Andra insikter med AI

LYSANDE LASERSTRÅLAR KASTAR ett grönt sken över det mörklagda labbet i Fysikhuset. Här pågår forskning med ett holografiskt mikroskop, som gör det möjligt att se hur alla komponenter i ett prov samverkar. För Daniel Midtvedt, biträdande universitetslektor vid institutionen för fysik, är AI ett verktyg för att få ut mer och säkrare information från mikroskopbilder. Något som kan vara användbart i allt ifrån materialutveckling till att bättre förstå hur celler fungerar.

Men att förklara vad AI egentligen innebär är ingen lätt uppgift – ens för en biträdande universitetslektor. Daniel Midtvedt sammanfattar AI som ”ett system av smarta algoritmer eller nätverk som kan lära sig att hantera vissa specifika situationer för att uppnå ett mål”. Han gör liknelser med en svart låda som matas med matematiska modeller och data. Dessa data bearbetas sedan av datorer, och på andra sidan kommer ett resultat.
– Styrkan med AI-baserade nätverk är att de kan bryta ner väldigt stora datamängder till ett mer lätthanterligt material. Eftersom vi låter datorn dra slutsatserna utifrån den data vi ger, oavsett vilka förväntningar vi forskare har på resultatet, blir det också lite mer objektivt, säger han.

SJÄLV LOCKADES HAN av AI när han insåg att traditionella metoder inte kunde ge den information han behövde i sin forskning.
– Med AI blir det möjligt att utgå från komplicerade mikroskopbilder med extremt mycket information, och extrahera just den information vi vill ha. Utan AI hade vi inte kunnat följa och kvantifiera de fysikaliska egenskaperna hos nanopartiklar i celler. Men med hjälp av den här tekniken kommer vi nu kunna studera hur virus och celler interagerar, och vad som styr processerna vid olika sjukdomar som Alzheimers. Förhoppningen är att de här teknikerna så småningom kan användas inom medicinsk forskning, till exempel för att utveckla nya läkemedel, säger han.

I FLERA AV SINA PROJEKT samarbetar Daniel Midtvedt med såväl näringslivet som andra forskargrupper vid Göteborgs universitet – även utanför Naturvetenskapliga fakulteten.
– Intresset för AI är stort, och ökar. Att området är tvärvetenskapligt märks inte minst på alla olika forskningsprojekt som pågår. Och det är tydligt att näringslivet efterfrågar AI-kopplad forskning, säger han.
Rebecka Jörnsten, professor i tillämpad statistik och biostatistik, håller med. Hon arbetar vid institutionen för matematiska vetenskaper och deltar i flera tvärvetenskapliga AI-projekt. Bland annat samarbetar hon med biologer och medicinforskare med målet att få fram individuellt anpassade cancerbehandlingar.

Enligt Rebecka Jörnsten har det stora intresset för AI betytt mycket för matematikforskningen.
– AI har öppnat möjligheter för våra forskare att våga prova något nytt, även om det ligger utanför den vanliga komfortzonen. Det har lett till spännande korsbefruktningar och spin off-effekter. Bland annat tittar många matematikforskare på klassisk statistik på helt nya sätt, säger hon.

REBECKA JÖRNSTENS STÖRSTA forskningsområde berör grundforskning om djupa inlärningsmodeller, eller deep learning. Det är ett område inom AI där så kallade neurala nätverk tränas för att kunna lösa problem i många små steg. Med en tillräckligt stor uppsättning träningsdata kan nätverken ”lära sig” att lösa uppgifter som varit omöjliga med tidigare beräkningsmetoder. Problemet, som Rebecka Jörnsten och hennes doktorander tar sig an, är att inlärningen inte får gå för fort.
– Om inlärningen blir för snabb hakar de här nätverken, eller modellerna, upp sig på ”brus” – alltså sådant som inte ska modelleras. Vi tittar på olika sätt att bromsa inlärningen, bland annat genom statistisk regularisering där datorn lär sig att känna igen felen och ignorera dem. Den stora fördelen med att inlärningen inte sticker iväg för snabbt är att vi då kan träna väldigt komplexa modeller även på ganska små datamängder, säger hon.

