar seg av all regnskapsføring og den slags. Hun legger av og til ut bilder – når de har fått nye lam på gården, eller når hun går tur i fjellet. Hun er ikke ekte.

Hun er laget av Alf Aadnøy. Alf er medlem av ledernettverket jeg driver sammen med Haakon Gellein. Han har programmert henne og gitt henne navn – gården hans heter Underbakke, så hun heter Underhill. Hun gjør mye arbeid for ham, tar telefoner og gjør kjedelige ting som det. Og han sier at hvis han skulle laget henne på nytt, ville han ikke ha gjort henne så tiltrekkende, fordi han må avvise mye ikke særlig velkommen oppmerksomhet.

Dette er viktig for mange selskaper. Jeg skal ikke gå inn på det – det er ikke en del av dette – men mye av konkurransefortrinnet på nett har kommet av det vi kaller nettverkseffekter: forbrukerplattformer. Ta Finn, som har 95 % markedsandel, og som blir skikkelig urolige hvis EBIT er under 40 %. Da er det krise i huset. Jeg skulle ønske jeg var så heldig. Nå har de et problem. Vi går til Finn fordi de har 95 % markedsandel: Hvis vi vil selge noe, er det der kjøperne er, og hvis vi vil kjøpe noe, er det der selgerne er. Og vi bryr oss ikke med de mindre plattformene. Men hvis jeg har en agent som går ut og besøker dem for meg, kan jeg gå til Finn, jeg kan gå til Golsfjellet kjøp og salg, jeg kan gå til Facebook Marketplace – jeg kan gå hvor som helst, fordi agenten har uendelig med tid og bare kan gå ut og lete. Og det uthuler noe vi trodde var ganske permanent i internettets konkurranseverden: nettverkseksternaliteter.

Så det var den delen: virkningen på høyere utdanning.

Det er på en måte tittelen på hele dette foredraget: knapphet i undervisningen. Hva betyr det? Vel, man kan ikke tjene penger – penger utover normal avkastning – på å selge noe som finnes i overflod. Man må selge noe som er knapt. Og KI kan ikke kreativitet og skjønn. Den kan ikke finne på ting som er virkelig nye – ennå. Den kan det, gjennom en prosess med selvkomplisering, men det er vanskelig for den å komme opp med nye ting, og det er svært vanskelig for den å utøve skjønn. Så det må vi undervise i. Det er en knapp ferdighet vi må lære bort. Hvordan gjør vi det? Det er ikke lett.

Slik jeg ser det, er det ikke lett fordi det krever noen ting. Det krever ikke bare at vi underviser studentene, men at vi utfordrer dem i et miljø som simulerer det de kommer til å møte når de er ferdige. Det krever uforutsigbarhet. Det krever at vi ikke forteller dem hva de skal lære, vi forteller dem ikke hvordan eksamen blir, og vi forteller dem ikke hvordan de fikk karakteren sin. Jan Ketil Arnulf har skrevet en artikkel med tittelen «Uten uforutsigbarhet dør høyere utdanning». Så vi må være uforutsigbare. Og det krever at vi gjør klasserommet til et sted der både studentene og læreren vil være – som jeg også har stjålet fra Jan Ketil.

Så hvordan gjør vi det? Vel, jeg kan bare snakke om hva jeg gjør, for det er min erfaring. Men jeg har hatt engasjerte studenter. Jeg har studenter som møter opp. Jeg har studenter som tar kursene mine. Jeg har ikke frafall i oppmøtet. Ganske mange av kollegene mine gjør dette også, men de har andre teknikker. Jeg kan bare snakke om hva jeg gjør.

Og jeg prioriterer å ha det moro. Det betyr ikke at studentene har det moro i klasserommet – de er faktisk ganske nervøse. Men jeg har det moro. Det er et par ting vi må tenke nytt om. Studentene er produktet, ikke kundene. Studenter kommer til meg og sier: Jeg vil gjerne gjøre dette alene, jeg vil gjerne gjøre det. Jeg hadde en student som kom til meg og sa: «Jeg må gå tidlig hver mandag. Vil det gå ut over deltakelseskarakteren min?» Jeg sa: «Ja.» Og han sa: «Men jeg må på jobb. Jeg er profesjonell fotballspiller.» Jeg sa: «Nei, du misforstår. Hver mandag kommer du til å være 45 minutter for sent til trening.» Og han sa: «Kan du snakke med treneren min?» Og jeg sa: «Nei, jeg er ikke faren din. Det får du gjøre selv.» Han møtte faktisk opp, og han ble læringsassistenten min året etter. Studenter responderer på utfordringer, og vi må utfordre dem.

Det andre vi må tenke på, er at BI er et treningssenter, ikke et solstudio. Den har jeg stjålet fra Øyvind Revang, som underviste her før. Studentene tror at vi skal komme inn og sette oss ned og sitte sånn, og så får vi en fin brunfarge og et vitnemål som viser at vi er brune, og så kan vi gå. Det er ikke slik det fungerer. BI er et sted der man kan trene og øve og bli bedre, og det kommer til å gjøre vondt og kreve noe.

Jeg har lenge hatt lyst til å skrive en artikkel med tittelen «Hva kan høyere utdanning lære av Kompani Lauritzen?» For dere som ikke er norske: Dette er et TV-program der de tar inn sivile. Det er et realityprogram der de sendes gjennom en rekruttskole, og de møter en fyr – jeg har glemt navnet hans, men han er kjent i Norge som Fenriken. Med stor F. Han kommer inn og forteller deltakerne hva de skal gjøre, hvordan de skal gjøre det, hva grensene er, og hva som regnes som akseptabel og uakseptabel oppførsel og prestasjon. Han gjør det på en støttende, men bestemt måte, og han sier fantastiske ting. Favoritten min er denne: Folk klager: «Men jeg vasket jo rommet mitt,» og han sier: «Vi er ikke ute etter aktiviteten vasking. Vi er ute etter resultatet: rent.» Jeg tror vi kan lære mye av Kompani Lauritzen.

Jeg kjenner en fyr som har denne holdningen – kollegaen min Hanno Roberts. Han blir ofte kåret til beste professor i våre kinesiske programmer og andre steder. Når han kommer inn, har han på seg en T-skjorte, og på T-skjorten står det «No pain, no gain». Det er den riktige holdningen, og det er det vi må gjøre, tror jeg – eller i hvert fall har det fungert for meg.

