Hvordan maskinlæring er i ferd med å endre innovasjonsspillet

Professor John Bessant ser på hvordan kunstig intelligens er i ferd med å snu opp ned på hverdagen vår.

John Bessant, professor emeritus, Universitetet i Exeter og Universitetet i Stavanger

Transformers

Noe av det vanskeligste med å være forelder er at du mister unnskyldningen for å leke med lekene til barna dine etter at de har vokst opp. Jeg savner spesielt Transformers-serien. Disse robotene ble opprinnelig utviklet på 1980-tallet og ledsaget av en TV-spin-off. De kunne utgi seg for å være vanlige kjøretøy som biler og oljetankere. Men så, i et avgjørende øyeblikk, kunne de forandre seg til godt bevæpnede kamproboter som i løpet av en ukes tid var i stand til å redde menneskeheten fra alle slags fremmede trusler.

Lekene var mesterverk innen ingeniørkunst; den underliggende historien hadde helt klart livets rett, siden det finnes en ny generasjon transformers (med tilhørende TV-show og filmer) i dag.

I sin tid var de symboler på evnen til forandring, det å kunne tilpasse seg og gjenbruke materialer for å kunne håndtere nye utfordringer. I dag har vi et mye mer kraftfullt og reelt eksempel på slik omstillingskraft i en ny generasjon maskinlæringsmodeller.

Bastioner faller

Maskinlæring har røtter tilbake i eksperimenter med «kunstig intelligens» på 1970-tallet. Den representerer en kraftfull teknologisk utviklingsbane, der ideen om å etterligne menneskelige nevrale nettverk og deres læringsevne har blitt utforsket.

Stadig oftere faller bastioner for disse modellene. Det føles som en mannsalder siden IBMs Deep Blue slo sjakkmesteren Gary Kasparov ved å bruke en brute force-tilnærming (1996).

I 2016 klarte Googles Alpha Go-modell å slå verdensmesteren Lee Se-Dol i det mye mer komplekse spillet Go. Og nyere konkurranser der maskinlæring ser ut til å ha «slått» menneskelige motstandere, inkluderer poker, som ikke bare involverer strategi, men evnen til å bløffe. Dette forutsetter at datamodellene forestiller seg hva en motstander tenker og deretter kommer opp med et avledningstrekk.

Som Jang Dae-Ik, en vitenskapsfilosof ved Seoul National University, sa til The Korea Herald etter AlphaGos seier: «Dette er en enorm hendelse i menneskelig evolusjons historie – at en maskin kan overgå intuisjonen, kreativiteten og kommunikasjonen som tidligere har vært ansett for å være menneskers territorium … Før trodde vi ikke at kunstig intelligens kunne være kreativ … Nå vet vi at den er kreativ – og at den er smartere.»

Et grunnleggende skifte

Denne utviklingen reflekterer et grunnleggende skifte i maskinlæringsapplikasjoner og -modeller. I begynnelsen brukte man modeller for å støtte opp under svært fokuserte aktiviteter. De kunne for eksempel bli brukt i data mining, der de søkte etter noe helt spesifikt.

Men nå har vi generativ kunstig intelligens, som genererer noe nytt. Dette utfordrer vår oppfatning av oss selv som de eneste som er i stand å være kreative – til å generere nye og nyttige løsninger på utfordringer.

En rask gjennomgang av den økende litteraturen om «kunstig kreativitet» viser at det er grunn til bekymring. Maskinlæringsmodeller kan nå «skape» musikk, litteratur eller visuell kunst med en kvalitet som gjør det stadig vanskeligere å oppdage dets ikke-menneskelige opphav.

For eksempel var Next Rembrandt-prosjektet et forsøk foretatt av et team av kunsthistorikere, dataforskere og ingeniører på å lære en maskin å tenke, handle og male som Rembrandt. Dokumentar-filmen om denne satsingen fremhever utfordringene og kompleksiteten ved forsøket på å produsere et nytt Rembrandt-maleri som overbeviste mange – 347 år etter malerens død!

Det finnes også en rekke nettsteder med musikk komponert av AI i stil med – og ofte vanskelig å skille fra – den originale komponistens verk.

I 2016 produserte IBMs Watson KI-motor en trailer for skrekkfilmen Morgan. Dette innebar at Watson «så på» og analyserte hundrevis av eksempler på trailere og deretter valgte scener som redaktører kunne lappe sammen til en reklamefilm. Dette kuttet ned arbeidsprosessen fra over én uke til mindre enn én dag.

ChatGPT

Dette bringer oss til ChatGPT og den sterke interessen for denne modellen. Den ble lansert av OpenAI-selskapet i november 2022 som den siste i en serie generative modeller. Den kan komme med egne svar på spørsmål. (Blant forgjengerne er DAll-E, en kraftig bildegenerator.) GPT står for Generative Pre-Trained Transformer.

ChatGPT-modellen (og tilsvarende fra Google/Alphabet, Meta og mange andre selskaper) er en maskinlæringsmodell som er trent på milliarder av fakta. Den har evnen til å utforske og analysere disse og «lære» hvordan man syntetiserer sammenhengende og troverdige svar på spørsmål stilt av et bredt publikum.

Innen to uker etter lanseringen hadde ChatGPT tiltrukket seg over en million brukere, og etterspørselen er nå så høy at det er en venteliste for å få tilgang. Folk har eksperimentert med dens evner til å lage sanger og dikt, skrive avisartikler, besvare eksamensspørsmål og til og med gå inn og bestå de foreløpige testene for folk som ønsker å kvalifisere seg som medisinsk fagpersonell i USA.

