Fra oppskrift til samfunnsmakt
— begrepene bak oppleggene

Oppskriften — hva KI egentlig er

Alt i denne historien begynner med en oppskrift. En algoritme er ikke noe mystisk: det er et sett med regler som følges steg for steg, slik en søkemotor følger regler for å rangere nettsider. Det overraskende er hvor langt rene regler rekker. I opplegget Det intelligente arket slår et vanlig papirark med fem IF-THEN-regler elev etter elev i bondesjakk — og klassen må plutselig diskutere hva intelligens egentlig er. Når en maskin utfører en jobb et menneske ellers måtte gjort, kaller vi det automatisering, og i mange tiår var det dette «smarte» maskiner var: regler skrevet av mennesker, fulgt til punkt og prikke.

Kunstig intelligens er dermed ikke én ting, men en samlebetegnelse — og det viktigste skillet i hele feltet går mellom systemer som følger regler noen har skrevet, og systemer som finner reglene selv. Det siste er maskinlæring: i stedet for å programmere maskinen med eksakte regler for alt, viser vi den eksempler og lar den lete etter mønstre. Det den sitter igjen med etter treningen — reglene og mønstrene den har funnet — kalles en modell. Og det modellen gjør når den møter noe nytt, er å gi en prediksjon: en kvalifisert gjetning. «Denne apen biter.» «Denne e-posten er søppelpost.» Ikke viten — gjetning, basert på det den har sett.

Allerede her ligger kimen til det største spørsmålet, det klassen møter i Hva er KI? og setter på spissen i Turing-testen: hvis en maskin gjetter godt nok, ser det ut som forståelse. Er det da forståelse? Hold fast i det spørsmålet — det kommer tilbake i hver eneste akt.

Treningen — slik lærer modellen, og slik feiler den

Hvordan lærer så maskinen? Av eksempler — og eksemplene har egne navn. Samlingen av alt materialet kalles et datasett. Delen modellen får lære av, er treningsdata; delen vi holder tilbake for å sjekke om den faktisk har lært noe, er testdata. Skillet er hele poenget: den som får prøven utlevert på forhånd, har ikke lært — bare pugget. I Snill ape, slem ape opplever elevene dette kroppslig: de studerer seksten apekort med kjent fasit, lager regler, og testes så på åtte kort de aldri har sett. Det er nøyaktig prosessen en maskinlæringsmodell gjennomgår — og samme sekvens driver Slik lærer en maskin og Lær opp en maskin.

Den vanligste jobben en slik modell gjør, er klassifisering: å sortere inndata i kategorier. Biter eller biter ikke; fisk eller søppel; glad eller trist. Ett av de eldste verktøyene for dette er beslutningstreet — en kjede av ja/nei-spørsmål som leder til et svar, som elevene bygger for hånd med ekte pasta i Pastaland.

Beslutningstrær hører til det som kalles symbolsk KI, eller «god gammeldags KI» (GOFAI — Good Old-Fashioned AI): en tilnærming der mennesker skriver reglene direkte inn i systemet, i stedet for at systemet finner dem selv. Det var denne logikken som lå til grunn for de første store KI-satsingene, fra 1950- til 1980-tallet — sjakkprogrammer og ekspertsystemer som fulgte håndskrevne hvis-så-regler. Da nevrale nettverk og dyp læring tok over som den dominerende tilnærmingen fra rundt 2012, var det nettopp fordi de kunne finne mønstrene selv, fra data, i stedet for å vente på at et menneske skrev reglene ferdig. Beslutningstrær er likevel langt fra museumsgjenstander: i moderne maskinlæring bygges de fortsatt automatisk fra data, ofte i store «skoger» av tusenvis av trær samtidig, og brukes mye på strukturerte data som tabeller og journaler — nettopp fordi de er til å forstå. Et nevralt nettverk er ofte mer treffsikkert, men også en svart boks; et beslutningstre kan du følge gren for gren og se nøyaktig hvorfor det konkluderte som det gjorde. Elevene i Pastaland opplever selv hvorfor det håndbygde treet har en grense: møter det en pastatype det aldri er bygget for, feiler det — akkurat som ekte KI-modeller gjør utenfor treningsdataene sine.