Så hvordan gjør vi det? Vel, man må i bunn og grunn tvinge studentene. Man må tvinge dem til å delta. Man må tvinge dem til å forberede seg. Jeg har noe som heter forberedt tilstedeværelse. I kursene mine må man være til stede på 70 % av undervisningen for å kvalifisere, men det er forberedt tilstedeværelse. Så jeg kan si: «Birgitte, kan du introdusere denne casen for oss?» – hun er sjefen min, forresten – og hvis hun sier: «Jeg har ikke lest casen i dag,» sier jeg: «Ok, du var ikke her i dag. Du er registrert som ikke til stede.» For man må tvinge folk til å forberede seg, og de jobber instrumentelt.

Man må tvinge dem til å jobbe i grupper. Det kommer studenter som sier: «Men jeg vil gjøre dette prosjektet alene.» Og jeg sier: «Nei, det er ikke et alternativ. Det står i kursbeskrivelsen.» Og vi tvinger studentene til å løse ekte problemer. Hvert år, når Chandler og jeg har maskinlæringskurset vårt, har vi studenter som sier: «Men jeg vil jobbe med et datasett som allerede er tilgjengelig.» Og vi sier at du må jobbe med et ekte datasett, fordi ekte datasett ikke er rene eller veldefinerte, eller engang tilgjengelige. Halvparten av jobben for en dataforsker er faktisk å få dataene i en form der man kan analysere dem. Man må tvinge dem til å ta på den skitne virkeligheten, og det finnes ingen unntak.

Her er en teknikk jeg lærte av Ragnvald Sannes – jeg kommer tilbake til ham senere. Når studentene velger semesteroppgave, gjør vi det slik: Hver student lager en håndskrevet plakat der de presenterer hva de vil skrive om: hvilken bedrift, hvilket problem de vil løse, og så videre. Alle presenterer; det tar et minutt eller to hver, avhengig av hvor mange studenter vi har. Så snart du er ferdig med å presentere, limer vi arket opp på veggen, så vi får alle disse plakatene langs veggen. Når alle er ferdige, går alle opp og stiller seg foran plakaten sin. Jeg ber folk legge merke til hvor alle står, og så erklærer jeg markedet for åpnet. Og du må finne en gruppe, og du må gjøre det der og da. Det er engasjement. Når jeg gjør det, ser klasserommet slik ut to minutter senere. Og det er det man vil se: studenter som engasjerer seg aktivt og finner problemer. Og man må tvinge dem til å gjøre det.

En annen ting jeg gjør er at jeg ikke legger så stor vekt på teori, fordi teori kan man finne i andre kurs, og man kan også finne den på nett eller andre steder. Det er ganske vanlig å ha en gjesteforelesning eller to. Jeg har mange flere. Dette semesteret har jeg fire kurs, og dette er gjesteforelesningene som er booket så langt. Jeg går ut og rekrutterer alle disse næringslivsfolkene og får dem til å komme, og jeg ber dem ikke om å undervise. Jeg ber dem snakke om det de gjør. Så jeg spurte Geir Karlsen: Hvordan er det å lede Norwegian, og hvordan klarte du å snu selskapet? Eller jeg spurte Torstein Berg hvordan han har klart å starte og finansiere tre–fire svært vellykkede selskaper. Eller jeg snakket med Andreas Solbakken om hans serieentreprenørskap helt siden han var 16 år. Og disse folkene kommer tilbake, fordi de blir bedt om ikke å være lærere, men om å være næringslivsfolk. Hele poenget er å gi en opplevelse i klasserommet som man ikke kan få på nett eller gjennom KI.

Og så samarbeider jeg, og jeg eksperimenterer med mestere. Jeg underviser aldri alene. Det er dyrt, igjen, så dette må dere finansiere. Men kursene blir mye bedre når man er to. Hvis du noen gang har hørt på en podkast, vet du at det er to personer, fordi de snakker med hverandre og det blir en samtale. Og jeg finner mestere jeg kan samarbeide med.

Så jeg har en mester i interaksjon: den beste case-læreren jeg noen gang har møtt. Han heter Bill Schiano. Han er ikke her; han er ved Bentley University. I 1996 satte vi sammen et kurs der vi hadde videoundervisning over Atlanteren og lot studentene danne grupper over Atlanteren for å løse forretningsproblemer. Det fikk oss inn i Aftenposten, og etter hvert skrev vi en bok sammen som heter Teaching with Cases, med alle slags tips og triks for å skape dette engasjementet.

Så har jeg en mester i relevans – en som virkelig kan næringslivet og kan bidra med relevans. Hun heter Berit Svendsen. Da Berit sa opp jobben som administrerende direktør i Telenor Norge, hørte jeg det på radioen, og jeg stoppet bilen og ringte Inge Jan Henjesand, den tidligere presidenten, og sa: «Ansett henne.» Og det er den eneste gangen han har hørt på meg. Vi har et kurs sammen som heter Det verdiskapende styret, og jeg bruker skamløst Berit for hennes relevans og hennes forbindelser i næringslivet. Den første forelesningen vi hadde, sa hun: «Jeg må gå tidlig, for det er noe som skjer.» Vi underviste i styrearbeid – og dagen etter stod det i avisen at hun var blitt kåret til Årets styreleder.

Jeg har en mester i forklaring. Han heter Chandler Johnson. Jeg visste ingenting om maskinlæring – eller jeg visste litt; jeg kunne statistikk – men jeg ville lære. Og den beste måten å lære noe på, er å ha et kurs i det. Så jeg satte opp et kurs i analyse, som ga Chandler tilgang til næringslivsfolk og meg tilgang til Chandler. Nå har vi holdt det ti ganger, og nå kan jeg undervise i maskinlæring. Slik gjør man det.

Jeg har en mester i diplomati. Han heter Stein Gjessing. I sju år ville jeg lage et kurs som blandet ekte teknologi – informatikk fra Institutt for informatikk ved Universitetet i Oslo – med forretningsdelen levert av BI: Norges største universitet og den største handelshøyskolen, to stopp fra hverandre på T-banen. Hvor vanskelig kan det være? Det viste seg å være veldig vanskelig. Men Stein loset dette gjennom et svært skeptisk fakultet ved Universitetet i Oslo. Jeg var ikke like vellykket med å lose det gjennom en svært skeptisk organisasjon her lokalt. Så vi måtte gjøre det på universitetet, og vi kalte det Digital økonomi og ledelse – først bachelor, så master – og det ble Norges mest populære studieprogram: 3000 søkere til 27 plasser. Jeg fikk telefoner fra foreldre som sa: «Kan du få datteren min inn?» Det er fortsatt det mest populære programmet ved instituttet, og vi kom på forsiden av Dagens Næringsliv.

