PODCAST: Indavlede AI-systemer er fulde af fordomme og beskidte data

Kunstig Intelligens28. januar 2022 kl. 14:14

Illustration: Ingeniøren.

I stedet for at starte fra bunden kan udviklere af AI-modeller nu hente en enorm model. Prisen er, at dens mange fejl og bias nedarves. Landstræner fortæller, hvordan han optimerer skøjterne til Danmarks OL-hold.

Henrik Heide

Podcast- og debatredaktør

Søren Rask Petersen

Skrivende og redigerende journalist

Artiklen er ældre end 30 dage

Henrik Heide

Podcast- og debatredaktør

Søren Rask Petersen

Skrivende og redigerende journalist

Transformator

Podcasten fra Teknologiens Mediehus sætter strøm til ugens største nyheder inden for teknologi, forskning og naturvidenskab og analyserer de svingninger, der på godt og ondt transformerer verden og vores samfund.

Vært: Henrik Heide

Medvirkende: Jesper Carlson, landstræner for speedskate landsholdet , Jakob Engelund Vistisen og Magnus Boye.
Abonnér på Transformator:
Følg i iTunes
Følg på Spotify

På mobilen: Søg på Transformator i din podcast-app.
På iPhone er podcast-appen indbygget. Har du en Android-telefon, kan du finde podcast-apps i Google Play. F.eks. kan du benytte denne gratis app.

I denne uges Transformator skal vi tale om indavl. Det har de fleste nok styr på, hvad er, når vi taler om mennesker og dyr. Men også AI-modeller kan være indavlede, og det gælder bl.a. Microsoft og Nvidias sprogmodel Metatron-Turing NLG, er er trænet på eksorbitante mængder data. Desværre er meget af det af tvivlsom kvalitet, og derfor er den fuld af fejl og uheldige bias. Det betyder, at alle de modeller, der baserer sig på den, også arver dens uheldige egenskaber, så de forholder sig fordomsfuldt til f.eks. muslimer, kvinder og homoseksuelle.

Snart går det løs ved vinter-OL, og Jakob Engelund Vistisen har været på besøg hos Jesper Carlson, landstræner for speedskate landsholdet, som fortæller om, hvordan de danske OL-skøjteløberes udstyr optimeres – både skøjter og dragten er altafgørende for præstationen.