Yleinen 
I diskussionen om lärandets framtid är artificiell intelligens den kanske just nu hetaste potatisen. Den förknippas med många slags hot, men den kan också erbjuda intressanta möjligheter för lärande. Hur kan artificiell intelligens utnyttjas som stöd för lärande och utbildning? I det här avsnittet fördjupar vi oss i artificiell intelligens och lärandets framtid tillsammans med Hedais grundare och kognitionsvetare Harri Ketamo och Haaga-Helias överlärare Lili Aunimo. Projektledare Hanna Nordlund är moderator för podcasten.
Podcastens språk är finska.
Lyssna på avsnittet:
Textalternativ till avsnittet
Hanna Nordlund:
Välkommen till podden för projektet Digivision 2030, som fördjupar sig i hurdan framtid för lärande vi för närvarande bygger i Finland. Jag heter Hanna Nordlund och med mig har jag olika expertgäster. Det är här Oppimisen seuraava luku.
(Musik)
Hanna Nordlund:
Välkommen till det femte och för säsongen sista avsnittet av podcasten Oppimisen seuraava luku. Idag diskuterar vi artificiell intelligens och hur lärande kan stödjas nu och i framtiden med hjälp av AI. Här är jag tillsammans med Haaga-Helias överlärare, datavetare och filosofie doktor Lili Aunimo samt Hedais grundare, kognitionsvetare och filosofie doktor Harri Ketamo. Det är fantastiskt att ni kunde vara mina gäster. Varmt välkomna.
Harri Ketamo:
Tack.
Lili Aunimo:
Tack.
Hanna Nordlund:
Lili, du undervisar främst i dataanalysmetoder och utveckling av applikationer för artificiell intelligens. Tycker du att det är lätt att motivera studenter i detta ämne?
Lili Aunimo:
Tja, det är faktiskt verkligt lätt att få dem motiverade. De är redan mycket motiverade när de kommer till kurserna. Vi har ofta färre kurser i dessa ämnen än det skulle finnas studenter, och när artificiell intelligens lovar en sådan förbättring av produktiviteten inom många områden är det naturligtvis av intresse för studenter. Å andra sidan är dataanalys intressant, för med denna digitalisering har vi så mycket mer data om allting, och det skulle vara bra att använda den i affärsverksamheter.
Hanna Nordlund:
Välkommen också Harri. I 20 år har du arbetat med FN, UNESCO och toppuniversitet i Europa och USA. Hur blev du ursprungligen intresserad av detta ämne?
Harri Ketamo:
Tja, jag kan inte nämna någon enskild sak, men i början blev denna typ av beräkningsmodellering av beteende intressant genom sport, och genom det, faktiskt, datorspelens non-player character, det vill säga att styra datorn som en modell av karaktärernas realistiska beteende. Naturligtvis involverade min egen idrottsbakgrund i det hur man modellerar beteende. Så småningom kom språket in i det. Hur kan algoritmer göras som vet hur man strukturerar språk som en människa. Och bredare kan man kanske säga metodiska neuroberäkningar. Dessa växte alla ihop lite. Så när jag tog min magisterexamen började denna nuvarande riktning eller helhet ta sin form.
Hanna Nordlund:
Vi kommer att behandla ett riktigt intressant ämne idag. Hur ser du, Lili, ur lärarens synvinkel, att hur väl kan vi utnyttja artificiell intelligens i utbildningen idag?
Lili Aunimo:
Jag anser att det verkligen finns en hel del skillnader just på det sättet att vi nog utnyttjar artificiell intelligens i undervisningen. Lärarna utnyttjar det, eleverna utnyttjar det och även på organisationsnivå utnyttjar man det. Men sedan om man ser på enskilda elever och lärare är det ganska stor skillnad. Vi har dessa typiska tidiga teknikadoptörer i ena änden, och de är vanligtvis bara datavetenskapsstudenter på Haaga-Helia och även lärare inom samma område. Då kommer naturligtvis studenter och lärare i mindre datavetenskapliga ämnen kanske att vara i andra änden av spektrumet. Men naturligtvis är detta bara en grov generalisering. Men vi har redan ganska mycket i bruk på alla de tre nivåer som jag nämnde. Organisationen, studenter och lärare använder sig nog av artificiell intelligens dagligen.
