Debatt

Min beste lærer fikk meg til å drømme om å bli Mark Zuckerberg

Bilde: Pixabay

Stordata og maskinlæring er fremtiden, men vi må bruke det riktig.

Min beste lærer fikk meg til å drømme om å bli Mark Zuckerberg før Mark Zuckerberg ble Mark Zuckerberg.

«En bankmann kom i fengsel for å skrive 981,99 i stedet for 981,01,» sa han i en mattetime. Det gikk et grøss gjennom klasserommet. Ingen av oss ville bli bankmann, og dessuten var det urettferdig å sette ham i fengsel for en så liten feil.

«En liten feil?» spurte læreren min. «I matte er en feil alltid bare en feil. Hva vi mennesker synes er stort eller lite kommer an på situasjonen.»  Men klassen var fast bestemt på at å skrive 981,99 i stedet for 981,01 var en altfor liten feil til å komme i fengsel, uansett situasjon.

Til dette svarte læreren min at bankmannen hadde ikke bare gjort denne lille feilen én gang – i flere år hadde han lagt på noen ekstra cent hver gang han sendte ut en regning. De fleste bankkundene merket ikke feilen, og de som merket det, betalte regningen likevel for det kostet mer å ringe til banken og gi beskjed. For hver kunde var det en ubetydelig sum, men siden banken hadde mange kunder, ble bankmannen en rik mann.

«Hvis alle i hele Norge hadde gitt oss en krone, ville vi blitt millionærer!» konkluderte vi i friminuttet. Folk flest kastet tomflasker med panteverdi på en krone uten å tenke seg om, og derfor ville de aller fleste ikke hatt noe imot å gi oss verdier tilsvarende en krone. Problemet var å kanalisere disse verdiene til oss. Vi ville ikke komme i fengsel, så det var utelukket å bli bankmenn.

Vi tenkte og tenkte, men kom ikke frem til noen løsning, for de fleste av oss er – eller blir – ingen Mark Zuckerberg.

Smarte løsninger i USA

Byer som San Jose og Dallas eksperimenterer med intelligente trafikksystem som bruker maskinlæring til å finne gode løsninger på utfordringer knyttet til infrastruktur.  Maskinlæringsverktøy kan samle inn data fra mange forskjellige kilder, for eksempel radarbilder og sensorer som registrerer antall biler som kjører på en vei.

Disse datasettene har høy verdi, og for de fleste bilister er det uproblematisk å bli telt. Faktisk er mange mer enn villig til å gi vekk sine trafikkdata dersom det bidrar til mindre køer og tryggere trafikk.

Oslo scorer høyt på byplanlegging og miljø, men er svak på teknologi, og ender derfor på en 26. plass av totalt 180 byer.

USAs satsing på intelligente trafikksystem er en del av et mer sammensatt smart by-prosjekt. Per i dag finnes det ingen entydig definisjon av smarte byer, men ifølge representantforslaget fra stortingsrepresentantene Per Espen Stoknes, Siri Gåsemyt Staalesen og Torstein Tvedt Solberg, er smarte byer «en samlebetegnelse på innovative, IKT-baserte måter å organisere små og store deler av livet i byene på. Formålet med smarte byer er å fornye, forenkle og forbedre byene både fra innbyggernes, næringslivet og offentlig sektors perspektiv. Bruk av stordata i både byer og distrikter kan ha stor betydning for bedre ressursbruk, både med hensyn til infrastruktur, byplanlegging, mobilitet, helse og livskvalitet.»

Flere norske byer, som Oslo, Bodø og Stavanger, har smart by-prosjekter, men Oslo er den eneste av disse som er på Cities in Motion Index fra IESE Center for Globalization and Strategy.  Oslo scorer høyt på byplanlegging og miljø, men er svak på teknologi, og ender derfor på en 26. plass av totalt 180 byer.

Imidlertid er det innen utvikling av teknologi det er størst mulighet til å utvikle gode og lønnsomme prosjekt. En IDC-rapport konkluderer med at teknologi som støtter intelligente trafikksystemer og andre smart by-initiativ, vil omsette for 80 milliarder dollar globalt i løpet av 2018 og vokse til 235 milliarder dollar innen 2021.

Kan E18 Vestkorridoren bli smart?

Høyre har fått kritikk fra flere hold i forbindelse med utbygningen av E18 Vestkorridoren. Dag og Tid-journalist Jon Hustad skriver at ifølge Finansdepartementet sine modeller så gjør Miljøpartiet De Grønne rett i å prøve å stanse denne utbygningen, mens Minervas redaktør, Nils August Andresen, påpeker at i Høyres håndbok står det at partiet skal ha økt fokus på samfunnsøkonomisk lønnsomhet i veiprosjekter, men E18-utbyggingen er spektakulært ulønnsom.

Imidlertid mener tidligere leder i transport- og kommunikasjonskomiteen, Nikolai Astrup, at hovedårsakene til E18-utbygningen ikke er fanget opp av den samfunnsøkonomiske analysen. I sitt tilsvar til Andresen, skriver Astrup at E18 muliggjør en byutvikling som Oslo er helt avhengig av.

