1. Hva er ny teknologi?

Med «ny teknologi» mener vi de nye formene for digitale verktøy som utgjør grunnmuren i informasjonssamfunnet.

«Den digitale tidsalderen har åpnet nye grenser for menneskelig velferd, kunnskap og utforsking, […]digitale teknologier gir nye virkemidler for å promotere, beskytte og utøve menneskerettighetene.»
FNs Generalsekretær, 2019

Teknologiutviklingen gjør at enorme mengder generell og spesiell digital informasjon nå kan samles inn, oppbevares, forvaltes og nyttiggjøres av maskiner. Ved hjelp av kunstig intelligens, kan data analyseres og benyttes av autonome systemer for beslutningsstøtte eller beslutninger. Maskinene lærer å utføre oppgaver som normalt krever menneskelig intelligens eller skjønnsutøvelse. De kan gjenkjenne mønstre, drive med erfaringsbasert læring, trekke logiske slutninger, foreta prediksjoner eller treffe beslutninger om handlinger og deretter utføre dem – digitalt eller som smart software for autonome fysiske systemer. «Ny teknologi» omfatter både teknologiske nyvinninger og velkjent teknologi brukt på en ny måte.

Selv om ny teknologi utvikles og benyttes digitalt, får de i økende grad effekter i den fysiske verden. Etter hvert som «tingenes internett» blir mer vanlig, vil konvertering fra virtuell til reell øke i omfang. Da vil også forskjellen mellom det digitale og det tinglige bli mindre tydelig.

Terminologi

Kunstig intelligens refererer til datateknologi (hardware og software) som kan imitere intelligent (menneskelig) oppførsel. Det er et paraplybegrep som omfatte mange typer maskinlæring. Algoritmer beskriver fremgangsmåten for å løse en oppgave, og kunstig intelligens gjør at software kan lære fra akkumulert data gjennom å benytte intelligente algoritmer.

Maskinlæring er en underkategori av kunstig intelligens som baserer seg på automatisert modellbygging gjennom analyse. Makskinlæring kan beskrives som et sett teknikker og verktøy som lar maskiner «tenke» ved å lage matematiske algoritmer basert på akkumulert data. Maskinlæringskapasitet innebærer at maskiner er i stand til å «lære» ny informasjon og benytte den uten å være pre-programmert til det. Her utstyres datasystemer med evne til å lære fra data uten eksplisitt programmering. Enkelte metoder er inspirert av funksjoner fra den menneskelige hjerne, nettverk, statistikk og fysikk, og maskinlæring kan identifisere skjulte og nye innsikter som ligger i datamengder av et visst omfang. For enkelte typer funksjoner forutsetter effektiv maskinlæring tilgang til store mengder data. Maskinlæring reiser derfor en rekke problemstillinger knyttet til innsamling, prosessering og vurdering av omfangsrike data.

Dyplæring er en underkategori av maskinlæring, som kan være bygget opp rundt de samme prinsippene som det nevrale nettverket i hjernen. Slike systemer tar ofte utgangspunkt i et kjent treningsdatasett som hjelper de selvlærende algoritmene å få nettverket til å utføre en oppgave. Dette forutsetter at nettverket selv kan avgjøre hva som er riktig respons for å løse oppgaven. De siste årene har gjennombrudd i dyplærling ført til at maskiner kan utføre oppgaver som ikke kan direkte programmeres, som generering eller klassifisering av bilder eller språkoversettelse. Maskinenes kapasitet til analyse og presisjon overgår etter hvert menneskelige evner. Dyplæring gjør at en algoritmemodell blir mer kapabel, men også mer komplisert. I neste omgang kan dyplæring tåkelegge innsikt i modellens indre logikk, og gjøre det umulig å vurdere eller etterprøve modellene eller dataene. Maskinene forstår mer, menneskene forstår mindre.