Hanna Nordlund:
Med andra ord är vi redan igång, och nu med ChatGPT har frågor relaterade till artificiell intelligens förmodligen stigit till nya nivåer även i kaffebordsdiskussioner, och ämnet har också diskuterats i högskolor. Hur anser du, Harri, hurdana möjligheter kommer artificiell intelligens att medföra för lärosäten och högskolor i framtiden?
Harri Ketamo:
Ja, ankomsten av ChatGPT har varit lite av en bredare öppning för en konversation som faktiskt har en vansinnigt lång historia. 50 år räcker inte för hur länge olika teman gällande beräkningsintelligens förts in. Om vi betraktar alla adaptiva inlärningslösningar från 80- och 90-talet är de relaterade. Men vi är i ett tidigt skede i den meningen att vi hittills kanske har lekt mer med att göra bra precisa algoritmer för specifika problem som studerats under lång tid, men nu möjliggör den ökade datorkraften helt nya infallsvinklar. En sak att alltid komma ihåg här är att när vi gör vetenskap kan vi inte göra random saker eller svarta lådor. På ett sätt är historien om kejsarens nya kläder ännu äldre än 50 år, och det måste man alltid ha i åtanke.
Hanna Nordlund:
Vad tror du, Lili, om framtiden, vilka möjligheter kommer AI att innebära för den enskilda lärande individen i framtiden?
Lili Aunimo:
Tja, väldigt många möjligheter, och det finns faktiskt sådana som redan i bruk, men till exempel nu när de lärande redan har möjlighet att till exempel dra nytta av ChatGPT så kan de generera programkod, våra datavetenskapsstudenter. Och så finns det redan färdiga kommentarer i koden, och detta är något som vi redan gör i kurserna. Man behöver inte alltid be läraren om hjälp om hur programkoden ska se ut, utan när du vet hur du frågar korrekt får du de färdiga koderna därifrån. I framtiden kan studenterna också ha färdiga bedömningsverktyg till sitt förfogande. De kunde få en utvärdering av resultaten av sitt mjukvaruutvecklingsprojekt, både beträffande koden men beträffande dokumentationen. Och naturligtvis kunde man även gällande avhandlingar få en färdig bedömning, som då skulle vara en bedömning skapad av artificiell intelligens. Sådan här mellanfeedback kunde erhållas ganska bekvämt 24 timmar om dygnet även i mitten av sommaren, även på midsommar, om det behövs. En annan sak är också skräddarsydda inlärningsvägar och hur man hittar de kurser och evenemang som passar ens eget mål. Eftersom vi har mycket bra material och bra innehåll att erbjuda och bra evenemang relaterade till olika yrken, skulle det också finnas många möjligheter i att lyckas kommunicera det till rätt studenter vid rätt tidpunkt. Även att studenterna kunde nätverka med varandra. Vi skulle hitta de studenter som är intresserade av samma ämnen, som är i samma studiestadium i det ögonblicket, så det kan också hjälpa till att skapa kamratstöd och öka sparringen bland studenterna. Artificiell intelligens skulle ha en roll att spela även här. Naturligtvis finns det mycket data när man arbetar i digitala miljöer. All denna data kan sedan analyseras och maskininlärningsmetoder kan användas för att producera prediktiva modeller, och studenterna kan då faktiskt förbättra sitt sätt att studera baserat på resultaten av denna inlärningsanalys och till exempel förbättra sina nätverk. Möjligheterna är oändliga nu när vi studerar i en digital miljö och data ackumuleras därav. Dessa var några exempel till att börja med.
