Ansvarsfullt användande av artificiell intelligens

Data kan enligt olika definitioner vara

• en samling separata värden som förmedlar information och beskriver mängd, kvalitet, fakta, statistik, andra grundläggande betydelseenheter eller helt enkelt symbolserier som kan tolkas vidare (Wikipedia, översättning)
• information som produceras eller lagras av en dator (Britannica Dictionary)
• fakta, såsom mätningar eller statistik som används som grund för slutledning, diskussion eller beräkning (Merriam-Webster Dictionary).

Vid databehandling är algoritm i praktiken samma sak som ett recept vid matlagning: anvisningen enligt vilken råvaror, data i databehandlingen, behandlas.

Enligt olika definitioner kan algoritmen vara

• En uppsättning matematiska anvisningar eller föreskrifter som, särskilt om de ges till en dator, hjälper till att beräkna ett svar på ett problem (Cambridge Dictionary)
• ett systemiskt förfarande som i ett begränsat antal steg ger svar på en fråga eller en lösning på ett problem (Encyclopaedia Britannica)
• en detaljerad beskrivning eller anvisning om hur uppgiften eller processen ska utföras eller som man kan följa upp för att lösa ett visst problem. (Wikipedia, översättning)

Observera att algoritm inte är ett tekniskt begrepp, utan kan hänvisa till något visst systematiskt sätt att behandla information så att behandlingen leder till en viss produkt eller funktion. I detta sammanhang talar vi dock bara om algoritmer som ett kritiskt element i den digitala databehandlingen.

Som begrepp hänvisar inte automatiskt beslutsfattande direkt till någon viss teknik eller databehandlingsmetod, utan under den finns två huvudklasser:

• Regelbaserad automatisering där beslut genereras från standarddata enligt låsta behandlingsekvationer. En automatisk skattedeklaration kan till exempel representera regelbaserad automatisering. Tillämpningsområden och användningsfall begränsade och pragmatiska.
• Automatisering som grundar sig på artificiell intelligens, det vill säga system som fungerar självständigt. Algoritmiska system som utbildats med sådana undervisningsdata har förmåga att behandla material av olika karaktär och producera till exempel analyser, prognoser eller lägesbilder av dem i olika presentationsformer. Det finns många möjliga tillämpningsområden och användningsfall och de är svåra att avgränsa och förutsäga.

Artificiell intelligens är inte en viss metod för databehandling. Därför har det varit särskilt svårt att hitta en definition som tillfredsställer alla. Detta har till exempel försvårat utarbetandet av EU:s förordning om artificiell intelligens, eftersom definitionen av kärnbegreppet i utkastet till förordning har fått mycket motstridig kritik av aktörerna inom branschen.

Några centrala definitioner:

• En digital dators eller en datorstyrd robots förmåga att utföra uppdrag som vanligen kopplas till intelligenta varelser. Termen används ofta i projekt där man utvecklar system som kännetecknas av intelligenta processer som är karakteristiska för människan, såsom förmågan att rationalisera, hitta betydelser, generalisera eller lära sig av tidigare erfarenheter (Encyclopaedia Britannica)
• Alla program som i viss mån fungerar autonomt och som producerar utdata enligt de uppgifter som människan har fastställt och definierat. Utdata kan till exempel vara innehåll, prognoser, rekommendationer eller beslut som påverkar den miljö som programvaran eller enheten interagerar med (Algoritmisk diskriminering och främjande av jämlikhet, på finskaÖppnas i ett nytt fönster.).

Även i dessa definitioner finns det redan skillnader i både avgränsningen och valet av kärnegenskaper, men i huvuddrag definieras artificiell intelligens enligt

• förmåga att utföra funktioner som anses kräva människans intelligens
• förmåga till självständig, autonom verksamhet
• förmåga att interagera med signaler och data från miljön och anpassa sin verksamhet enligt dessa i förhållande till systemets tidigare verksamhet och resultat (systemets förmåga att lära sig)
• strävan efter att uppnå det mål och den avkastning som människan har ställt upp för systemet på ett sätt som optimerar resultaten av uppnåendet av målet.

Maskininlärning (machine learning) är en väsentlig metod för artificiell intelligens och datavetenskap. Utan maskininlärning skulle vi knappast ha de databehandlingssystem som vi i dag i vardagsspråket kallar artificiell intelligens.

Maskininlärning definieras i viss mån olika, till exempel:

• Maskininlärning är ett delområde inom artificiell intelligens som fokuserar på att bygga upp system som lär sig eller förbättrar sin prestationsförmåga utifrån informationen som den använder. (Oracle)
• Maskininlärning är ett delområde inom artificiell intelligens vars syfte är att få programvaran att fungera ännu bättre utifrån basinformationen och en eventuell användares verksamhet. (Wikipedia, översättning)

Maskininlärning innebär inte att systemet självständigt lär sig och utvecklas allt bättre och effektivare i det det lärt sig att göra. Maskininlärningssystemen lär sig när de lärs ut i ett visst syfte. De måste också lära sig mer eller lära sig på nytt för att hållas uppdaterade i en föränderlig miljö. Dessutom bör systemen testas noggrant innan de tas i bruk.

Djupinlärning är ett delområde inom maskininlärning. Just tack vare utvecklingen av djupinlärningen kan de nya autonoma algoritmiska systemen kombinera olika data- och materialtyper och generera nya resultat. Djupinlärningen grundar sig på så kallade neuronnät, som imiterar grunderna för människohjärnans funktion.

Djupinlärning är en metod inom artificiell intelligens där man lär datorer hantera data på ett sätt som inspireras av människohjärnan. Med hjälp av djupinlärningsmetoder kan man automatisera uppgifter som i allmänhet kräver mänsklig intelligens, såsom att producera beskrivningsinformation om bildmaterial eller omvandla en ljudfil till text.

