Hvordan AI og ML kan bidra til samfunnsnytte og bærekraft

Helse, utdanning, miljø og økonomi er bare noen få av områdene der kunstig intelligens (AI) og maskinlæring (ML) har potensial til å forandre alt. For å forbedre både menneskers og miljøets velvære kan de også brukes til å fremme sosiale goder og bærekraft. Vi skal se nærmere på de potensielle fordelene kunstig intelligens og maskinlæring kan ha for bærekraft og sosiale goder, samt hvilke problemer og muligheter de reiser.

Kunstig intelligens og maskinlæring for samfunnsnyttige formål

Ideen om «samfunnsnytte» er å forbedre samfunnet, særlig for sårbare og vanskeligstilte befolkningsgrupper. Ved å tilby kreative svar på noen av de vanskeligste problemene verden står overfor i dag, som fattigdom, sult, sykdom, ulikhet og urettferdighet, kan kunstig intelligens og maskinlæring bidra til å fremme sosiale goder. En analyse fra McKinsey Global Institute hevder at kunstig intelligens har potensial til å hjelpe hundrevis av millioner av mennesker i både industriland og utviklingsland ved å løse problemer knyttet til alle FNs mål for bærekraftig utvikling.

Noen eksempler på kunstig intelligens og maskinlæring for samfunnsnyttige formål

Helsetjenester

Kunstig intelligens og maskinlæring kan forbedre diagnostisering, behandling og forebygging av en rekke sykdommer, særlig i lavressursmiljøer. Eksempler på bruk av kunstig intelligens er påvisning av malaria ut fra blodbilder, diagnostisering av tuberkulose ut fra røntgenbilder av brystkassen, prediksjon av risiko for hjerte- og karsykdommer ut fra EKG-signaler og anbefaling av individualiserte behandlingsregimer for kreftpasienter.

Utdanning

Kunstig intelligens og maskinlæring kan bidra til å forbedre kvaliteten på utdanningen og gjøre den mer likeverdig og tilgjengelig, særlig for underprivilegerte og underrepresenterte studenter. Kunstig intelligens kan for eksempel brukes til å utforme personlige og tilpasningsdyktige læringsmiljøer, gi lærere og elever tilbakemeldinger og veiledning, oversette språk og gjenkjenne tale, samt fremme livslang læring og utvikling av ferdigheter.

Miljø

Særlig når det gjelder klimaendringer og tap av biologisk mangfold, kan kunstig intelligens og maskinlæring bidra til å overvåke, beskytte og gjenopprette miljøet. Kunstig intelligens kan for eksempel brukes til å overvåke og redusere klimagassutslipp, maksimere bruken av fornybare energikilder, identifisere og stoppe krypskyting og avskoging samt simulere og forutsi miljøsituasjoner.

Menneskerettigheter

Kunstig intelligens og maskinlæring kan støtte og forsvare menneskerettighetene, særlig for marginaliserte og undertrykte befolkningsgrupper. Kunstig intelligens har potensial til å styrke sosiale bevegelser og samfunnsengasjement, avsløre og bekjempe hatefulle ytringer og desinformasjon, lokalisere og redde ofre for menneskehandel og seksuell utnyttelse på nettet og forbedre tilgangen til rettshjelp og juridisk bistand.

Kunstig intelligens og maskinlæring for bærekraft

Bærekraft handler om å tilfredsstille dagens behov uten å sette fremtidige generasjoners evne til å tilfredsstille sine egne i fare. Kunstig intelligens og maskinlæring kan bidra til å oppnå bærekraft ved å legge til rette for en mer effektiv bruk av menneskelige ressurser og naturressurser og minimere de skadelige effektene av menneskelig aktivitet på miljø og samfunn. En analyse fra PwC hevder at kunstig intelligens kan øke det globale BNP med 5,2 billioner dollar og redusere klimagassutslippene med 4 % innen 2030.

Noen eksempler på kunstig intelligens og maskinlæring for bærekraft

Smart landbruk

Matproduksjon og -forbruk kan optimaliseres ved hjelp av kunstig intelligens og maskinlæring, særlig i lys av befolkningsøkningen og matusikkerheten. Kunstig intelligens har potensial til å forbedre mattryggheten og sporbarheten, samt forutse og unngå avlingssvikt og matsvinn. Den kan også brukes til å overvåke og kontrollere avlingenes vekst, vanning og skadedyrbekjempelse.

Smart mobilitet

Særlig i forbindelse med urbanisering og trafikk kan kunstig intelligens og maskinlæring bidra til å forbedre forflytningen av mennesker og produkter. Kunstig intelligens kan for eksempel legge til rette for delte og førerløse biler, forbedre trafikksikkerheten, senke drivstofforbruket og utslippene og optimalisere trafikkflyt, ruting og parkering.

Smart produksjon

I forbindelse med industrialisering og innovasjon kan kunstig intelligens og maskinlæring forbedre produktiviteten og kvaliteten på produksjonsprosesser og -produkter. Kunstig intelligens kan brukes til å forbedre forsyningskjeder og logistikk, automatisere og supplere menneskelig arbeidskraft, overvåke og vedlikeholde anlegg og utstyr og fremme avfallsreduksjon og sirkulær økonomi.

Smart energi

I energiomstillingen og avkarboniseringsprosessen kan kunstig intelligens og maskinlæring bidra til å øke tilbudet av og etterspørselen etter ren og fornybar energi. Kunstig intelligens kan bidra til flere oppgaver, for eksempel integrering og styring av distribuerte energiressurser, planlegging og balansering av energiproduksjon og -forbruk, oppdagelse og forebygging av energisvindel og energitap, og tilrettelegging for smarte nett og mikronett.