Hanna Nordlund:
Tack. Mycket bra och konkreta exempel. Faktum är att till exempel just dessa individuella inlärningsvägar och mer flexibelt lärande, som du tog upp, också är kärnan i Digivision-projektet. Så det här är ett riktigt viktigt ämne. Vi har redan sagt här att det finns många möjligheter och i framtiden kan artificiell intelligens användas för att hjälpa oss i många saker, men låt oss också prata om den andra sidan ett ögonblick. Europaparlamentet har till exempel uttalat att artificiell intelligens kan användas för att påverka och vägleda människor, till exempel i köpbeslut, data kan samlas in och användas på oetiska sätt, och till exempel i konkurrenshänseende kan det uppstå en situation där de företag som har bättre resurser att samla in data och utnyttja den kan få riktigt stora konkurrensfördelar. Sedan har det också påpekats att den nuvarande bristen på reglering ses som ett stort problem. Vad tror du, Harri, just om dessa hot i ett lärandesammanhang, borde man vara orolig?
Harri Ketamo:
Låt oss börja med ett snabbt svar. Det borde man. Låt oss sedan komma till frågan om vad vi ska vara oroliga för. Vi kan till exempel utgå från det faktum att det inte har funnits någon exakt reglering kring AI i sig. Men vi har så att säga haft en mängd olika lagar som skyddar privatlivet. GDPR var till exempel ett lysande förtydligande som gjorde att gråzonen gällande data minskade kraftigt. Och å andra sidan, gällande etiken, så har vi etik som disciplin. Skulle den kunna vara 3 000 år gammal. Vi har ryggstöd att luta oss mot när vi går framåt, men nu kommer en på sätt och vis nödvändig regleringsdebatt, och jag simplifierar nu grovt. Experter kan sedan kommentera till exempel på Twitter. Men denna debatt kretsar kring förordningen att EU:s AI Act syftar till att begränsa metoder som kan vara skadliga för människor. Metoder, användningsområden som kanske är skadliga för människan. Den amerikanska AI Bill of Rights, å andra sidan, antar att såväl algoritmer som dataset ska vara verifierbara, utvärderingsbara. Man måste kunna göra något åt dem. Transparency, explainability är kanske de mest beskrivande orden. Naturligtvis är de på den europeiska sidan. Sedan kanske den tredje huvudpoängen. Jag vet inte namnet. I Kina utgår man från att AI inte får göra uttalanden som är oönskade. Men gällande dessa skulle jag säga att det inte finns någon absolut sanning. Samma sak gäller Europas tillvägagångssätt, applikationer som möjligen är skadliga för människor, hur vet vi det. Och hur vet vi om något som inte är skadligt för människan bokar något åt dig. Applikationen kan trots allt inte boka något oväntat. Å andra sidan, tillvägagångssättet i USA, vem validerar, med vilka kvalifikationer, hur mycket. Det vill säga, det finns ingen tydlig linje här. I den meningen skulle jag säga att det kanske är en överdrift att göra detta till en AI-sak, för det här är frågan om våra allmänna livsstilar, europeiska, amerikanska, kinesiska kulturella saker. men vi har verktyg. Så låt oss bara gå tillbaka till det faktum att vi har en lång lagstiftning inom vetenskapen, en lång tradition av publicering av och forskning inom klassisk etik. Vi måste arbeta. Denna debatt om huruvida utvecklingen bör stoppas i X månader är i sig, i all sin popularitet, en bra väckarklocka, men den fråga vi bör ställa oss är bara att vi förmodligen inte kommer att bli av med det faktum att denna transparency, explainability-dimension är absolut nödvändig. Då blir den andra parten medveten om hur applikationer kan användas för gott och ont. Det finns anledning till oro här, men att stoppa huvudet i sanden och förbjuda allt för säkerhets skull kommer inte att leda till något bra.
Hanna Nordlund:
Så kan man säga att man borde vara orolig och vaksam?
Harri Ketamo:
Nå, det är en bra sammanfattning.
Hanna Nordlund:
Lili, vill du fortsätta med detta tema och kanske utveckla det lite ur just högskoleperspektivet? Vad tycker du, vad borde man uppmärksamma i dessa frågor just nu?
