29.5.2018
I dagens läge talas det mycket om artificiell intelligens, big data, data science och analytik, om hur dessa kommer revolutionera alla tänkbara delar av vårt samhälle. Det berättas om hur den nya teknologin kan ge avsevärda fördelar när den bemästras, men även om de orosmoln som automatisering och massanalys för med sig.
Det finns potential till både nyttigt och skadligt (jfr. Facebook). Därför är det viktigare än någonsin att vi förser oss med lämpliga verktyg för att kunna förstå dessa teknologier, för att kunna utnyttja dem själva, men även för att vi ska kunna förstå och delaktigt forma det samhälle som de i allt större grad styr. Medan artificiell intelligens och storskalig dataanalys beskriver vad dessa framsteg eftersträvar, beskriver maskininlärning hur teknologin fungerar. Det är den gemensamma nämnaren och nyckeln till att förstå hur dessa framsteg kommer till stånd, vad deras effekter kan komma bli och hur vi kan delta i utformandet av morgondagens teknologi.
Maskininlärningen utnyttjar en blandning av statistiska och algoritmiska metoder för att ”träna” modeller av verkliga fenomen med hjälp av data. Det finns alltså å ena sidan ett metodologiskt fokus som kunde inordnas under informationsteknologi eller matematik, men å andra sidan finns det en oändlig mängd tillämpningsområden där maskininlärning fungerar som ett hjälpmedel, för att analysera data eller automatisera vissa uppgifter. Det är inte fråga om bara ett nytt specialområde av informationsteknologi, utan ett ämne som är grundläggande tvärvetenskapligt.
Jag har själv använt maskininlärning i min forskning inom språkteknologi och bland annat utvecklat modeller för att kunna upptäcka och bättre förstå finanskriser, genom analys av språket i miljontals nyhetsartiklar. Jag ser intressanta möjligheter att tillämpa maskininlärning och språkteknologi inom många andra fält också, så som humaniora och socialvetenskaper. Det finns i min mening alla skäl att på bred front fokusera på maskininlärning och jag skulle gärna se detta ske i större utsträckning vid Åbo Akademi.
Vid ämnet datavetenskap introducerades detta läsår ett mindre kurspaket inom data science (dataanalytik (?) en bra term saknas på svenska), vilket är välkommet och en bra början. Maskininlärningen förtjänar dock mycket mer uppmärksamhet och resurser. Samtidigt som det görs och har gjorts spridda insatser på olika håll inom akademin, så är de svåra att finna och arbetet skulle gynnas av en klar samlingspunkt och av samarbete.
Jag började själv intressera mig för maskininlärning som ung studerande vid Åbo Akademi kring år 2006, men hittade de första kurserna jag kunde läsa först under ett utbyte i Spanien. Därefter fann jag viktigt stöd vid det lyckligtvis nära belägna Åbo universitet och via nätet. Under min tid som doktorand har jag på eget bevåg kunnat förkovra mig i maskininlärning genom forskning och internationellt utbyte, samt i en mindre mån haft möjlighet att undervisa. Jag önskar att akademins studenter och forskare i framtiden ska finna en bättre utstakad väg när de vill ge sig in på ämnet och att fler gör det. Jag hoppas se intresset för maskininlärning sprida sig tvärs över vetenskaperna.
Samuel Rönnqvist
Skribenten är filosofie doktor i datavetenskap från Åbo Akademi och forskardoktor i språkteknologi vid Åbo universitet.