Dersom man ønsker å predikere hva som vil skje i fremtiden, er ofte det enkleste best. Dette illustreres godt med spillteori.

Dersom ikke Asker og Bærum blir fortettet, så får man en mer spredt boligvekst og mer bilbasert transport. Astrup mener det er en tydelig parallell til Bjørvika, som de fleste er enige om ble et vellykket prosjekt på tross av at det heller ikke var samfunnsøkonomisk lønnsomt ifølge konsekvensutredningene.

Astrups innvendinger samsvarer i høy grad med det Stoknes, Staalesen og Solberg skriver er formålet med smarte byer. Derfor ville det være et svært interessant smart by-prosjekt å bruke data relatert til Bjørvika, E18 og eventuelt andre utbyggingsprosjekt som har signifikante effekter som ikke fanges opp av dagens modeller, til å utvikle en mer kompleks modell som muligens kan gi prediksjoner av mer sammensatte effekter.

Men, som jeg diskuterer i neste avsnitt, så er ikke alltid en kompleks modell bedre enn en enklere modell.

Less is more

Vi matematikere får ofte høre at modellene våre er for enkle. «Dere matematikere er veldig flinke med pluss og minus, men dere ser ikke det fulle, store, komplekse bildet,» sier ikke bare samfunnsvitere, men også en del biologer og informatikere, som strengt tatt burde visst bedre.

Vel, hvis man er mest interessert i å beskrive det som allerede har skjedd, er det som regel uproblematisk å bruke detaljerte og komplekse modeller. Men dersom man ønsker å predikere hva som vil skje i fremtiden, er ofte det enkleste best. Dette illustreres godt med spillteori.

I spillteori er en strategi en modell for en mulig oppførsel blant individer som interagerer med hverandre. En enkel, men svært effektiv, strategi er tit for tat. Det finnes flere versjoner av denne strategien, men grunnideen er at et individ som følger denne strategien, vil samarbeide med andre individ som også samarbeider, men vil ellers ikke samarbeide.

Vi har enda ikke sett rekkevidden av hva analyser av stordata kan brukes til, men det er klart allerede nå at registrering av data gjør oss sårbare.

På 1980-tallet arrangerte den politiske forskeren Robert Axelrod to spillteori-turneringer, og til alles store overraskelse vant tit for tat begge. Grunnen er at de mer komplekse strategiene hadde blitt trent opp til å utkonkurrere kjente strategier, men i turneringene var det mange nye varianter og derfor vant den enkleste strategien.

Tv serien The Americans, som er fra spillteoriens storhetstid, den kalde krigen, illustrerer persontilpasning av strategier godt. For å manipulere FBI-sekretæren Martha Ann Hanson til å oppgi informasjon fra arbeidsplassen sin, inntar den russiske agenten Philip Jennings rollen som byråkraten Clark Westerfeld og overtaler den kjærlighetshungrige Martha til å gifte seg med ham. For å forføre den eventyrlystne Celia Gerard, som har forbindelser til det amerikanske forsvarsdepartementet, skaper Philip den svenske spionen Scott Birkeland.

Den amerikanske dokumentaren Putins hevn forklarer godt hvordan digitalisering og maskinlæring kan brukes til å skape persontilpasset manipulasjon i mye større skala. Imidlertid er prinsippet om treffsikkerhet det samme: Selv om Philip bruker samme metode når han utvikler rollene Clark og Scott, ville det blitt total bom dersom han kom til Martha som Scott og til Celia som Clark.

I dette tilfellet ville det ha vært bedre å gjøre det enklere – droppe utkledning, parykk, sminke og fargede kontaktlinser og komme i egen figur.

Stordata i hybridkrigens tidsalder

Matematikerens, altså min egen, barndomsdrøm om å kunne sluse inn store mengder ubetydelige verdier er mer oppnåelig i dag. De fleste av oss er villige til å oppgi noe data for å få gratis Facebook-konto eller mer intelligente transportsystemer og smartere byer.

Men som både Cambridge Analytica-skandalen og Russlands aggressive hybridkrig på nettet har vist, er det slett ikke all bruk av stordata som tjener samfunnet.

Dokumentaren Putins hevn forteller om hvordan Russland bruker feilinformasjon aktivt i krigføringen sin. Det er anslått at Putin har en hærskare av dataeksperter som trakasserer, truer og manipulerer informasjon, og nå som metodene er godt kjent, vil de bli tatt i bruk av stadig flere aktører.

Vi har enda ikke sett rekkevidden av hva analyser av stordata kan brukes til, men det er klart allerede nå at registrering av data gjør oss sårbare.

Stordata og maskinlæring er fremtiden. Datainnsamling kan brukes til å gi oss bedre infrastruktur, byplanlegging, mobilitet og helse, og modellene kan bli bedre og mer persontilpasset jo mer informasjon vi oppgir.

Derfor bør vi absolutt ikke melde oss av, men heller prøve å finne en balanse hvor både sikkerhet og behovet for modernisering ivaretas.

Bli abonnent

Da får du tilgang til alle artikler. Det tar under ett minutt.

Prøv i en måned for 1,-
Allerede abonnent? Logg inn

Fra forsiden