Lili Aunimo:
Där håller jag med Harri om att man verkligen behöver vara vaksam, och just explainable AI, det vill säga artificiell intelligens som kan förklaras, spelar verkligen en väldigt viktig roll, inte minst på högskolor. Om vi använder artificiell intelligens i vägledning, utvärdering och också i datainsamling, då måste ett krav på den artificiella intelligensen vara att man kan se hurdant dess resonemang är och vilka datakällor det bygger resultaten på. Man måste också ha en förståelse för hur AI fungerar. Det kan inte vara en svart låda, utan till exempel vid investeringar måste man kräva öppen källkod. Att det är känt vilka algoritmer som använts där. Vidare kan man använda även förklarande algoritmer när det är möjligt. Man behöver inte alltid gå in för den mest kraftfulla och beräkningsbetungande algoritmen för djupinlärning, även om den vore den mest exakta i den situationen. Istället kan man använda en så kallad white box-algoritm, som redan i sig är förklarande, och den kan ge lite sämre resultat, men man vet vad beslutet och resonemanget bygger på. Naturligtvis finns också sådana situationer där man efter modellen också kan göra en förklaring till den. Med andra ord kan man till exempel använda djupinlärningsalgoritmer, men då måste man bara lägga förklaringen ovanpå den med vissa metoder. Och detta är verkligen ett viktigt krav när vi gör dessa investeringar. Och jag fortsätter ännu med att säga att jag också anser, liksom Harri, att det verkligen är viktigt att utnyttja möjligheterna med artificiell intelligens också i utbildningen, eftersom studenterna i arbetslivet kommer att få dra nytta av möjligheterna med artificiell intelligens just tack vare löftet om produktivitet. Men naturligtvis är högskolan den plats där vi kan uppmärksamma etiska frågor, eftersom det är en del av vår natur. Däremot kan vi inte anta att företag skulle göra det åt oss eftersom de har andra mål än vi. Jag anser nog att vi på högskolorna verkligen behöver vara vaksamma och göra denna reflektion.
Hanna Nordlund:
I studion verkar det som om Harri vill säga något om denna punkt.
Harri Ketamo:
Jag kunde förhållandevis starkt motsätta mig kravet på öppen källkod. Vi vet att öppen källkod är ett enkelt ord att säga, att det är säkert då. Men är det. Om vi tar hänsyn till de största säkerhetsriskerna på senare tid, som har ärvts i system, till exempel, har de alla simmat in genom öppen källkod. Öppen källkod är ett strategiskt val, men det kräver att koden läses noggrant. Det finns väldigt många olika loggers som simmar in eller öppnar portar utåt. Data kan läcka ut. Jag berättar nu om hotbilder. Naturligtvis vet lyssnaren nu att vi är en entreprenör inom området, och vi å vår sida gör inte öppen källkod, utan en produkt, men då är vi ansvariga för produkterna och vet vad som händer. Till exempel, genom att använda slumpmässiga komponenter med öppen källkod vet ingen i slutändan var dessa data ligger, men genom att använda operatörer som kan tillhandahålla sin tjänst för validering, vad det än betyder, övergår det ansvaret sedan till tjänsteleverantören igen, att data finns precis där de utlovas vara. Och den tredje dimensionen. Vi pratar om öppen källkod och vi glömmer den största faktorn av alla, språkmodellerna. För närvarande är den språkmodell som vi utvärderar, om vi nu talar i ChatGPT-termer, helt avgörande för vilka avvikelser som existerar, hur det förvrängs. Prova till exempel att fråga versionen baserad på ChatGPT-3 något om Rysslands anfallskrig mot Ukraina. Ganska många saker svänger den om eftersom det är dolt. Fyran klarar sig bättre, men nog är den också ganska försiktig. Och när vi tutar ut sådana här saker i etern mer än någonsin, då finns en riktigt stor risk att vi kommer att göra hela vår nästa inlärningsdata partisk.
Hanna Nordlund:
Ja. Här kommer några intressanta perspektiv. Vill du fortfarande kommentera om detta, Lili, innan du går vidare?