Potensial og utfordringer knyttet til kunstig intelligens og maskinlæring for bærekraft og samfunnsnytte

Selv om kunstig intelligens og maskinlæring har et stort potensial for bærekraft og samfunnsnytte, innebærer de også en rekke farer som vi må ta hensyn til og redusere. Blant de viktigste problemene og farene er

Data og personvern

Kunstig intelligens og maskinlæring trenger store og varierte datasett for å trene og teste modellene sine, noe som kan skape problemer med datasikkerhet, tilgjengelighet, kvalitet og tilgjengelighet. Videre kan innsamling og behandling av private og sensitive data ved hjelp av kunstig intelligens og maskinlæring krenke menneskers og gruppers rett til personvern og samtykke, noe som kan utsette dem for risiko og misbruk.

Partiskhet og rettferdighet

Kunstig intelligens og maskinlæring kan potensielt gjenspeile og forsterke skjevheter og fordommer som finnes i data, algoritmer og systemer, noe som kan føre til urettferdige og diskriminerende resultater og konsekvenser for enkelte personer og grupper, særlig vanskeligstilte og marginaliserte personer og grupper. Fraværet av åpenhet og ansvarlighet i kunstig intelligens og maskinlæring kan dessuten gjøre det vanskeligere å identifisere og rette opp skjevheter og feil.

Etikk og verdier

Målene om samfunnsnytte og bærekraft, som er basert på prinsipper som menneskeverd, autonomi, rettferdighet og solidaritet, kan bli utfordret og komme i konflikt med kunstig intelligens og maskinlæring. Videre kan kunstig intelligens og maskinlæring føre til etiske dilemmaer og avveininger mellom effektivitet og likeverd, innovasjon og regulering samt kortsiktige og langsiktige interesser.

Miljø og samfunn

Utilsiktede og skadelige effekter av kunstig intelligens og maskinlæring på miljø og samfunn kan omfatte økt ressurs- og energiforbruk, forurensning og produksjon av elektronisk avfall, tap av menneskelig arbeidskraft og kompetanse samt forstyrrelser av institusjoner og sosiale normer.

For å håndtere disse risikoene og utfordringene og utnytte kunstig intelligens og maskinlæring til det beste for samfunnet og bærekraften, er det nødvendig med en helhetlig og samarbeidsorientert tilnærming som involverer en rekke interessenter og synspunkter, inkludert forskere, utviklere, brukere, lovgivere, sivilsamfunnet og allmennheten. Blant de viktigste komponentene i denne strategien er

Bevissthet og utdanning

En større forståelse av mulighetene og begrensningene ved kunstig intelligens og maskinlæring for bærekraft og samfunnsnytte, samt de etiske og sosiale konsekvensene og pliktene, må spres blant interessenter og allmennheten. Det finnes flere måter å gjøre dette på, blant annet gjennom media, kampanjer, arrangementer og læreplaner.

Inkludering og deltakelse

For å utforme, utvikle, implementere og evaluere kunstig intelligens og maskinlæring med tanke på samfunnsnytte og bærekraft, samt for å overvåke og forvalte disse teknologiene, er det avgjørende å sikre involvering og engasjement fra et bredt spekter av representative og varierte interessenter og lokalsamfunn. For å oppnå dette kan man bruke en rekke teknikker, blant annet samskaping, konsultasjon, tilbakemelding og myndiggjøring.

Innovasjon og regulering

For å fremme sosiale goder og bærekraft må innovasjon og regulering av kunstig intelligens og maskinlæring balanseres med behovet for å koordinere og tilpasse disse teknologiene til både gjeldende og fremtidige lover og forskrifter. Det finnes en rekke verktøy, blant annet rammeverk, revisjoner, regler og insentiver, som kan brukes for å oppnå dette.

Evaluering og innvirkning

For å fremme bærekraft og fellesskapets beste er det viktig å vurdere og spore effektiviteten av kunstig intelligens og maskinlæring, samt identifisere og redusere eventuelle risikoer eller negative effekter. Indikatorer, målinger, benchmarks og effektevalueringer er noen av virkemidlene som kan brukes til dette.

Konklusjon

Målene om å øke menneskers og miljøets velferd kan oppnås gjennom bærekraft og sosiale goder, noe som muliggjøres av kunstig intelligens og maskinlæring, to potente teknologier. Kunstig intelligens og maskinlæring har potensial til å bidra til en betydelig forbedring av verdens mest presserende problemer, som fattigdom, sult, sykdom, ulikhet og urettferdighet. De kan også bidra til en mer effektiv bruk av menneskelige ressurser og naturressurser og redusere de skadelige effektene av menneskelig aktivitet på miljø og samfunn.

Data og personvern, fordommer og rettferdighet, etikk og verdier, miljø og samfunn er bare noen av de alvorlige farene og bekymringene som kunstig intelligens og maskinlæring fører med seg. Disse problemene må håndteres. Det vil kreve en omfattende og samarbeidsorientert tilnærming som involverer en rekke interessenter og synspunkter, inkludert forskere, utviklere, brukere, lovgivere, sivilsamfunnet og allmennheten, for å overvinne disse hindringene og farene og fullt ut utnytte potensialet og fordelene ved kunstig intelligens og maskinlæring til det beste for samfunnet og for bærekraft. Utdanning og bevisstgjøring, engasjement og inkludering, innovasjon og regulering, vurdering og effekt er alle viktige komponenter i denne strategien.