Og sist, men ikke minst, har jeg en mester i innovasjon, og han heter Ragnvald Sannes – en mester i innovasjon i undervisning. Vi har gjort mye sammen. Han er ekspert på prosessen med å bygge opp et kurs, og hele denne prosessen jeg bruker, der studentene velger et prosjekt tidlig og vi loser dem gjennom hele kurset, har jeg lært av ham – inkludert dette trikset med alle plakatene. Hvis dere vil se et virkelig fint klasserom, så gå og se på Ragnvald Sannes-auditoriet, som ligger like her borte. Det har ikke fått det skiltet på veggen ennå, men det kommer.

Vi har laget mange kurs. Det som har vært morsomst, er kurset vi holdt i 20 år, som het Strategisk forretningsutvikling og innovasjon. Det gjorde vi sammen med Accenture i Sophia Antipolis, en teknologipark i Sør-Frankrike. Bivirkningen var selvsagt at vi hver oktober måtte til Antibes i en uke eller to – og Egil betalte for det, eller forgjengerne hans – og vi dro med konene våre og med Ellen Heggelund, som er en mester i kursadministrasjon. Det gjorde vi i 20 år. Det var en pine, men noen måtte jo gjøre det …

Hva bør høyere utdanning og BI gjøre? Vel, her er en liten liste å tenke på. Saken er den: BI gjør allerede mye. Jeg er ikke like bekymret for BI som jeg er for andre høyere utdanningsinstitusjoner. Og grunnen er veldig enkel: Vi har ikke to milliarder kroner i grunnfinansiering. Vi må – og vi gjør ganske mye.

Vi har et ord som heter employability – arbeidsrelevans – som Egil har satt på dagsordenen. Det betyr at vi må bry oss mye om at studentene våre får jobb, fordi det er kontrakten vår. Hvis du ikke vet hva du skal gjøre, gå på BI – du kommer til å få jobb. Det er vår uskrevne kontrakt. Så employability står nå på dagsordenen. Hva det er, vet jeg ikke, men det står på dagsordenen.

For det andre har vi noe som heter Doing Sustainable Business. Jeg skulle være med på det, men så ble jeg syk, og det gjør meg virkelig lei meg, for det er et fantastisk kurs. Det er avslutningskurset på bachelorprogrammet. Det har tre og et halvt tusen studenter som jobber med caser i grupper på tvers av studieretninger. Og saken er den: Jeg var på Harvard Business School for omtrent tre år siden og diskuterte case-undervisning med dem, og de snakket om dette programmet og sa at ingen gjør noe slikt. Vi er den eneste skolen i verden som gjør det. 70 faglige ansatte er involvert. Dette er flott. Det er dyrt, Egil, så du må fortsette å finansiere det, fordi det er viktig.

Vi har dette bygget. Dette bygget har klasserom der studentene kan se hverandre. Dette bygget er vakkert. Dette bygget er interaktivt. Dette bygget er rent. Når jeg drar til visse andre institusjoner, må jeg ta med mine egne tusjer, fordi det ikke finnes tusjer i klasserommet. Her testes tusjene hver morgen for å sikre at de virker. Vi har infrastrukturen. Folk drar til andre institusjoner i Oslo, ser seg rundt på brutalistiske betongbygg, og så kommer de hit og tenker: «Hmm – de neste fem årene av livet mitt.» Dette bygget er, om ikke det viktigste, så i hvert fall det mest synlige konkurransefortrinnet vi har. Jeg har prøvd å drive case-undervisning i klasserom der studentene bare kan se rett frem. Det er ikke lett. Vi har U-formede klasserom. Vi har teknologien, vi har infrastrukturen, og vi forstår hvor alvorlig problemet er. Og det er viktig.

Men vi må endre ting, og her er det jeg mener vi må endre. Vi må endre rekruttering og belønning. Vi må belønne undervisning, undervisningsinnovasjon og undervisningsutvikling like mye som vi belønner forskning. Hvorfor heter det «undervisningsplikt»? Bli kvitt det ordet. Det er noe man gjør – det er det viktigste vi gjør.

Vi må endre innovasjonsprosessen fra stage-gate til eksperimentell. Når jeg underviser i innovasjon – eller rettere sagt, når Ragnvald underviser i innovasjon – snakker vi om gamle prosesser, der man kommer opp med en idé, presenterer den for en komité, og de bestemmer ja eller nei; og mer moderne prosesser, der man utvikler en prototyp og tester den i markedet. Og det er litt rart for meg at vi bruker den gamle modellen og ikke den nye. For nesten all innovasjon på BI har skjedd fordi noen bare gjorde det. En av grunnene til at vi rangeres så høyt, er at vi har et kinesisk program, og det kinesiske programmet ble laget av et par faglige ansatte som bare dro dit og gjorde det. Det var ingen formell beslutningsprosess. Så vi må kunne eksperimentere.

Vi må motarbeide regulering som legger lenker på innovasjon. Et av problemene vi har med KI, er at vi må endre måten vi vurderer på. Hvis du drar til Harvard, MIT, IMD, INSEAD, Darden eller London Business School, blir du vurdert ut fra hva du sier i klasserommet. I Norge har vi ikke lov til å gjøre det. De beste universitetene i verden gjør det. Det må vi gjøre noe med. Vi må slutte med denne forestillingen om at karaktersetting er en kontrollerbar og målbar prosess. Det er skjønn.

Og vi må tolerere innovasjon selv om vi ikke liker den – selv om vi ikke liker personen. Husker dere den artikkelen om kanonene? En av grunnene til at det tok 30 år, var at fyren som forbedret skytingen fra 7 % til 80 %, eller noe sånt, var en arrogant drittsekk. Ingen likte ham. En annen grunn var at han lot skytteren selv bestemme når han skulle fyre av, i stedet for at en offiser ropte «fyr». Man måtte kompensere for at skipet rullet, og skytteren kunne faktisk gjøre det – noe som betydde at beslutningsretten ble flyttet fra dem som tradisjonelt hadde den. Det kan vi ikke gjøre. Vi må teste i markedet og så gjøre det som virker.

Så det vi egentlig må gjøre – og jeg har brukt dette uttrykket mange ganger, men jeg mener det er veldig, veldig viktig – er å beskytte fremtiden mot fortiden.

Ellers ender vi opp med å holde hester.

Tusen takk.

