Hur skaffar vi kunskap? – Kunskapsblogg del 2

I förra bloggen pratade jag om vad kunskap är och att den förmodligen är något mer än bara information i en databas. Den kräver också något slags tänkande som innebär att kunskaperna används, tolkas och delas på olika sätt.

Just tänkande sysselsätter AI-forskarna en hel del. Man försöker på olika sätt imitera det mänskliga tänkandet. Men eftersom våra kunskaper till stora delar handlar om sådant vi kan och förstår, verkar det relevant att se hur vi skapar sådan kunskap.

Läs del 1 av Jonas kunskapsserie här.

Induktiv kunskap

Ett sätt att göra det på är att se vilka delar kunskap består av. För att exempelvis kunna baka kanelbullar verkar det krävas vissa grundkunskaper, som att kunna läsa recept och ta fram ingredienser. Man måste också kunna mäta upp dem i rätt mängd och blanda dem i lämplig ordning. Man måste veta hur man knådar en deg och sen kunna grädda bullarna med rätt storlek och i rätt tid i ugnen.

Precis som när ni gör en processkartläggning på jobbet skulle man kunna bryta ner varje sådan kunskap i mindre delar, till olika handlingar och moment som måste göras i en viss ordning och under en viss tid. När man så att säga nått botten och inte kommer vidare har man därefter en lång lista på moment, som går att sätta samman igen så att det bli kanelbullsbakning av det hela.

Men granuleringen kan i princip gå hur långt som helst, ner till minsta fingerrörelse och vinkel. Så denna omvända, induktiva metod fungerar bara när man vill robotisera en handling som är ytterst begränsad och kortvarig. För mer komplexa kunskaper är den väldigt omständlig och kräver extremt noggranna instruktioner och en närmast perfekt och felfri värld. Så fort något är annorlunda fallerar metoden och det blir inga kanelbullar.

Exemplet är kanske något sökt. När vi människor lär oss baka kanelbullar gör vi det ju genom att pröva oss fram, få instruktioner och läsa recept. Vi bygger upp våra kunskaper induktivt till hela delar. Idag sysslar därför många AI-forskare med att försöka återskapa induktivt lärande. Utmaningarna är dock att mänskliga kunskaper kräver extremt mycket induktion innan de blir något som liknar kanelbullar.

Deduktiv kunskap

Därför försöker man också arbeta från andra hållet och tillämpa deduktiva metoder. Det betyder att man sätter upp ett antal regler för hur man bakar kanelbullar, hur reglerna kan kombineras och inom vilka ramar. På så vis kan man få fram ett system som både kan baka kanelbullar, rågbullar och skorpor.

Deduktion innebär att man gör slutledningar från givna premisser. Om A är längre än B och B är längre än C kan man dra slutsatsen (eller deducera) att A är längre än C.

Metoden är användbar inom många områden. Ett praktiskt exempel på detta är robotgräsklippare. De kan klippa allt inom ett visst område tack vare att det finns ett antal regler för var den ska klippa och regler för hur den ska klippa. Man skulle kunna tänka sig att den resonerar så här:

”Nu är jag inom mitt område. Jag har inte klippt här den senaste veckan. Det finns gräs som är tillräckligt långt. Alltså klipper jag.”

Tyvärr tenderar dagens robotgräsklippare att klippa även sådant som inte är gräs, exempelvis stenar och igelkottar. Men beror det på fel i reglerna eller kanske snarare på brister i perceptionen?

Empirisk kunskap

Empirisk kunskap är sådan vi får via våra sinnen och är kopplad till hur vi upplever vår omvärld. Praktiska kunskaper och förståelse, som vi pratade om i förra delen, är ju i hög grad sådana. Empirisk kunskap kallas därför ibland för erfarenhetskunskap.

Vi ser, hör, känner, smakar och luktar med våra sinnen. Ett finare ord för det är perception. Det är i sig ett stort och komplext forskningsområde som skulle kunna bli en egen bloggserie. Modern forskning har nämligen visat att vår perception är en ytterst komplex mekanism och att vi förmodligen har fler sinnen än vi trodde.

Perception handlar också om hur vi kan sätta samman våra förnimmelser till komplexa upplevelser. Helheten är faktiskt ibland större än summan av sina delar, vilket vi kan se när våra sinnen tolkar optiska illusioner eller rorschachtest. Då ser vi saker som inte finns, vilket en AI förmodligen skulle finna ytterst märkligt!