Att förklara vilken betydelse som grundforskning och metodutveckling har, kan tyckas svårare än att förklara mer tillämpad forskning. Men här har Rebecka Jörnsten ett tydligt budskap.
– Alla metoder består av olika byggstenar. Att ha en bra byggsten kan spela en avgörande roll, och vi har fixat till en väldigt bra tegelsten nu! Alla som använder inlärning av neurala nätverk i sin forskning kan ha nytta av det vi gör, och det kan i slutändan leda till många tillämpningar till nytta för samhället, säger hon.

VAD FINNS DET DÅ för utmaningar och begränsningar inom AI? En hel del, anser både Rebecka Jörnsten och Daniel Midtvedt, som också betonar vikten av att vara medveten om dem. Ett problem är att det kan vara svårt att härleda vad de flexibla och självlärande AI-modellerna grundar sina slutsatser på.
– Jag tror det behövs någon form av regelverk eller standardiserat protokoll för validering av resultat från AI-modeller, för att veta när och i vilken grad vi kan lita på dem, säger Daniel Midtvedt.

Rebecka Jörnsten lyfter fram de etiska aspekterna.
– Bara för att det går att skapa ett visst system, är det inte säkert att vi ska göra det. Det finns exempelvis många AI-baserade, praktiska vardagslösningar som är jättebra, och AI kan användas för att öka trafiksäkerheten eller minska köer i vården. Men jag tycker vi ska vara försiktiga med att använda AI-system i mänsklig interaktion. En modell kan ha 99 procent rätt, men den enda felaktiga procenten kan vara helt oacceptabel i fel sammanhang, säger hon, och framhåller samtidigt vikten av att tänka på hur datainsamlingen görs.
– Det är viktigt att förstå att det är datakvaliteten som styr. Ger du en AI-modell ”dåliga data”, till exempel icke-representativa eller obalanserade data, då får du också en dålig modell.

Samtidigt tror båda forskarna att AI kommer att fortsätta skapa nya forskningsmöjligheter inom många olika fält, som kan leda till stor nytta för samhället.
– Jag tror att AI mer och mer kommer användas för att kvantifiera system och analysera komplexa datamängder. Inom mitt område tror jag exempelvis att AI kommer att användas för att underlätta beslutsfattandet för medicinsk personal.

Av: Ulrika Ernström

Litet AI-lexikon 

Vad betyder neurala nätverk och vad är egentligen skillnaden mellan AI och maskininlärning? Daniel Midtvedt reder ut begreppen inom Artificiell intelligens. 

Artificiell intelligens 

”AI kan beskrivas som system av smarta algoritmer som tillsammans med snabba datorer kan hantera stora mängder data. Dessa algoritmer kan uppfatta sin omgivning, lära sig, hantera och lösa problem för att uppnå ett specifikt mål. I vårt fall är det att tolka en mikroskopbild, men det kan lika gärna vara att känna igen en människa på trottoaren för att kunna utveckla självkörande bilar.” 

Maskininlärning

”En underkategori av AI, eller ett verktyg för att åstadkomma AI. Med maskininlärning kan datorer, med hjälp av olika data, ”tränas” att upptäcka och ”lära” sig regler för att lösa en uppgift, utan att datorerna har programmerats med regler för just den uppgiften. Med andra ord: maskininlärning hjälper maskiner att lära sig att förstå helt på egen hand.” 

Neurala nätverk/Neuronnät

”Neurala nätverk eller neuronnät är självlärande algoritmer som försöker efterlikna funktionen i biologiska neuronnät – som våra neuroner i hjärnan. Neurala nätverk skapar precis som andra AI-system egna regler genom maskininlärning. De kan hantera mycket komplex information, och tränas att själv dra slutsatser.” 

Djupinlärning 

Djupinlärning, deep learning eller djupa neuronnät/neurala nätverk, är också en del av området maskininlärning. Grundidén är att träna ett mycket djupt (dvs massor av lager) neuralt nätverk så att det kan lösa ett problem i många små steg. Med en tillräckligt stor uppsättning träningsdata, kan dessa neurala nätverk lösa uppgifter som varit omöjliga med tidigare, traditionella beräkningsmetoder.