Ikke overraskende har OpenAIs børsverdi økt til rundt 29 milliarder dollar. Microsoft eier en betydelig andel i virksomheten.

Innovere innovasjon

Selve innovasjonsfeltet er et område hvor slike modeller kan få stor betydning. I en utmerket artikkel utforsker Frank Piller og hans kolleger implikasjonene for innovasjon og innovasjonsledelse. De påpeker at det allerede er en økende bruk av generative maskinlæringsmodeller innen innovasjon. Disse inkluderer søk i store datakilder for å samle informasjon rundt kundebehov, og man bruker generative modeller for å lage markedsførings- og reklametekster for nye produkter og tjenester.

De ser på hvor og hvordan slike modeller kan brukes i en typisk presentasjon av innovasjonsprosessen – den såkalte «dobbeltdiamanten» knyttet til designtenkning.

Den første fasen er fokusert på å utforske brukerbehov og potensielle muligheter. Arbeidet ender opp med et tettere fokus på utfordringer som ser lovende ut. Denne første «diamanten» er knyttet til den andre som utforsker «løsningsrommet», for deretter å fokusere på konkrete prosjekter som skal tas videre.

Det Miller og hans kolleger var interessert i, var hvordan maskinlæring kan hjelpe til med disse aktivitetene og den mulige innvirkningen kunstig intelligens (KI) kan ha på hvordan innovasjon gjennomføres – og av hvem.

Et fascinerende trekk ved forskningen deres er at de ikke bare gjør det på grunnlag av kunnskapsbasert spekulasjon, men ved å sette ChatGPT-modellen på prøve. Dette gjør de ved å gi den noen innovasjonsutfordringer å jobbe med. Etter å ha tenkt på mulighetene for nye produkter innen camping og friluftsliv, utviklet de tre spørsmål til modellen, for å se om og hvordan ny innsikt kan genereres for å hjelpe med å:

• Søke gjennom store datasett som inneholder informasjon om potensielle nye retninger og baner
• Utforske data om kundeopplevelser og søke etter ny innsikt i potensielle behov
• Bidra til å skape nye konsepter som innovasjoner kan utvikles rundt

Alt dette er typiske oppgaver som innovasjonsteam påtar seg i organisasjoner. De bruker for eksempel mye tid i den tidlige fasen til å kartlegge hva som allerede er gjort, hente inn kunnskap og bygge et bilde av mulige problem- og løsningsrom. De bruker et bredt spekter av markedsundersøkelsesverktøy, inkludert ulike former for trendanalyse. Og de jobber med en rekke kreativitetsverktøy for å generere mulige løsningsalternativer for videre arbeid.

ChatGPT bidro til innovasjonsprosessen

Det er ennå tidlig, men bruken av maskinlæringsmodellen ga forskerne ny innsikt. Et Google-søk kom opp med 299 millioner resultater av relevans for campingutstyr. Selv en liten «hær» av menneskelige forskere ville finne det vanskelig å gå gjennom alt dette! ChatGPT-modellen gjorde en god jobb med å analysere og trekke ut resultater av mulig relevans.

Videre klarte ChatGPT-modellen å generere innsikt i trender og mulige behov på grunnlag av kundeanmeldelser (en såkalt «sentimentanalyse»).

Og når det gjelder å finne potensielle løsninger, satte forskerne modellen til å komme opp med nye og nyttige ideer til nye campingprodukter. Strategien her er å gi modellen noen eksempler på typisk idedugnads- innsikt for deretter å la den lære hvordan den genererer sin egen.

Nok en gang var resultatene imponerende. Ikke bare kom den opp med plausible inkrementelle innovasjonsideer, den genererte også noen radikalt nye.

Grunn til bekymring?

Ved første øyekast kan denne typen ytelse på flere områder av innovasjonsprosessen vekke bekymring. Det har vært et tilbakeslag når det gjelder den generelle entusiasmen rundt generative maskinlæringsmodeller og de følgene de kan ha for «kreative» oppgaver i organisasjoner. Hvis maskinlæring fortsetter å bli bedre, hvor lang tid kan det ta før vi ikke lenger trenger mennesker til å jobbe med innovasjonsprosesser?

Det er mer realistisk å forestille seg en hybridmodell der KI støtter menneskelig aktivitet – for eksempel ved å bruke den til å gå gjennom enorme mengder data og trekke ut potensielt relevant informasjon. Dette er informasjon som mennesker kan jobbe med. Som forskerne konkluderer, «… ved å utvide problem- og løsningsrommene der NPD-teamene (new product development) kan operere, skaper språkmodeller en mulighet til å få tilgang til og generere større mengder kunnskap, som igjen resulterer i flere mulige koblinger av problemer og løsninger. Dette bør til syvende og sist føre til kvalitativt overlegne løsninger og høyere innovasjonsytelse.

Betyr det at vi ikke behøver å bekymre oss om at maskinene tar over menneskenes innovasjonsrolle? Ikke helt. Hvis vi ønsker å dra nytte av den kraftige hybride tilnærmingen som Frank Piller og hans kolleger peker på, må vi utvikle nye ferdigheter og praksiser for å utnytte teknologien. Vi kommer til å trenge mye innovasjonsmodellinnovasjon.

English language version of this article here!

Se også: Kunstig intelligens, forundring og forvirring