Lee A. Bygrave (red.) YULEX 2002 - Universitetet i Oslo
Lee A. Bygrave (red.) YULEX 2002 - Universitetet i Oslo
Lee A. Bygrave (red.) YULEX 2002 - Universitetet i Oslo
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
............................................................................<br />
Kunstig intelligens – de vennlige maskinene 77<br />
avgjørelser, selv om det i prinsippet er uriktig – den skjønnsmessige beslutningen<br />
er modellert ved et stort antall faste regler. Og hvis programmet kan<br />
hente erfaring fra en uavhengig kilde – vi kan tenke oss at det liksom «kikker<br />
over skulderen» til en menneskelig beslutningsfatter – så vil det også kunne<br />
oppdatere og raffinere sine egne regler.<br />
Nevrale nett betegner en type programmer som kan bygge opp regler ved<br />
hjelp av eksempler på denne måten. Programmet «lærer» av eksemplene, og<br />
danner selv reglene som kan bli et så komplekst system at et menneske ikke<br />
verken kan overblikke dem eller treffe avgjørelser ved hjelp av dem. Turing<br />
ville gjenkjenne sin lærende datamaskin. Og kanskje han ville hevde det også<br />
var «intelligent» ettersom man ikke ville se forskjell på avgjørelser truffet av<br />
programmet eller et menneske.<br />
Ekspertsystemer<br />
Ofte gjengis regler som en «hvis [en omstendighet foreligger] så følger [et<br />
bestemt resultat, verdi]». Dette er en forenklet form for den som er gjengitt<br />
ovenfor, hvor den vekt som tilordnes forekomsten av omstendigheten, ikke er<br />
angitt eksplisitt. Vi er vant med å bruke slike regler – i sin enkleste form kan<br />
et eksempel være «hvis en person hoster og har rennende nese, så er vedkommende<br />
forkjølet». Helt sikkert er det ikke, for årsaken kan jo for eksempel<br />
være at vedkommende er plaget av allergi – denne usikkerheten kan vi<br />
uttrykke for eksempel ved å angi en sannsynlighet for resultatet – «så er vedkommende<br />
forkjølet med 80 % sannsynlighet». Og vi kan legge til tilleggsmomenter,<br />
hvis det f eks er vinter, øker vi sannsynligheten for forkjølelse,<br />
hvis det er i pollensesongen, <strong>red</strong>userer vi det ytterligere.<br />
Det har fremstått som en mulighet å utvikle systemer som bygger på slik<br />
kunnskap. Man kunne ta kunnskapen til f eks en spesialist i øre-, nese- og<br />
halssykdommer. Vedkommende angir alle de omstendighetene han eller hun<br />
bygger på når vedkommende stiller en diagnose. Hvis dette gjøres nøyaktig<br />
nok, og er fullstendig nok, ville programmet kunne stilles til disposisjon for<br />
en allmennpraktiker, som så kunne få hjelp til vurderinger som ellers ville<br />
måtte gjøres av eksperten. Slike systemer kalles derfor ekspertsystemer.<br />
Et tidlig eksempel med en viss suksess var Ed Shortliffes program<br />
MYCIN, som var konstruert for å diagnostisere årsaken til blodinfeksjoner.<br />
Programmet stilte brukeren en serie med spørsmål om pasientens symptomer,<br />
og på dette grunnlaget anga det så sannsynlig årsak. Årsakene kunne være<br />
mange, for eksempel en bakterie som pasienten var blitt smittet av på reise i<br />
utlandet, og som brukeren (den behandlende lege) ikke hadde erfaring med