Vibe koding og den grunnleggende forståelsen

Postet den av
Svar

Er det noen vits i å skjønne kode når vi bare kan fortelle en robot hva vi vil ha?

Proto-digitalisering

På det glade åttitallet jobbet jeg i IT-avdelingen på BI. Der gjennomførte jeg, nærmest på egenhånd, en digitaliseringsprosess. Uten at jeg var klar over at det var det jeg gjorde.

Det gjaldt karakterer, som det gjerne gjør i en akademisk sammenheng. BI hadde gått fra omtrent 3000 studenter i 1985 til 20000 i 1988, og dermed ble publisering av karakterene en nokså omfattende affære. For heltidsstudentene gjorde vi det ved å skrive ut en mange meter lang karakterliste, på pysjamaspapir med en kjedeskriver, og tapetsere en av gangene på bygget med dem. Listen var gruppert etter kurs og sortert etter studentnummer, og ca 25000 linjer lang. Studentene fant kurset sitt og lette seg møysommelig nedover til de fant studentnummeret sitt, og deretter karakteren, med påfølgende jubel eller skuffelse, alt ettersom. For de studentene som bodde annensteds i landet, hadde vi endel studentassistenter som satt med en tykk papirbunke og svarte i telefonen.

Nuvel. Jeg tenkte at dette kunne gjøres på en smartere måte, så jeg satte meg ned og skrev et lite program (i programmeringsspråket REXX, av alle ting). Programmet spurte etter studentnummeret, lette gjennom karakterlisten og skrev ut de relevante karakterene på skjermen. I tillegg viste programmet strykprosent og gjennomsnittskarakter for hvert kurs. Alle dataene lå på en stormaskin, så jeg fikk tak i noen gamle terminaler og satte dem opp. (BI hadde fått en masse terminaler gratis og hadde dem på lager.) Studentene kunne da gå opp til en av fem terminaler, skrive inn sitt syvsifrede studentnummer, trykke «Enter», og få karakterene opp på skjermen. Studentassistentene ved telefonen fikk sin egen terminal.

Prosjektet var en suksess: Det kostet nesten ingenting, vi slapp å skrive ut masse papir og henge det opp, studentassistentene fikk en lettere jobb, telefonsamtalene ble kortere og dermed billigere, og så videre. Det var også populært, både hos brukerne og i organisasjonen. Riktignok klaget noen studenter over et emosjonelt ubehag ved å få alle karakterene sine rett opp i fleisen uten forvarsel (i stedet for den noe mer skånsomme prosessen ved å finne dem en og en), men slik er det med enhver endring, man kan ikke gjøre alle til lags.

(En liten parentes til dagens studenter: Husk at dette skjedde på et tid da internett og PC var forbeholdt eksperter og entusiaster; mobiltelefoner kostet det samme som en bruktbil, veide flere kilo og kunne bare snakkes i; og all skriftlig korrespondanse skjedde på papir. Det er faktisk ikke så lenge siden.)

Kode og kodeforståelse

Programmet jeg hadde skrevet, var nokså enkelt: Spør etter studentnummer, finn alle linjer med dette nummeret i, og skriv dem på skjermen. Problemet var at selve tekstfilen var for stor for vår IBM 4381 VM/CMS stormaskin. Hvis programmet skulle søke gjennom alle de 25000 linjene, ville det ta så lang tid og bruke så mye datakraft at det ikke var aktuelt. Jeg måtte derfor gjøre en hel del tekniske finurligheter slik at bare en relativt liten del av filen ble lastet inn i arbeidsminnet. I korthet besto dette i å finne ut antall linjer i filen, høyeste og laveste studentnummer, og så klippe opp filen i passende biter som så kunne lastes inn basert på studentnummeret.

For å få til dette måtte jeg definere noen variable, bruke nokså komplisert kode med flytting inn og ut av arbeidsminne, og dele programmet opp i en startprosedyre og en loop som spurte etter studentnummeret. Programmet ble et par A4-sider langt, men det fungerte og klarte en responstid (for en standard virtuell maskin) på under et sekund. Jeg hadde skrevet kommentarer og dokumentert så godt jeg kunne, gjorde noen endringer året etter, men så ble programmet til noe som bare tikket og gikk, og jeg brukte ikke mer tid på det.

I 1990 flyttet jeg til USA for å ta en doktorgrad. Sommeren etter var jeg tilbake på BI for å besøke mine gamle venner i IT-avdelingen. En av dem ba meg om å gjøre en endring i karakterprogrammet. Jeg satte meg ned, og fant at jeg hadde glemt hvordan programmet fungerte, selv om jeg hadde skrevet den selv og sett på den for litt over et år siden. Ingen andre hadde sett på det heller – programmet hadde fungert, og nå var hele karakterpubliseringsprosessen basert på et lite program som ingen skjønte.

Det tok meg et par timer, så hadde jeg forstått det, og skrev om programmet til noe mer strukturert og svært mye mer dokumentert, og sørget for at et par av mine kolleger hadde kontroll. Men episoden lærte meg noe om hvor avhengige vi er av små, kvikke rutiner som er nokså lette å lage for en person og nokså vanskelige å vedlikeholde for flere.

Trenger vi å egentlig forstå hvordan ting fungerer?

Det lille karakterprogrammet mitt skulle gjøre en enkel funksjon, og kompleksiteten var et resultat av at teknologien på dette tidspunktet var svak, og at jeg dermed måtte gjøre endel nokså teknisk programmering for ikke å overbelaste maskinen. Å finne riktige linjer i en fil på 25 000 linjer er i dag noe som kan gjøres med en enkel kommando eller ferdig rutine. I dag ville programmet antakelig vært 4-5 linjer langt, og superenkelt å forstå.

Eller?

Hadde jeg programmert dette i dag, ville jeg antakelig ha brukt Claude Code eller en annen AI-funksjon, og ganske enkelt fortalt hva jeg ville ha. Gitt at ting nå er tilknyttet Internett (og tilgangen dermed ikke lenger begrenset til fem fysiske terminaler i et rom) ville jeg måttet legge på en masse funksjonalitet for å ha sikker innlogging, hindre at roboter suget ut hele karakterfilen, universell tilrettelegging, hjelpetekster, og så videre. Det resulterende programmet ville fungert – men jeg ville, om jeg i det hele tatt hadde kunnet se på det, ikke forstått hvordan jeg manuelt skulle fikse det hvis noe spesifikt skulle endres.

Dette kan være et problem for en enkeltperson, særlig hvis man rett og slett ikke får til å fortelle AI’en hva det er man vil ha. Men hvis programmet skal inngå i et større hele og danne grunnlag for andre programemr, blir det vanskelig.

