Udviklingen bliver uforudsigelig

03.02.17   |   kl. 16:39   |   Aktuelt, Prosabladet, It-tendenser

Udviklingen bliver uforudsigelig

Deep learning-teknologier skaber så høje standarder for billed- og talegenkendelse, at det er slut med forudsigelser om udviklingen, mener fremtrædende Gartner-analytiker.

– Udviklingen af en række teknologier, som meget hurtigt vil kunne ændre hele produktionsindustrien, går så hurtigt, at konsekvenserne er uoverskuelige i øjeblikket, siger research director Alexander Linden fra analysefirmaet Gartner.

Hvis der er noget, som det store analysefirma Gartner er kendt for, er det teknologifremskrivninger om, hvordan udviklingen vil blive de næste fem til ti år.  

Derfor grænser det til det uhørte, når en af de virkeligt garvede Gartner-ansatte, den tyske forskningsleder Alexander Linden, afstår fra at komme med forudsigelser inden for det område, som har allermest potentiale til at skabe gennemgribende teknologiske samfundsændringer: en yderligere automatisering af produktionsindustrien.

Området kaldes machine learning og deep learning. Produkterne er ifølge Alexander Linden begyndt at vokse ud af algoritmer, højtydende hardware og adgang til massive datamængder i skyen i form af  sprog- og billedgenkendelse af høj kvalitet -en forudsætning for alt fra selvkørende biler til ekstremt specialiserede industrirobotter, som dog i høj grad er et resultat af temmelig gamle teknologier.

– Jeg er fascineret af, at machine learning er 90 procent gammel vin på nye tappeanlæg. Vi oplevede teknologien for ti år siden og kaldte det data mining, og det var bogstaveligt talt den samme teknologi som i dag. Den interessante del gemmer sig dog i de nye ti procent, hvor deep learning, tidligere kendt som neurale netværk, har gjort store fremskridt, siger han. 

GPU'er driver udviklingen

Ifølge Alexander Linden er det nye store datacentre med processorkraft og adgang til store datamængder,  der træner de neurale netværk, som har ført til en helt ny virkelighed.

– Det er både forbløffende og nærmest chokerende, at udviklingen af kraftfulde GPU’er som Nvidias Stark-teknologi betyder, at man lige pludselig kan udføre automatisk billedgenkendelse af bedre kvalitet, end mennesker er i stand til, og det samme gælder for talegenkendelse, konstaterer Alexander Linden. 

Fra konkret til gådefuld

Som et eksempel fremhæver tyskeren Googles teknologi på oversættelsesområdet, som er markant forbedret de seneste måneder. Eksempelvis mellem engelsk og tysk.

– Det er overraskende og et resultat af de fremskridt, der er sket med deep learning. Det går så hurtigt i øjeblikket, at jeg faktisk ikke er i stand til at forudse, hvor vi er om fem år på det område, siger Alexander Linden og fortsætter:

– Jeg vælger bevidst at karakterisere den udvikling som magi, for magi opstår, når vi ikke fuldstændigt kan forklare, hvorfor det virker så godt. Vi ved, at deep learning er tæt forbundet med det, vi kalder ikke-lineær regression. I sin inderste kerne rummer deep learning en forudsigelseskomponent ligesom alle de andre teknologier relateret til machine learning. 

Ifølge Alexander Linden er der tale om et reelt paradigmeskift, fordi der ikke er nogen matematisk teori, som siger, at for et givent problem burde deep learning fungere. 

– Vi forstår ikke, hvorfor det fungerer, men det gør det. Vi må acceptere, at der nu er teknologi, der virker, selv om vi ikke præcist ved hvordan. Det må vi gøre på samme måde, som når vi kan nyde smagen af et jordbær, selvom vi ikke er i stand til at genskabe den smagsoplevelse fuldt ud i et laboratorie, konkluderer han.

Forklaringen på den ekstreme udvikling finder Gartner-analytikeren i en relativt langsom forbedring af de grundlæggende algoritmer og især i en voldsom øgning af regnekraften.

– De sidste 20 år har optimeringen af algoritmer måske været tifold og 10.000-fold for hardware, konstaterer han.

Kommer massearbejdsløsheden?

De teknologiske effekter på samfundsudviklingen er i øjeblikket uoverskuelige, mener Alexander Linden. Han frygter et samfund, hvor automatiseringen kan skabe massearbejdsløshed.

– Hvis vi kan skabe computere med syn af nærmest overmenneskelig kvalitet, bliver alting uforudsigeligt. At vi er nået så langt, overrasker mig. Og vi kan ikke blot sige: Slap af, alting bliver godt. Vi ved, at automatiseringen vil drage nytte af forbedret billedgenkendelsesteknologi, men vi aner i øjeblikket ikke, hvor mange arbejdsløse det vil resultere i på kort og langt sigt, siger Alexander Linden. Han konstaterer, at usikkerheden øges, ikke blot af uforudsigelige teknologier, som udvikles med både forbløffende og chokerende hast, men også af resultatet af det amerikanske valg.

Så du har ikke et klart bud på, hvad udviklingen betyder for produktionsindustrien?

– Aner det ikke. Det kan gå flere veje. En god bekendt sagde til mig: Tag det roligt, de fleste interessante ting, er endnu ikke opfundet. Kig dig rundt. Elevatorer er, som de var for 30 år siden, de har ikke nogen fortryd-knap. Tænk på medicin, levealderen stiger ikke længere. Der er med andre ord så meget brug for menneskelig kreativitet. Lad os håbe, at det kunne være noget af det, som vi i fremtiden kommer til at få mere tid til. 

  • Gartner Symposium

    Gartners årlige internationale konference, som blev afholdt i Barcelona i november 2016, samlede mere end 8.000 europæiske it-professionelle. Det internationale pressekorps bestod af 38 journalister, som rapporterede til medier i Europa, Mellemøsten, Nordamerika og Asien.

PRINT

Ingen kommentarer
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%3D%3D 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 YToyOntpOjA7czoxNTA6IjxpbWcgc3JjPSIvdHlwbzNjb25mL2V4dC90b2N0b2NfY29tbWVudHMvcmVzL2Nzcy90aGVtZXMvZGVmYXVsdC9pbWcvcHJvZmlsZS5wbmciIGNsYXNzPSJ0eC10Yy11c2VycGljIHR4LXRjLXVpbWdzaXplIiB0aXRsZT0iIiAgaWQ9InR4LXRjLWN0cy1pbWctIiAvPiI7aTo5OTk5OTtzOjE1MjoiPGltZyBzcmM9Ii90eXBvM2NvbmYvZXh0L3RvY3RvY19jb21tZW50cy9yZXMvY3NzL3RoZW1lcy9kZWZhdWx0L2ltZy9wcm9maWxlZi5wbmciIGNsYXNzPSJ0eC10Yy11c2VycGljZiB0eC10Yy11aW1nc2l6ZSIgdGl0bGU9IiIgIGlkPSJ0eC10Yy1jdHMtaW1nLSIgLz4iO30%3D
Please confirm
No
Yes
Information
Ok

Ingen kommentarer

Your comment will be a reply on the following comment:
Loading preview ...
*: obligatoriske felter

Skrevet af:

Kurt Westh Nielsen

Kurt Westh Nielsen