Lili Aunimo:
Jo ja, definitivt vill jag kommentera. Harri hade utan vidare bra poänger där. Men jag skulle försvara dessa program med öppen källkod så mycket att upphandling naturligtvis kräver expertis. Så ingen slumpmässig öppen kod, det stöder inte jag heller, som Harri även sa där. Med andra ord behöver man verkligen veta vad programvaran har ätit och vad den består av, och det kräver naturligtvis expertis. Men jag kan se att universiteten har ganska bra kompetens inom datavetenskap, och då bör vi bara få med rätt personer i upphandlingen och se över den kod som införskaffas. Jag ser också att det gör det möjligt att förvärva dessa tjänster från olika leverantörer mer flexibelt om man har öppna gränssnitt, och inte hamna in någon typ av leverantörslås eller vendor lock så lätt. Plus att man kan utveckla eller prova något nytt i programkoden på egen hand, om det behövs. Och när det gäller språkmodeller håller jag med om att det är väldigt viktigt vilka språkmodeller som används. EU har ju nu även ett initiativ, där till exempel de språkmodeller som utvecklats i Europa kan hittas. Naturligtvis, när man använder dessa applikationer, bör man också titta på vilken språkmodell som används, hur och av vem den är gjord och så vidare. Men man måste vara vaksam. Vi är helt överens med Harri om att allt detta kräver arbete och vaksamhet.
Hanna Nordlund:
Ja. Precis, vaksamhet. Från era svar tog jag just upp det faktum att man behöver veta vad du upphandlar och å andra sidan måste du förstå vilka aktörer som ligger bakom de olika lösningarna, och på så sätt också titta på aktörernas ansvar. Det här är några riktigt bra poänger. Dessa är förmodligen också ganska stora utmaningar i den meningen att vi alla känner till krångligheterna i upphandlingsprocesser och just att när man upphandlar måste man veta vad man gör. Senare blir det mycket svårare att fixa. Här kom vi faktiskt bra in på det ämne som jag ville prata med er om härnäst. Data spelar en riktigt stor roll i utvecklingen av artificiell intelligens. Det är känt att kvaliteten på data spelar en stor roll i hur AI fungerar. Precis som ni påpekade kan olika förvrängningar i datan leda till riktigt dåliga resultat. Säg Harri, vad vet vi på basen av forskning om just denna fråga? Datakvalitet, olika förvrängningar. Vad vet vi om det just nu?
Harri Ketamo:
Låt oss hålla oss till GPT-temat, eftersom det nu är relevant och bekant för alla. På ett sätt, när vi bygger en språkmodell, spelar de data som språkmodellen bygger på en avgörande roll. Fast nu då, om vi gör en språkmodell baserad på Wikipedia, som är en vanlig lösning, och GPT-3 och -4 bygger på mycket mer omfattande material, halva internet är medkastat. Men om man tänker på den Wikipedia-baserade språkmodellen, så representerar den verkligen ganska bra synen på samhället som har skrivit den. Vi kan kurera ut saker därifrån, men då vet vi att Wikipedior översätts direkt från ett språk till ett annat och deras kulturella manifestationer kan innehålla några överraskande drag. Om man till exempel jämför översatta sidor om fotboll med genuina sidor från Wikipedia ser de väldigt annorlunda ut. Det vill säga på ett sätt kan du själv göra en snabb kontroll för att se hur det påverkar. För att inte tala om på vilken grund vi tar bort något. I tidigare versioner av GPT, till exempel, hade alla saker om andra världskriget tagits bort för säkerhets skull. På ett visst sätt kan den här typen av avgränsningar som görs av någon av någon anledning, säkert med goda avsikter, i hög grad förhindra att ett tema blir ett diskussionsämne. Eller vem tycker helt på riktigt att man egentligen inte borde prata om folkmord. Om de sopas under mattan i språkmodellerna dyker de inte upp där nu, och då vet vi att nästa språkmodell, som kräver tio gånger så mycket data, av vilka 80 procent förmodligen har genererats med den tidigare GPT, hur kommer den att skevas ännu mer. Samma fenomen upprepas överallt i vår omgivning. Det är inte ett AI-problem. Det är ett mycket större problem. Om vi tar detta klassiska rekryteringsexempel, att företaget gjorde en deep learning-modell om vem som ska rekryteras som chef baserat på tidigare rekryteringar. Det kommer förmodligen inte att överraska någon vad maskinen rekommenderade där, och detta är inte AI:s fel. Detta är en riktig designblunder som visar på designerns fullständiga oförmåga att förstå algoritmer eller data.