– Amazon Web Services (AWS)

Neuronnät är datatekniska strukturer som möjliggör djupinlärning och som imiterar människohjärnans funktion och strukturer med neuroner och synapser.

Neuronnät är en metod inom artificiell intelligens där man lär datorer hantera data på ett sätt som liknar människohjärnan. Det skapar ett anpassningsbart system med hjälp av vilket datorerna kan lära sig av sina misstag och utvecklas kontinuerligt. På så sätt strävar konstgjorda neuronnät efter att lösa komplicerade problem, såsom komprimering av dokument eller ansiktsigenkänning ännu noggrannare än tidigare.

– Amazon Web Services (AWS)

Konsekvensetiken grundar sig på påståendet att följderna av gärningar är viktigare än deras formella syfte. Huruvida en enskild gärning är god eller ond avgörs endast av hurdana konsekvenser den har.

Konsekvensetiskt tänkande har förekommit ofta i historien, men under den moderna tiden har det representerats av utilitarism, det vill säga nyttoetik. Dess principer och mål utformades av den engelska filosofen och juristen Jeremy Bentham och vidareutvecklades av den engelska filosofen och ekonomen John Stuart Mill.

Mätaren för rätt och fel är den största möjliga lyckan för största möjliga antal människor.

– Sammanfattning av grundprincipen för Benthams utilitarism

Uppgiften för ett etiskt starkt samhälle är alltså att producera så stor välfärd som möjligt för så många som möjligt, och detta har varit en central princip i de flesta moderna demokratier i västvärlden.

Utilitarismens sårbarhet är att den inte ger verktyg för att lösa konflikter som beror på skillnader mellan människor, grupper och situationer. Om vi till exempel beslutar att främja allmän lycka genom att öka säkerheten och därför placerar brottslingar i fängelse på lättare grunder kommer vi samtidigt att öka kostnaderna för vår gemensamma plånbok. Det kan i sin tur leda till att basservicen försämras och den allmänna välfärden minskar.

Å andra sidan förföljs det konsekvensetiska tänkandet av en välfärdsdiktatur för majoriteten: om vi optimerar största möjliga välfärd för så många som möjligt, vad händer med dem som inte ingår i denna majoritet?

Till exempel kan religioners etiska och moraliska befallningar ses som tidiga former av skyldighets- eller regeletik, det vill säga deontologisk etik. Numera grundar sig regeletik i mycket hög grad på den tyske filosofen Immanuel Kants tänkande.

Till skillnad från konsekvensetik anses en gärning i deontologisk etik moraliskt bra på grund av någon egenskap i själva gärningen, inte på grund av att resultatet av gärningen är bra. Man antar alltså att det finns universella värderingar och regler enligt vilka man alltid måste handla, oavsett omständigheter och konsekvenser. Sådan etik kännetecknas av uttryck som "skyldighet för skyldighetens skull" eller "godhet är sin egen lön".

Kant trodde på människans egen förmåga att förstå moraliskt riktiga och obligatoriska handlingar genom att använda förnuftet i stället för de moralregler som fastställts av en högre makt. Han trodde också att ett sådant "rationellt moraliskt" och självmedvetet tänkande och agerande med tiden skulle leda till demokrati och världsfred.

Från Kants mycket argumenterande filosofi, som ofta är svår att öppna, har ett slagord förts till vår tid, som är känt som ett kategoriskt imperativ. Enligt den är gärningen moraliskt bra om man kan hoppas att den princip som ligger till grund för handlingen är en allmängiltig lag som förpliktar alla.

Enligt kritikerna av Kants etik är det i praktiken omöjligt att formulera regler som alltid ska följas och försöken leder oftast till styva och tomma order som ges uppifrån. Vissa anser att Kants etik också är en känslokall konstruktion som förbiser individens inre upplevelsevärld.

I västvärlden har dygdetik förekommit särskilt i de antika grekiska filosofernas tänkande. Det har dock fortfarande en särskilt stor roll i östasiatiska kulturer: Kina, Korea och Japan.

I dygdetiken står människan själv i centrum, men inte direkt som förverkligare av något etiskt kodsystem, utan som en individ som strävar efter att utvecklas moraliskt och dygdmässigt. Som om människan skulle förädlas till en högre nivå som människa. Hennes personlighet är föremål för etisk tillväxt.

De flesta dygdetiska teorier har inspirerats av Aristoteles. Enligt Aristoteles är en dygdig människa en person med idealiska karaktärsdrag. En person är till exempel dygdig om hen är vänlig i många situationer under hela sitt liv på grund av att det är hans eller hennes karaktär och inte för att hen medvetet vill maximera fördelarna eller få tjänster, eller helt enkelt göra sin skyldighet.

I de dygdetiska teorierna strävar man inte i första hand efter att identifiera allmängiltiga principer som kan tillämpas i vilken moralisk situation som helst. De dygdetiska teorierna behandlar mer omfattande frågor, såsom "hur borde just jag leva?" eller "vad är ett bra liv?”

I en etik som baserar sig på en sådan persons personlighet är en organisk eller hierarkisk världsbild mest logisk: för att samhället ska kunna upprätthålla sig självt måste olika människor agera i olika roller och om människor inte agerar rätt i sina roller kan samhället inte upprätthålla sig självt.

Dygdetik har kritiserats bland annat för svårigheten med samhällelig tillämpning från den tids- och platsspecifika kopplingen till varje kulturs egna värderingar, svagheten i konfliktlösningen samt för att dess utgångsantagande om varje individs permanenta, tydliga karaktärsdrag kan vara fundamentalt felaktigt.