Ett byggverk basert på tillit og frivillighet

«Don’t want money. Got money. Want recognition.»
— signaturlinje, midten av 80-tallet

All moderne programvare er bygget opp som et sett av byggestener. Når du snakker, skriver eller klikker til en datamaskin, snur programvaren seg og forteller annen programvare hva den skal gjøre – og så videre. Selve utførelsen blir distribuert ut til en masse små programmer som er svært spesialisert – du kan tenke på det som et byråkrati der du snakker til en kundebehandler, og hovedutfordringen ligger i å finne akkurat den personen eller enheten som har ansvaret for å gjøre den jobben.

Dette er små og store, hardt arbeidende programmer som gjør alt fra enkle ting (som å rydde opp fragmenter av gammel moro fra arbeidsminne eller lagringsmedium) til svært kompliserte verktøy for dokumentoppbygging (som Don Knuth‘s legendariske TeX, for eksempel). Mange av programmene er skrevet for svært mange år siden – men hvis de virker, er det jo liten grunn til å endre dem, unntatt hvis verden rundt endrer seg. De er gjort gratis tilgjengelige, fordi det rett og slett ikke finnes noen god måte å selge dem på – og kildekoden ligger åpent tilgjengelig for alle. Det betyr at alle kan endre den, men også at alle kan verifisere den.

Valutaen i dette systemet er ikke penger, men ære og berømmelse – innenfor en liten, men viktig krets – og veien til medlemsskap går gjennom hardt og helst briljant arbeid. Prosessen er ikke ulik den akademiske publiseringsprosessen, med fagfellevurdering og revisjoner. Men nå han altså hvem som helst bygge et program ved å be om det. Endel av de som gjør dette, ønsker å markere seg som programmerere inn i den åpne kildekodeverdenen – og dermed får de som skal vedlikeholde disse programmene et kjempeproblem med massevis av forslag til endringer generert av AI, som er lett å skrive men vanskelig å teste og kontrollere. Ikke ulikt offentlig forvaltning, som nå får massevis av klager, søknader og henvendelser som er AI-generert og i stand til å skrive like feilfritt og byråkratisk norsk (eller nynorsk, for den saks skyld) som de selv er.

Og dermed kan faktisk den tekniske infrastrukturen vi alle bruker og baserer oss på, over tid bli nokså morken og upålitelig.

En utvikling basert på gjenbruk og optimalisering

Bilde: Fra Singh (2019)

En ting er at den menneskelige kontrollmekanismen overveldes (Baltes et al, 2026) – man kan jo argumentere for at vi kanskje skal slutte med alle disse smårutinene og heller bare be AI’en generere store programmer hver gang vi trenger dem. Datamaskiner er jo så kraftige likevel, så det spiller vel liten rolle hvordan dette gjøres på innsiden så resultatet er det vi vil ha? Vi stoler jo på maskinlæringsmodeller basert på nevrale nettverk, der ingen kan forklare presist hva som skjer med hver enkelt beslutning – men som valideres ved å teste på data modellen ikke tidligere har sett. Kunne vi ikke gjort det samme med andre programmer?

Vel, gjør vi det, pirker vi borti kanskje den viktigste grunnen til at hele IT-teknologien har utviklet seg så fort som den har gjort: Gjenbruk av programkomponenter, opprinnelig del av et større (og norskutviklet) konsept kalt objektorientering. La meg ta et tradisjonelt eksempel: Sortering. Det finnes mange ulike måter å sortere en liste på, så det er ikke noe man som programmerer skriver selv. I stedet bruker man en liten kommando som kaller opp et allerede skrevet program. Sett nå at jeg skulle komme på en måte å sortere på som er raskere enn noe annet. Da ville jeg skrevet den som et program – eller foreslått en endring i et allerede eksisterende, mye brukt program – som så ville blitt implementert. Dermed vil alle programmer som bruker sortering bli raskere – ikke bare de programmene som blir skrevet etter at den nye sorteringsmåten er kjent, men alle programmer som sorterer ved hjelp av det allerede eksisterende programmet.

I fysisk produksjon kan komponenter ikke kan oppdateres eller byttes uten bruk av tid og penger. I kunnskapsproduksjon kan bytte av teori kan ta lang tid (Kuhn, 1962). Men innen software vil en liten forbedring i en underliggende (og mye brukt) komponent kunne bli en stor og viktig forbedring for et større system så og si øyeblikkelig. Dette ble klart for meg på tidlig nittitall, da jeg skrev om et av de første objektorienterte forretningssystemene: Da systemet var helt nytt, tok det flere minutter å skrive ut en faktura, i et firma med to millioner kunder. Den tiden gikk ned til noen få sekunder etter at man hadde optimalisert de mest brukte underliggende komponentene (Andersen & Konsynski, 1992; Davis & Morgan, 1993).

Og der har du forskjellen på digital og fysisk ytelsesforbedring – en forskjell som gjør at så fort noe blir digitalt, tar det av i forhold til alle andre teknologier. Den hastigheten har du ikke i generativ AI – i hvert fall ikke i resultatene – inntil språkmodellen lærer å reflektere over sitt eget handlemønster, dekomponere det og deretter optimalisere de mest brukte objektene.

Og det er ikke noe man kommer til å få til med Vibe coding med det første i alle fall…

Referanser:

Andersen, Espen, and Benn R. Konsynski. 1992. “Brooklyn Union Gas: OOPS on Big Iron.” HBS Case 192-144
Baltes, Sebastian, Marc Cheong, and Christoph Treude. 2026. “‘An Endless Stream of AI Slop’: How Developers Discuss the Burden of AI-Assisted Software Development.”
Davis, John, and Tom Morgan. 1993. “Object-Oriented Development at Brooklyn Union Gas.” IEEE Software (January):67–74.
Kuhn, Thomas S. 1962. The Structure of Scientific Revolutions. Chicago, IL: The University of Chicago Press.
Learner, Sam. 2026. “Who Cleans up after the Vibe-Coding Party?” Financial Times, July 11.
Singh, Tarry. (2019) “Software Ate The World, Now AI Is Eating Software.” Forbes (Cognitive World), Retrieved August 19, 2026.

Effektiv omtrentlighet: Hva kan man egentlig bruke GenAI til?

Postet den av
1

Jeg elsker elegant og presist språk – le mot juste, som Flaubert kalte det – og ChatGPT, Claude, og andre store språkmodeller irriterer fletta av meg med sin utrettelige flom av vokabulært overdimensjonerte omtrentligheter.

