Carolin SolskÀr skrev en intressant sak hÀromdagen. Hon började som kock till sjöss med tillhörande sjömanstatuering pÄ armen, men sadlade om och utbildade sig inom IT.
2019 blev hon utsedd till à rets IT-kvinna. DÄ tillhörde framtiden de IT-utbildade. Nu Àr hon inte lika sÀker. SÄ hÀr skrev hon:
âNĂ€r jag gick ut universitetet för snart tio Ă„r sedan var det vĂ€ldigt lĂ€tt att se vem som hade gjort det smarta valet, och det var definitivt inte de som lĂ€ste filosofi.
Jag har en dubbelexamen inom IT och företagsekonomi, och det var den tekniska delen arbetsgivarna slogs om. Alla mina klasskompisar inom IT hade flera erbjudanden att vÀlja mellan, medan de som hade lÀst ekonomi hade det tuffare. De fick fortfarande jobb, men det var inte samma kÀnsla av att kunna vÀlja och vraka.
LÀngst ner pÄ skalan, Ätminstone som vi sÄg det, hamnade de som lÀste humaniora eller filosofi, och jag hade Àrligt talat svÄrt att förstÄ varför nÄgon ville lÀgga sÄ mÄnga Är pÄ nÄgot som verkade sÄ flummigt och osÀkert.
Tio Ă„r senare har skalan förskjutits rejĂ€lt, och i takt med att AI blir en del av nĂ€stan allt vi gör Ă€r det plötsligt humanisterna och filosoferna som Ă€r eftertraktade. Det Ă€r ju de som har trĂ€nat i Ă„ratal pĂ„ att stĂ€lla rĂ€tt frĂ„gor och resonera kring vad tekniken faktiskt borde anvĂ€ndas till.â
Hon avslutar med att hon inte vet vad som nu Àr strategiskt smart att satsa pÄ.
âKanske Ă€r det mindre viktigt att gissa rĂ€tt bransch och viktigare att vĂ„ga lĂ€gga tid pĂ„ det man Ă€r nyfiken pĂ„, Ă€ven nĂ€r det inte ser sĂ€rskilt smart ut pĂ„ pappret.â
Jag tror att hon har rÀtt, och det fick mig att tÀnka pÄ att vi överlag inte ska vara sÄ sÀkra pÄ att döma ut saker som onyttiga.
Vad ska vi ha alla bilder pÄ mat till?
Ett exempel skriver jag om i min bok, Den femte accelerationen: Bilder vi laddar upp pÄ nÀtet.
Onödigt och ointressant, sÀgs det ofta. Den senaste mÄltiden, selfies, kattbilder, semesterbilder pÄ fötter vid en strand och kaffekoppar vid solnedgÄngen.
Ointressant kanske det Àr, men inte onödigt. Faktiskt ledde det till ett Nobelprisbelönt genombrott.
Forskaren Fei-Fei Li bestÀmde sig för att lÀra datorer att se och förstÄ bilder.
DÄ, i början av 2000-talet, var datorseende en underutvecklad disciplin.
Datorerna hade svÄrt att kÀnna igen och förstÄ bilder, och de bilddatabaser som fanns var smÄ och enkla.
För att trÀna algoritmer att kÀnna igen bilder behövdes stora och mÄngsidiga datamÀngder, men nÄgra sÄdana fanns Ànnu inte.
Hon bestÀmde sig för att skapa vÀrldens största bilddatabas. Den fick namnet ImageNet.
Nu började ett massivt insamlingsarbete. Allting behövde kategoriseras. Det rÀckte inte med en kategori för hundar, utan alla tÀnkbara raser, med olika utseenden, i olika miljöer krÀvdes. Och sÄ samma sak för katter, kossor, solnedgÄngar, kaffekoppar, matrÀtter och allt annat du kan tÀnka dig.
Det blev 22 000 kategorier med nÀstan 700 olika bilder i varje kategori, totalt 15 miljoner bilder, utsorterade frÄn nÀstan en miljard bildkandidater.
Ett gigantiskt arbete â och nĂ€r det var klart ville nĂ€stan ingen anvĂ€nda databasen.
En tÀvling kanske lockar?
SÄ hon ordnade en tÀvling.
Den gick ut pÄ att fÄ algoritmer att kÀnna igen bilder. De tÀvlande fick trÀna sina algoritmer pÄ databasen och de exponerades sedan för ett antal nya bilder, som de fick i uppgift att identifiera. Algoritmen med lÀgst felprocent vann.
Första upplagan av tÀvlingen lockade inte mÄnga deltagare och resultaten var inte sÀrskilt imponerande. Inte andra Äret heller.
Fei-Fei Li hade investerat sitt liv och sin karriÀr i denna databas. Nu höll den pÄ att dö utan att ha bidragit till nÄgra framsteg alls.
Men hon bestÀmde sig för att hÄlla tÀvlingen en tredje och sista gÄng.
NÀr tÀvlingen var igÄng ringde en dag Fei-Fei Lis telefon. Det var en medarbetare. Han lÀt annorlunda. SpÀnd och entusiastisk.
âVi har gĂ„tt igenom resultaten frĂ„n Ă„rets tĂ€vling, och ett av bidragen Ă€r bara ⊠jag menar âŠâ
Han tvekade.
âVad? Vad Ă€r det?â frĂ„gade Li.
âOkej. Först och frĂ€mst, de anvĂ€nder en riktigt okonventionell algoritm. Det Ă€r ett neuralt nĂ€tverk.â Han pausade. âDen Ă€r typ ⊠urĂ„ldrig.â
âAllvarligt? Ett neuralt nĂ€tverk?â svarade Li.
âJa, men det kommer mer ⊠Fei-Fei, du kommer inte tro hur bra den hĂ€r saken presterar.â
UrÄldrigt nÀtverk och kattbilder gav Nobelpris
Denna urÄldriga algoritm var ett neuralt nÀtverk. Idén hade bakgrund i den artificiella intelligensens födelse i mitten av 1900-talet.
Ett neuralt nÀtverk Àr ett sÀtt att bygga AI som lÀr sig genom att öva pÄ mÄnga exempel.
TyvÀrr funkade det inte.
Eller hade inte funkat i sisÄdÀr sextio Är.
Till nu.
Tredje upplagan av ImageNet-tÀvlingen vanns av ett team under ledning av Geoffrey Hinton. De utklassade de andra och var det definitiva genombrottet för det vi nu kallar maskininlÀrning.
2024 vann Geoffrey Hinton Nobelpriset i fysik för den forskning som lett fram till detta ögonblick.
Hade vi inte maniskt laddat upp bilder pÄ mat, katter och kaffekoppar i solnedgÄng hade det inte varit möjligt.
Mathias Sundin
Den arge optimisten