Lili Aunimo:
Ja. Naturligtvis bör vi också oroa oss för vilken typ av debattsättare AI kommer att vara från och med nu. Till exempel, om våra lärare nu börjar generera källor, får ett nytt ämne att undervisa och sedan frågar GPT vad som ingår i detta ämne och vilka källor som ska inkluderas, så får man naturligtvis några bra förslag därifrån, men då är kritiskt tänkande det som stiger till ett riktigt stort värde för läraren. Jag undrar om detta är allt som behöver sägas om detta ämne och om detta nu överbetonar ett visst område. Det vill säga det faktum att läraren fortfarande tittar på rekommendationerna från flera olika källor och sedan reflekterar lite på grundval av sin egen utbildning också, att vad som verkligen är viktigt i detta ämne och vad det skulle vara bra att lära studenterna nu. Med andra ord, det tänkandet kan inte outsourcas till artificiell intelligens, utan människor måste fortfarande tänka själva.
Hanna Nordlund:
Det var utmärkt bra sagt, och på ett visst sätt återspeglar hur snabbt vi kommer från artificiell intelligens till de mycket grundläggande frågorna om högre utbildning. Hur är det med Harri, vill du fortfarande…
Harri Ketamo:
Tja, jag skulle faktiskt fortsätta med att säga att det där är kärnan i saken, att vad som är lärande och vad som är tankeutveckling eller conceptual change. Jag kan inte komma på en bra översättning för det nu. Vad är lärande, hur händer det, vad är kunskapskonstruktion. Och nu faktiskt, när vi har den här diskussionen om huruvida ChatGPT ska förbjudas eller inte, har jag en bestämd ståndpunkt: absolut inte. Men vi måste börja ifrågasätta vad detta lärande är, om det är på högskole-, universitetsnivå och vilken typ av utveckling av tänkande det ska leda till. Detta är kärnan. Förutom kritiskt tänkande behöver vi alltid en bra allmän utbildning. Jag skulle säga att värdet av en bred och bra allmänbildning är ännu större än tidigare. Kritiskt tänkande, bred allmän utbildning höjer värdet.
Hanna Nordlund:
Vi finländare är ingalunda ensamma entusiastiska och intresserade av att utnyttja artificiell intelligens, utan det är ett stort fenomen överallt just nu. Låt oss prata ett ögonblick om hurdana goda exempel det finns i världen just nu, som ni tycker kanske borde granskas närmare också i Finland och till och med även genomföras här.
Lili Aunimo:
Det första som jag kommer att tänka på är att till exempel i USA har Purdue University under ganska lång tid faktiskt haft ett Signal-system i bruk, vilket automatiskt skickar ett meddelande till studenter när det baserat på dess inlärningsanalys märker att en student verkar släntra efter. Med andra ord, redan i början av kursen kan studenten få ett automatiskt meddelande på sin telefon att, hej, det skulle vara bra att göra sådana och sådana saker, för att uppnå bra resultat, inlärningsresultat från denna kurs. Med andra ord skulle denna automatisering användas för att vägleda och ge råd till studenter. Dessa är relaterade till artificiell intelligens på ett sådant sätt att de ofta har gjorts med hjälp av prediktiva modeller. Detta är inte särskilt nytt i sig, och det har använts redan en tid. Sedan finns det andra exempel. I Sverige diskuterade jag för ett tag sedan, där det finns en grupp lärosäten eller ett konsortium som faktiskt har implementerat den här typen av chatbot i studievägledningen, och de har gjort det tillsammans. Med andra ord har IT-enheterna där gjort en gemensam upphandling och tänkt på detta. Det verkade vara en praktisk och intressant lösning, och kunde hjälpa till i studiehandledarens arbete, att studiehandledaren inte skulle vara så belastad särskilt i början av terminerna när det finns många frågor. Naturligtvis finns det många praktiska frågor att lösa, men men det är i alla fall ett bra case där man har löst saker och det är också nära Finland. När jag pratar med utländska kollegor kommer det också upp då och då att de även använder artificiell intelligens i viss utsträckning för att övervaka tentor och se till att tentamen eller någon uppsats görs av studenterna själva. I den digitala världen måste vi naturligtvis också utveckla lite nya metoder för denna övervakning, eftersom man inte längre hela tiden nödvändigtvis är under lärarens vakande öga. Andra verkar även ha mer av dem i bruk, dessa proctoring systems, och artificiell intelligens används också där.