Ikke desto mindre er GenAI et faktum. Man kan skaffe seg et abonnement på ChatGPT eller bruke gratisversjonen, eller ta i bruk ulike integrasjoner (med Microsofts CoPilot som den klart vanligste). Felles for denne bruken er at initiativet til å ta i bruk systemet kommer fra enkeltindivider, enten man ber systemet foreslå et svar på en kjedelig epost, skrive en tale til det neste julebordet, eller skrive firmaets strategi (noe forbausende mange selskaper ser ut til å gjøre – luftige ord uten styringssignaler…).

Det er positivt, gir en produktivitetseffekt på enkeltpersonsnivå – i hovedsak at man bruker mye mindre tid på å generere innhold og noe mer på å kontrollere det – men som vi alle vet: De virkelige endringene kommer når vi legger om våre prosesser og organisasjoner etter hva teknologien kan tilby – når vi går fra hesteløse kjerrer til skikkelige biler, for eksempel. Hva kan vi forvente når GenAI ikke lenger omtales som GenAI, men bare er en alminnelig del av systemer og prosesser? Hva kan GenAI egentlig gjøre på organisasjonsnivå?

Skal vi forstå det, må vi se på hva slags underliggende funksjonalitet teknologien tilbyr – eller for å si det med Clayton Christensen: Hva slags jobber kan du ansette ChatGPT til å gjøre?

For meg er det tre hovedjobber: Konversasjon, destillasjon, og fabrikasjon.

Konversasjon: GenAI som samtalende grensesnitt

Et samtalende grensesnitt – conversational interface – er noe vi har vent oss til å bruke etter at søkemotorer ble den vanlige måten å finne informasjon på. Tenk litt på forskjellen på å søke i en database og i en søkemotor: Mot en database må du fortelle ikke bare hva du ser etter (f.eks. alle transaksjoner over et visst beløp), men også hvordan dette skal uttrykkes overfor maskinen – f.eks. med et SQL-utsagn (SELECT id, customer, item FROM transaction_table WHERE sum > 10000). Databasesøk er effektivt og presist, men krever at du skriver søkestrengen svært spesifikt. Hvis det ikke finnes noen transaksjoner som tilfredsstiller kriteriene, får du heller ikke noe svar. Enten er informasjonen der, og da kan du stole på den, ellers får du ingenting.

En søkemotor er noe vennligere: For det første forstår den mer av hva du skriver inn – query processing – og tolererer stavefeil, synonymer og rotete ordstilling. For det andre vil den (nesten) alltid returnere et resultat, som kanskje er feil, men som er den biten informasjon som søkemotoren mener er tettest opp til det du spør om. Dette kan være unøyaktig, men søkemotoren returnerer alltid en peker til et underliggende dokument, som du kan lese og vurdere kvaliteten og påliteligheten av.

Årsaken til at man kaller det et samtalende grensesnitt, er at du skriver et søk, ser resultatet systemet foreslår, og så prøver deg med et mer presist søk inntil du finner det du vil ha. Du har en samtale med systemet – og systemet vil alltid vise et resultat, om enn unøyaktig eller irrelevant. Hva systemet skal svare, er et resultat av hva slags informasjon det har oversikt over, den underliggende søkealgoritmen, men også hva slags resultater eieren av systemet ønsker skal vektlegges.

Generativ AI tar dette samtaleelementet videre, og gir ikke bare lenker til kilder, men setter sammen innholdet i svaret basert i hovedsak på hva den har sett av lignende tekster. Det gjentas ofte til kjedsommelighet at alt en språkmodell gjør, er å forsøke å gjette det neste ordet i en setning – den har ingen formening, i alle fall ikke i utgangspunktet, om hva noe betyr. Når den likevel kan fremstå som både kunnskapsrik og konversant, er det fordi vår egen kunnskap er begrenset og skriftlig språk er lite presist som informasjonsbærer.

Så der vil du finne GenAI – som samtalepartnere i neste generasjon søkesystemer, med evnen til alltid å komme opp med et svar på selv de mest håpløse spørsmål. Den vil være uendelig tålmodig (og dermed både et verktøy for og et våpen mot kommentarfeltets ankelbitere) og har ubegrenset selvtillit. Den gir alltid et svar, men glir rundt grøten og lar seg lett påvirke av populære (eller i alle fall populistiske) meninger. Kvaliteten øker med bruk, siden den er lærenem, men med en målfunksjon preget av mange lokale minima kommer den ikke med reell problemløsning, bare forslag basert på hva den har sett før.

Destillasjon: Umenneskelig apetitt for gørrkjedelighet

Where is the «brief insightful summary» button on the keyboard?
P. J. O’Rourke

Her forleden hørte jeg en presentasjon fra en toppleder som fortalte at hans styre hadde mottatt en 1100 siders rapport fra administrasjonen. Han hadde spurt om de ikke skulle lage et executive summary for styremedlemmene, men hadde fått beskjed om at det kunne de ikke gjøre, for det var viktig at styret hadde lest hele rapporten. Jeg vet ikke hva slags styremedlemmer det var i det styret, men jeg klarer ikke å få doktorgradsstudenter til å lese 1100-siders rapporter, så jeg betviler sterkt at noen av styremedlemmene kom seg gjennom det hele, ei heller i hvilken grad innholdet ble gjenstand for en læreprosess.

Hadde dette styremøtet funnet sted i dag, kunne medlemmene ha kjørt hele greia inn i en språkmodell (forhåpentligvis en med kommersiell lisens, slik at teksten ikke ble del av modellens korpus) og fått ut akkurat så mye oppsummerings om de ønsket. Kommersielle språkmodeller trenes opp ved å lese masse tekst (f.eks. lovtekster, tekniske manualer eller ulike policy-dokumenter) og kan deretter besvare enkel spørsmål om dem – eller summere dem. Dette er supert for studenter som ikke gidder lese for mye (men heller ikke lærer stort) og kjempefint for folk som trenger en kjapp oversikt over hva en bok eller en samling artikler inneholder.

Kvaliteten av oppsummeringen er definitivt caveat emptor – mottakers ansvar – men i en situasjon der det ikke er mulig å komme seg gjennom hele materialet, kan en destillert versjon, produsert om ikke på sekunder, så i alle fall på minutter, være bedre enn å måtte pløye gjennom alt sammen. For advokatfirma, revisorer, konsulentselskaper og innen corporate banking, der enorme tekstmengder skal leses og kontrolleres – for eksempel innen due diligence-prosesser – vil språkmodeller være et nyttig hjelpemiddel, om enn ikke en erstatning.