Ett annat problem är att du och jag kan uppleva en situation på liknande sätt, med närmast identiska sinnesförnimmelser, men göra helt olika tolkningar. Detta för att vi sätter samman sinnesintrycken till upplevelser. Som när vi smakar på lakrits, ser en grön- och svartrandig tröja, doftar på en ros eller lyssnar på folkmusik. Vi upplever dem väldigt olika.

Med sinnenas hjälp skapar vi empirisk kunskap och vi använder oss av både induktion och deduktion. Olika erfarenheter adderas till kunskaper och blir till livsregler, som vi använder för att navigera i våra liv.

Ett tränat öga kan då se att en cykel är trafikfarlig, utan att behöva göra någon närmare undersökning. Eller kan avgöra om hallonet är moget eller maskätet, utan att behöva fundera närmare.

För att en AI ska kunna skaffa sådan kunskap måste den som vi hämta in information från någon slags sinnen, om just den här situationen, och jämföra med både tidigare situationer och de regler den är försedd med.

En AI skulle exempelvis kunna studera cykeln för att upptäcka lösa ekrar eller trasiga däck. Den skulle kunna göra ett bromstest, försöka snurra hjulen och se efter så att ringklockan och belysningen fungerar.

Svårare blir det med hallonet. För hur ska en AI kunna veta att det är moget? Möjligen kan man tänka sig att färgen kan vara till hjälp. Man skulle kanske också kunna ha sensorer för olika signalsubstanser, kanske etengas, som vid en viss nivå signalerar att hallonet är moget.

Men vad innebär det egentligen att cykeln är ”trafikfarlig” eller att hallonet är ”moget”?

Vaghet och porositet

Ett problem för en AI blir att mänskliga begrepp, tänkande och kunnande inte är enkla att bestämma. De är fyllda med felaktiga och otillräckliga slutsatser, de innehåller underliga värderingar och propåer, de utgår ifrån oss själva och våra egensinniga motiv och begär.

Vårt språk är därför väldigt oprecist och man måste inte bara förstå orden utan även klara av att hantera alla osäkerheter som finns inbyggda. En sådan är vaghet. Hur många träd måste det finnas för att dungen ska kunna kallas ”skog”? Hur måste en cykel vara för att kunna kallas ”trafiksäker”? Hur moget måste ett hallon vara för att kunna kallas för ”moget”? Är det hallonets färg, konsistens eller smak som ska avgöra – eller kombinationen? Och hur menar vi då?

En annan utmaning för just språkförståelse är porositet, som handlar om när det är rätt att använda ett ord och inte. Vad ska vi kalla en stol som saknar ryggstöd och bara har tre ben – är det en stol eller pall? Vad kallar vi ett svart eller orange hallon? Vad kallar vi en battericykel utan trampor?

När är hallonet moget för dig?

Ytterligare en svårighet för en AI är våra personliga åsikter och preferenser. För även om en AI vet att det är ett hallon och inte ett björnbär eller hjortron och dessutom kan avgöra att det är moget, så vet den ju inte om det är rätt mogenhet för dig. Du kanske gillar mer omogna än övermogna hallon? Du kanske gillar röda hallon snarare än vitgula? Du kanske inte vill ha dem för mjuka? Och du kanske bara gillar hallon på sommaren?

För att en AI ska kunna hitta sådana hallon som du gillar måste den förmodligen ha någon form av mänsklig hallonförståelse. Men den kommer att utgå från sina data och algoritmer. Hur ska den kunna fylla på med tillräcklig information för att uppfylla våra kunskapskrav? Måste den kunna smaka på hallonet som vi gör? Behöver den kunna känna doften av sommar för att förstå begreppet ”hallon” så som du menar? Och hur kan den tillskansa sig sådana kunskaper?

Sättet vi skaffar kunskap på är alltså nära sammanhängande med våra sinnen och vårt sätt att tänka. Den kunskap vi har om vår omvärld och varandra är just mänsklig. När vi pratar om att kunna kommunicera med en AI så återstår därför en hel del arbete med att tänka ut hur vi ska kunna få en AI att förstå vårt sätt att skaffa kunskaper och uppleva världen!

Läs del 1 av Jonas kunskapsserie här.