Hanna Nordlund:
Där hade vi redan ett antal goda exempel. Hur är det med Harri, vad skulle du vilja ta upp från världen?
Harri Ketamo:
Jag skulle ta upp en över hundra år gammal tradition av adaptivt lärande. Så den grundläggande mekaniken för adaptivt lärande, att man mäter vad studenten kan nu, jämför det med målen för tillfället och ger sedan rekommendationer om vad studenten ska läsa eller göra. Detta är mer en mer än hundra år gammal referensram. Den har utvecklats i många generationer, från regelbaserade maskiner till sådana som utnyttjar olika ontologier. Vart tionde år blir detta adaptiva lärande alltid en trend. Nu är vi i en intressant situation, för vi har något nytt för första gången på länge. Till exempel har vi gjort en uppsättning algoritmer vid namn Kompas, det finns också en språkmodell i bakgrunden, som syftar till att bedöma en persons nuvarande kompetenser. Inte så att de mäts, utan från olika dokument, till exempel avslutade kurser, som backtrackas till kursbeskrivningen, får man de kompetenser som borde erhållas. Samtidigt inser vi naturligtvis att det med betyget ett kanske inte finns all information och att det med betyget fem förmodligen finns mer, men bättre än ingenting. Nåväl, nu när vi har ackumulerat vad studenten kan, då kan vi jämföra sistaårsstudenternas kompetensackumulering med kompetensackumuleringen inom hans eller hennes område på arbetsmarknaden. När vi normaliserar språket, nu har vi inte tillräckligt med tid för en föreläsning om ämnet, men att normalisera språket, det vill säga att samma ord betyder samma saker. När vi normaliserar kan vi jämföra var gapet mellan arbetsmarknadens behov och kompetensuppbyggnaden finns och sedan ge fler rekommendationer. Under det senaste året, slutför dessa kurser, då kommer du att vara närmare. Det vill säga den här typen av rekommendationer på makronivå. De gamla adaptive learning-applikationerna utgick nästan alla ifrån att vidta korrigera åtgärder inom kursen, men nu på finns denna sorts rekommendationer, där man går utanför kursen. Nu är den stora bilden, som jag tycker är nästa intressanta sak, European Data Spaces i Europa. Med andra ord är målet att få data att röra sig mellan olika silor och specifikt i precis rätt proportion. Så bara vi kunde komma vidare med det. Ett av dessa data spaces är Data Space for Skills. När vi kan göra framsteg i detta och få data att faktiskt cirkulera mellan utbildningsinstitutioner, såsom rekryteringsföretag, deras arbetsgivare, olika statliga aktörer, även om det nu är mellan anställda och utbildningsministerier, och över hela Europa, inte bara i Finland, då kommer vi att kunna börja ge ganska intressanta rekommendationer om kompetens såväl som regionala utbudsoptimeringar. För det kan mycket väl vara så att vi nu har en viss efterfrågan i Finland, som det finns svar på i Frankrike, och då kommer vi inte längre att vara beroende av om vi kan rekrytera en lärare till en viss plats, om vi istället kan rekommendera kurser. När allt kommer omkring vill vi i Europa gå mot att bli mer kompatibla, och detta är inte bara en fråga om examensutbildning, utan framför allt en fråga om kontinuerligt lärande. Vid vilken tidpunkt behöver en maskiningenjörsexamen uppgraderas, eftersom vi till exempel går från kardandrivna bilar till elmotorer. Detta har sina egna konsekvenser, och kan simuleras i förväg och människor kan redan i dag få rekommendationer om detta. Det finns faktiskt lösningar för detta, som redan nu finns i användning i Europa. Som ett exempel kan jag berätta att även om vi har en sådan kombination gällande Metropolias ansvar, att om man ansvarar för en arbetsansökan inom byggbranschen med en viss kompetensprofil, kan du rekommenderas kurser från Metropolia för att avancera i din karriär i riktning mot ditt eget mål. Dessa är redan vanliga, och det är därför detta dataområde ger en ny multiplikator till att kunna börja göra detta på europeisk basis, förhoppningsvis mycket snabbt.