Et problem her er at forretningsmodellen til slike selskaper ofte er bygget på at kunden betaler (med god margin) kostnaden for alle dem (som regel juniorer) som gjør lesejobben og sammenstillingen. Dette er også der selskapene rekrutterer sine fremtidige ressurser. Jeg har hørt endel ledere innen konsulentselskaper snakke begeistret om reduserte personalkostnader ved bruk av AI, uten at det ser ut til at de er helt klar over at kundene for det første kan bruke disse verktøyene selv, for det andre at deres betalingsvillighet kommer til å gå ned i takt med kjennskap til de nye verktøyene.

Når prisen på en tjeneste går ned, kan vi spare penger, men like ofte skjer det at bruken øker. For språkmodellers vedkommende betyr det at ting som tidligere tok lang tid (lese en artikkel) eller var umulig (lese alle artikler om et tema) nå kan gjøres kjapt og greit, om enn med mindre nøyaktighet og en liten fare for juridiske konsekvenser.

Fabrikasjon: Når originalitet verken er nødvendig eller verdifullt

Amazon has created a new rule limiting the number of books that authors can self-publish on its site to three a day.
The Guardian

Språkmodeller er fabelaktige til å generere tekst og annet innhold – Googles NotebookLLM, for eksempel, produserer podcasts basert på artikler du mater inn. Men du skal ikke ha lest mye slikt innhold (eller hørt på en generert podcast i bilen) før en følelse av hjerneråte setter inn.

Årsaken er at tekstene ikke er originale, noe i hvert fall min hjerne registrerer nokså fort, og at det derfor blir som å spise loff til morgen, lunsj og middag i årevis.

Nå er det slik at en hel del tekster som er nødvendige (og ofte pålagt) innen samfunns- og næringsliv ikke må være originale, for å si det forsiktig. Selv har jeg startet firma og bedt ChatGPT genere vedtekter og annet materiale som skled greit gjennom Brønnøysund. Digitalisering har gjort det enkelt for lovgivere å be om materiale og rapporter, websider skal dynamisk oppdateres, og pressemeldinger om dette og hint skal skrives.

Det som først og fremst kommer til å sørge for mye tekstproduksjon Det er mange eksempler på det – digitalisering gjør det svært enkelt å be om en rapport – men det som først og fremst kommer til å virkelig sette fart i svadaproduksjonen er kravene til ESG-rapportering som nå pålegges alle selskaper. Det begynner med de børsnoterte, men kravene siger nedover til alle underleverandører, noe som allerede har ført til at endel store innkjøpere nå handler lokalt eller innen EU i stedet for å hente varer fra fjernere (og billigere) strøk. Endel krav er lite kjent: Åpenhetsloven, for eksempel, krever dokumentasjon av forsyningskjeder og underleverandører og nesten øyeblikkelig generering og levering av den informasjonen til alle som spør. Kan man ikke det, blir det dyrt, noe et klesfirma nylig oppdaget etter å ha blitt gjenstand for et skoleprosjekt.

Bedrifter generelt har verken økonomi eller ledelseskapasitet til å bygge opp et rapporteringsregime like stort som økonomifunksjonen, spesielt siden det for de fleste bedrifters vedkommende vil ha noen effekt på salg eller produktutvikling. For å si det litt kynisk: Språkmodeller kan bli svært verdifulle ved å automatisere grønnvasking, fordi de kan mer enn å skrive «bedriften forurenser ikke det ytre miljø.»

Bullshit jobs no more

With AI, it is much easier to replace a doctor than a nurse.
Yuval Harari, Nexus

Nå er det slik at det meste av arbeidsoppgavene ovenfor – interaksjon, sammenstilling og generering av standardtekster – i dag gjøres av mennesker, i jobber som i mange tilfelle kan defineres som «bullshit jobs«. Det er få som har som sin brennende ambisjon å være grensesnittet mot et kronglete system, leser av kjedelige tekster, eller produsent av innhold ingen egentlig etterspør.

Ikke desto mindre er det disse jobbene som sørger for kjøpekraft for en betydelig del av befolkningen – og reisen fra samlebånd til customer support er ingenting i forhold til reisen fra brukbar informasjonsarbeider til genuin innholdsprodusent.

Det er dukat för konflikt når venstrehåndsarbeidet forsvinner og alminnelig nyskapning blir en hygienefaktor.

Jeg frykter ikke fotografiet, det kan ikke brukes i himmelen eller helvetet.
Edvard Munch

I Martin Amis’ kostelige roman Lucky Jim finner vi denne beskrivelsen av en skikkelig dagen derpå:

Dixon was alive again.  […] The light did him harm, but not as much as looking at things did; he resolved, having done it once, never to move his eye-balls again.  A dusty thudding in his head made the scene before him beat like a pulse.  His mouth had been used as a latrine by some small creature of the night, and then as its mausoleum.  During the night, too, he’d somehow been on a cross-country run and then been expertly beaten up by secret police.  He felt bad.

Jeg er ganske sikker på at en slik beskrivelse ikke er noe en språkmodell kan komme opp med. Og det er ikke fordi språkmodeller ikke kan bli bakfulle (eller i alle fall late som de er det), men fordi originalitet krever at man kjenner reglene for hvordan noe skal gjøres – og deretter å bryte dem.

Originalitet er viktig, blir viktigere, og vil alltid vil bli premiert. Det er bare det at terskelen for hva som er originalt og nyskapende nå er lagt så mye høyere. Verden kan, for å sitere Paul Graham, bli delt inn i de som skriver godt og de som ikke kan skrive i det hele tatt.

Det blir med andre ord mer og mer verdifullt å finne le mot juste…

Lykke til!

Dette innlegget ble først publisert på Comunita.no, et nettverk av ledere og forretningsutviklere innenfor mange interessante firma. Ta kontakt om du ønsker mer informasjon, eller kanskje et medlemsskap?

Råtner ChatGPT?

Postet den av
2

(Dette innlegget ble først publisert på bloggen til Comunita AS, et ledernettverk jeg nettopp har startet sammen med Haakon Gellein. Kontakt meg direkte om du er interessert i å bli med der!)

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.

