Artificiell intelligens och produktivitet

Den finska teknologisektorn är stadd i förändring, vi har gått från att utveckla hårdvara mot mjukvara, och investeringarna har följt samma trend. Men det finns en oro för att produktiviteten inte ökar som den borde. I själva verket har produktivitetsökningen inom ICT främst gällt ICT-sektor självt, men vi borde nu (inte minst för att kunna bekämpa klimat- och miljöproblem) mer medvetet styra utvecklingen mot implementeringar som skapar effektivering inom andra sektorer (elnätet, logistisk optimering och annan effektivering av processer, energieffektivt byggande och cirkulär ekonomi). På mikronivå har de senaste decennierna visat att människor är förmögna att ändra sitt beteende i överraskande stor grad och snabbt (tobak, alkohol, distansjobb osv). Tyvärr räcker inte det inför de stora miljöutmaningarna att en majoritet börjar rucka på sina konsumtionsvanor, utan vi behöver stora systemförändringar och modiga beslut också på högre nivå. De investeringar som behövs har ibland gått under rubriken digitalisering. Men termen digitalisering säger rätt lite om vad som egentligen förändras och hur.  Vi kan inte bara ändra på verktygen vi använder, vi måste också göra saker på nya sätt och framför allt göra helt nya saker.

En viktig del av detta är utnyttjande av artificiell intelligens (AI). Med det avser jag maskininlärning av olika slag. Rätt använd kan den öka effektiviteten dramatiskt. Till exempel kan man med hjälp av "digitala tvillingar" undersöka också mycket komplexa system (som till exempel klimatet). Genom att använda maskininlärning, testa och optimera kan man hitta effektivare lösningar och tillvägagångssätt. I slutändan kräver detta ändå data av god kvalitet. Det vill säga god, planerad och långsiktig datahantering. Data måste vara dokumenterade. Det gäller inte bara forskning, utan alla data, om man vill använda dem för att utveckla en verksamhet.

Det händer rätt mycket kring "AI" politiskt just nu. Det verkar i själva verket ha blivit något av följande trendterm efter "digitalisering". Det blir också allt tydligare att måste känna och förstå data och dess begränsningar. Man måste bedöma risker och gå igenom värderingar, målsättningar och prioriteter. Det har man också identifierat inom EU, där man arbetar med att ta fram ett regelverk som utgår från riskbedömning utgående från grundläggande rättigheter (rättssäkerhet och etik). En utmaning är förstås att artificiell intelligens ofta i praktiken bara är ett annat ord för avancerade it-system. Gränsdragningar och definitioner är svåra och visar sig ibland i efterskott vara felaktiga eller oändamålsenliga.  De "AI-specifika" riskerna uppstår om det finns bristande mänskligt omdöme eller kontroll, särskilt i s.k. autonoma system.

Det finns ändå sannolikt många områden där man kan använda maskininlärning utan att riskera rättigheter. Dessutom kan välgjorda algoritmer effektivera processer både inom ICT och i samhället i övrigt på ett sätt som ökar produktiviteten. Men får vi syn på var och hur? Och har vi tillräckligt bra data och utbredda kompetenser för datahantering och maskininlärning så att vi kan göra riktig kvalitet?