Hanna Nordlund:
Även i Digivision har vi ofta talat om lärarnas kompetens och att behovet av kontinuerligt lärande naturligtvis är relaterat till lärare, precis som till alla andra yrken. Den snabba teknikutvecklingen, det ständigt ökande antalet möjligheter som tekniken medför och å andra sidan nya verktyg innebär att nya saker måste tas kontroll över. Här har vi i dag diskuterat ännu en sådan sak. För de lärare som nu börjar kallsvettas i och med den artificiella intelligensen, ännu en stor sak som skapar många möjligheter, men som man också måste vara vaksam med med och ta kontroll över, så vilken typ av uppmuntrande ord skulle ni ha för lärare i detta avseende?
Lili Aunimo:
Tja, om jag börjar. Jag skulle säga att det är värt att prova i praktiken och börja med någon enstaka liten sak per termin. Om du till exempel inte har skapat ett ChatGPT-konto ännu, börjar du med att skapa ett konto där och försöker till exempel ge dina egna kursuppgifter till ChatGPT och se hur den skulle utföra dem. Det kan vara något att utgå ifrån och sedan bara dela erfarenheter med kollegor. Och eftersom vi också har många möjligheter för lärare i Haaga-Helia nu relaterade till denna artificiella intelligens och dess användning i undervisningen, är det naturligtvis värt att aktivt delta i dem också.
Hanna Nordlund:
Harri, hurdana är dina uppmuntrande ord?
Harri Ketamo:
Möjligheterna är stora, men jag skulle utgå ännu mer från grunderna. Alla som inte gjort det ännu, gör ditt eget kompetens-CV som olika kompetenser. Och jag skulle hävda att varje lärare som har en universitetsexamen, det vill säga grunderna i statistik, grunderna för att bedriva forskning, innehar väldigt mycket material som faktiskt är hundra procent samma färdigheter som den artificiella intelligensen resonemang grundar sig på. Tja, det går helt hand i hand med statistiskt resonemang. Bara lite fler variabler. Lite fler. Om man skulle göra det på rutigt papper skulle det behövas ett par lastbilar med papper. Men inget principer förändras alltså. Så bara man får detta klart för sig. Förutsättningen är att faktiskt varje enskild AI kan återställas till IF-logiker eller transistorlogiker, så på ett sätt måste du ha detta i åtanke. Varje lärare har en fruktansvärt bra grund, om man bara tänker på vilka färdigheter man redan har inom detta område. Efter det, låt oss gå tillbaka till vad det är man saknar, och sedan ta ett steg i taget. Men det viktigaste är att förstå att ingen lärare är helt ute gällande detta, eftersom man inte kan kvalificera sig som lärare utan att utföra vissa kritiska grundvalar. Det skulle vara min utgångspunkt. Ni har kunskapen, nu ska vi bara göra det.
Hanna Nordlund:
Kunskapen finns och prova modigt, det vore alltså era tips. Tack Lili och Harri, för detta besök. Jag kunde ha pratat med er om vad som helst ännu. Men kanske skulle jag dra ihop den här diskussionen på ett sådant sätt att när Harri du sa att det här är något som har funnits väldigt länge, nu, senast vid denna tidpunkt, har det stigit till ett mycket brett medvetande. Stora möjligheter, men samtidigt måste man vara vaksam, att upprätthålla kritiskt tänkande, för att förstå vad man gör när man börjar arbeta med artificiell intelligens. Jag vill avsluta med Lilis briljanta idé om att vi aldrig kan outsourca tänkandet. Det här var det sista avsnitt av Oppimisen seuraava luku för den här gången, men naturligtvis kan diskussionen alltid fortsätta om detta och andra ämnen relaterade till framtidens lärande med hashtaggen Digivisio2030. Jag heter Hanna Nordlund och det här var Oppimisen seuraava luku.