Mens internasjonale giganter som Tesla og Google bygger stadig større og mer energikrevende datasentre for å trene sine nevrale nettverk, foregår det en stille revolusjon ved Universitetet i Agder (UiA). Sentralt i denne utviklingen står Tsetlin-maskinen – en norsk oppfinnelse som lover å gjøre kunstig intelligens (KI) både mer forståelig, mer energieffektiv og mer tilgjengelig.
Som journalister i TenkeMaskin.no følger vi utviklingen tett. Mens dype nevrale nettverk (Deep Learning) ofte beskrives som «sorte bokser» der ingen helt vet hvordan beslutningene tas, tilbyr Tsetlin-maskinen noe unikt: logikk vi mennesker faktisk kan forstå.
Hva er egentlig en Tsetlin-maskin?
For å forstå innovasjonen, må vi først se på alternativet. Tradisjonell kunstig intelligens, slik som teknologien bak ChatGPT eller Teslas selvkjørende biler, er basert på komplekse matematiske beregninger med flyttall (desimaltall). Dette krever enorm regnekraft og tusenvis av grafikkort.
Tsetlin-maskinen, utviklet av professor Ole-Christoffer Granmo ved UiA, går en helt annen vei. I stedet for tung matematikk, bruker den proposisjonslogikk. Dette er en form for logikk som baserer seg på enklere «hvis-så»-regler og bitvise operatorer (0 og 1).
«Min visjon er at dette skal gi Europa digital suverenitet.» – Ole-Christoffer Granmo til Digital Norway.
Denne tilnærmingen gjør at maskinen kan kjøre effektivt på mye enklere maskinvare, og i teorien operere tusenvis av ganger raskere enn dagens nevrale nettverk på spesifikke oppgaver.
Løsningen på «Black Box»-problemet
En av de største utfordringene med moderne KI er mangelen på forklarbarhet. Hvis en bank-algoritme avslår lånesøknaden din, eller en medisinsk AI anbefaler en operasjon, er det ofte umulig å få et nøyaktig svar på hvorfor. Algoritmene er rett og slett for komplekse til at mennesker kan ettergå dem.
Her skiller Tsetlin-maskinen seg markant ut. Fordi den er bygget på logiske regler, kan den fortelle oss nøyaktig hvilke faktorer som veide tyngst i en beslutning. Dette kalles forklarbar AI (Explainable AI - XAI).
Praktisk anvendelse i norsk politi
Et konkret eksempel på teknologien i bruk finner vi i prosjektet PrevBOT. I samarbeid med Politihøgskolen har teknologien blitt testet for å avdekke «grooming» (seksuell tilnærming til barn) i chat-logger. Datatilsynet har fulgt prosjektet gjennom sin regulatoriske sandkasse.
For politiet er det ikke nok at en maskin sier «dette er mistenkelig». De må vite hvorfor det er mistenkelig for å kunne bygge en sak. Tsetlin-maskinen kan identifisere mønstre i teksten og forklare hvilke ordkombinasjoner som utløste varselet, noe som gir uvurderlig støtte i etterforskningen uten å kompromittere rettssikkerheten.
Grønnere kunstig intelligens
Energiforbruket til KI-industrien er et økende miljøproblem. Trening av store språkmodeller krever enorme mengder strøm. Tsetlin-maskinenes arkitektur er fundamentalt annerledes og krever drastisk mindre energi.
Ifølge analyser fra Bouvet og forskningsmiljøet ved UiA, kan denne teknologien kjøres på svært enkle chiper, potensielt helt uten batteribytte i årevis for små IoT-enheter (Internet of Things). Dette åpner for avansert intelligens i alt fra pacemakere til skogbrannsensorer, uten behov for konstant tilkobling til store datasentre.
Utfordringer og veien videre
Selv om potensialet er enormt, er det viktig å ha et balansert syn. Tsetlin-maskinen er fortsatt en ung teknologi sammenlignet med nevrale nettverk, som har hatt flere tiår med global optimalisering og milliardinvesteringer fra selskaper som Google og NVIDIA.
Foreløpig viser tester at teknologien leverer svært lovende resultater på tekst og kategorisering, men nevrale nettverk er fortsatt dominerende på tunge bildebehandlingsoppgaver – selv om gapet minsker. Wikipedia-artikkelen om emnet påpeker også at signal-til-støy-forholdet kan være en utfordring når signalrommet vokser ekstremt stort, selv om algoritmen er rask.
Likevel representerer Tsetlin-maskinen et sårt tiltrengt alternativ i en verden som blir stadig mer avhengig av automatiserte beslutninger. For Norge representerer dette en mulighet til å være en eksportør av grunnleggende AI-teknologi, ikke bare en forbruker.