ChatGPT: Deja vu om igjen

Postet den av
1

Jeg har lurt på (og blitt spurt om) om jeg skal melde meg på debatten om ChatGPT, men tror jeg lar det være. Det er ikke det at den ikke er interessant – les for eksempel Chomsky et al i New York Times eller Cory Doctorow i Medium for synspunkter som i alle fall til en del faller sammen med mine – men jeg har tidligere vært involvert i debatter om kalkulatorer og søkemotorer og Wikipedia (særlig innen undervisning) og, vel, har en følelse av at jeg kanskje bare skulle børste av noen gamle essays, gjøre en find/replace og, vel, ting er i boks.

Eller hvorfor ikke summere det hele opp med XKCDs briljante standard svar til de vanligste spørsmålene om ny teknologi:

Forøvrig: Den bransjen som bør føle seg mest truet, er ikke lærere, men kommunikasjonsrådgivere, hvis jobb til en stor del består i å skrive nøytrale sammendrag av ting de ikke vet noe om. En oppgave som ChatGPT er kjempegod på. Som vanlig vil det være de smarte, de som kan skrive noe originalt (som ChatGPT ikke kan), som vil overleve. Og sånn skal det være.

Selv brukte jeg ChatGPT til å skrive en litt lang og kjedelig epost her om dagen. En en-setnings bestilling ble til en A4-side lang innkalling til et seminar, med forslag til dagsorden og brukbare innlednings- og avslutningsfraser. Litt redigering, en adresseliste, og jobben var gjort. Fabelaktig hjelpemiddel for folk som meg, som sliter med å komme i gang men er nokså kjapp med å flikke på ting som allerede er produsert. (Kommentar fra en bekjent: Så det er derfor så mange eposter har blitt så høflige i det siste…)

Hva gjelder elever/studenter som jukser med å bruke ChatGPT på eksamen – jeg har allerede laget eksamensoppgaver som spør «Hva er [sett inn begrep her]?» Deretter gir jeg svaret fra ChatGPT, og eksamensoppgaven er «ChatGPTs svar er ufullstendig og inneholder feil. Hva mangler og hva er feil?» (Da min kollega Ragnvald Sannes nevnte dette for en studentgruppe, fikk han et stønn til svar…)

Og for ordens skyld: Dette blogginnlegget har ikke – som 74,6% av alle innlegg om ChatGPT) – noe tekst generert av ChatGPT.

Og det er jo, i denne debatten, litegrann originalt.

LØRN.TECH og digitale plattformer

Postet den av
Svar

Min gode venninne Silvija Seres – som jeg har skrevet en haug kronikker med og alltid ser frem til å snakke med – inviterte meg til å lage en podcast om digitale plattformer for noen uker siden. Resultatet i all sin skravlete omtrentlighet finner du her.

EUs nye AI-lover: GDPR for maskinlæring?

Postet den av
Svar

EU har kommet med et forslag til nye lover som regulerer bruk av AI i bedrifter og organisasjoner. Såvidt jeg kan se, ligner forslaget på GDPR-lovgivningen: Ansvarliggjøring av styre og ledelse, bøter basert på omsetning ved overtredelser, og (sannsynligvis) et eller annet i retning av «safe harbor» bestemmelser slik at man kan være nogenlunde sikker på at man ikke gjør noe galt.

Et interessant aspekt her er at EU er tidlig ute i forhold til bruken av AI (ja, jeg vet det er et upresist begrep, men la det ligge foreløpig) og at man igjen tar ledelsen innen regulering der Silicon Valley (og Kina) har tatt ledelsen innen implementering.

Elin Hauge

Jeg skal finne ut mer om dette, i første omgang ved å høre på et webinar på konferansen Applied Artificial Intelligence Conference 2021. Seminaret (27. mai kl. 1430-1600) er åpent for alle som registrerer seg, og vil bli fasilitert av Elin Hauge, som er medlem av EGN AI og maskinlæring, et av EGN-nettverkene jeg leder.

Anbefales – og vel møtt!

30 minutter inn i fremtiden: Om data og sånt

Postet den av
Svar
cover art for Hvis du tror du har masse data, så har du antagelig ikke det

Her forleden hadde jeg en hyggelig samtale med Eirik Norman Hansen – en gang min student, nå er ikke aldersforskjellen så voldsom lenger – om dataanalyse og hvorfor mange bedrifter sliter med det. Noe av det ble en podcast, her er detaljene:

Apple Podcast: https://podcasts.apple.com/…/30…/id1470592074…

Spotify: https://open.spotify.com/episode/1OHfdMnv6oTAeOxycb27pL…

Acast: https://shows.acast.com/…/hvis-du-tror-du-har-masse…

Hvorfor du skal lære matematikk (igjen)

Postet den av
Svar

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.

( Tidligere versjoner av denne kom først som en kronikk fra Aftenposten fra 2006, også her i 2015, og tidligere publisert mange steder og i mange språkdrakter rundt omkring i verden.)

Her også som lydfil – tilgjengelig som podkast på Spotify.

13 grunner til å lære matematikk

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.

Odd Erik om replikering av AI-forskning

Postet den av
Svar

file (1)

Syntes jeg dro kjensel på fotografiet – og jammen var det ikke Odd Erik Gundersen (som jeg sitter i styret i SmartHelp sammen med) som ble intervjuet og har skrevet en glimrende (og tilgjengelig) kronikk i Morgenbladet om diskusjonen om forskningskvalitet. Det er et stendig problem innen forskning (også innen informatikk) at forskningsresultater ikke lar seg replikere.

Innenfor kunstig intelligens (eller, vel, maskinlæring som jeg regner med at det er snakk om her) er dette ekstra viktig fordi utviklingen av maskinlæringsalgoritmer i motsetning til vanlig vitenskapelig metode er teoriløs – man har masse data, kjører en søkealgoritme over mange modeller og modellvarianter, og så ender man opp med et eller annet resultat, gjerne uttrykket ved en confusion matrix eller en validation curve (også kalt learning curve).

Ofte finner man at når folk snakker om at de har en modell som er «94% nøyaktig» så snakker de om nøyaktigheten på treningsdataene (der modellen er utviklet) og ikke på testdataene (som er de dataene man holder til side for å se om modellen, utviklet på treningsdataene, er nøyaktig.) Dermed får man modeller som har svært høy nøyaktighet (ikke noe problem å komme til 100% hvis man bare er villig til å ta med nok variable) men som brukbare til noe som helst.

Og det er et problem ikke bare i maskinlæring, men i all forskning. Det er bare det at i maskinlæring finnes dataene og programmene lett tilgjengelige, problemet er synlig, og det er sjelden noen grunn til å skjule det.

Bortsett fra at noen trenger å publisere noe, heller enn å bygge en god modell.