Og læring trenger ikke engang eksempler med fasit: i Forsterkningslæring lærer «agenten» veien gjennom labyrinten utelukkende av belønning og straff — prøving, feiling, justering, om igjen.

Hvor god ble modellen? Det måler vi som nøyaktighet: andelen riktige prediksjoner. Men her venter to feller som er viktigere enn tallet selv. Den første er overfitting — modellen har «pugget» treningsdataene så godt at den feiler på alt nytt, som eleven med regler som bare passer de seksten apekortene. Den andre er dypere og farligere: bias. Er treningsdataene skjeve, blir modellen skjev — punktum. En modell har aldri sett verden; den har bare sett sitt datasett. I KI for havet oppdager selv de yngste at modellen bare blir så god som eksemplene den fikk, og i Dyregjenkjenning med KI undersøker elevene hva som skjer når modellen tar feil — og hvorfor.

Synet — når maskinen ser oss

Alt fra akt 2 gjelder også når maskinen «ser». Bildegjenkjenning er mønstergjenkjenning: modellen leter etter former, farger og teksturer som skiller ett objekt fra et annet — den forstår ikke hva en hund er, den vet hvordan hunder pleier å se ut i treningsdataene. For å lære den hvor den skal se, tegner mennesker en avgrensningsboks rundt objektet: «se etter dette her». I Hvordan ser KI? utforsker elevene nettopp hva en bildemodell ser — og hva den overser.

Det mest personlige eksemplet bærer elevene i lomma. Ansiktsgjenkjenning låser opp telefonen deres hver dag, og bak den ligger et fint maskineri: et ansiktsmesh av hundrevis av punkter legges over ansiktet, forankret i nøkkelpunkter som øyekroker og nesetipp — samme teknologi som driver Snapchat-filtre og Face ID. I Slik ser KI deg bygger elevene sitt eget ansiktsfilter og ser maskineriet fra innsiden, og i Kan KI gjette følelsen din? prøver de om en modell kan «lese» følelser — og diskuterer hva det egentlig vil si at den gjetter.

Men synet krever råstoff, og råstoffet er oss. All gjenkjenning hviler på datainnsamling — bilder, videoer og spor som samles inn et sted fra. Hvem samlet dem? Med hvilken tillatelse? Og husker du bias fra akt 2: hvis ansiktene i treningsdataene ligner hverandre, fungerer systemet dårligere for alle andre. Det er her «hvordan ser maskinen?» glir over i «hvem ser maskinen dårlig?» — og vi er allerede på vei inn i akt 5.

Skaperen — generativ KI og språkmodellene

Til nå har modellene gjenkjent og sortert. Det store spranget de siste årene er at de også produserer: generativ KI lager nytt innhold — tekst, bilder, lyd, video — ut fra det den er trent på. Motoren bak tekstdelen er den store språkmodellen, trent på enorme tekstmengder, og møtepunktet for de fleste er en chatbot man skriver til. Instruksjonen du gir den, kalles en prompt — og som elevene raskt oppdager: bedre beskrivelser gir bedre svar. Det er et håndverk i seg selv.

Men husk gjetningen fra akt 1. En språkmodell vet ikke hva som er sant; den fortsetter teksten med det som er statistisk sannsynlig. Som oftest er det sannsynlige også riktig — og når det ikke er det, får vi en hallusinasjon: oppdiktet innhold servert i selvsikker, plettfri form, gjerne med oppdiktede kilder på kjøpet. I Er du smartere enn KI? møter elevene både styrken og svakheten på én gang: imponerende på noen oppgaver, pinlig feil på andre. Samme mekanikk i bildeform gir oss deepfaken — video eller lyd der noen «sier» noe de aldri har sagt. Opplegget Er dette ekte? (vgs) trener blikket for nettopp dette, og i Spiralen etterforsker elevene den mest alvorlige siden av samtale-KI: hva som kan skje når en chatbot designet for engasjement møter en sårbar tenåring.

Én ramme hører med her: elevenes egen bruk av generativ KI er regulert av de nasjonale rådene — i all hovedsak ikke på barnetrinnet, gradvis på ungdomstrinnet etter at læreren har kompetanse. Å lære om alt dette, slik oppleggene over gjør, er ikke omfattet. Oversikten står alltid oppdatert på Hva gjelder nå?

Samfunnet — makt, rettigheter og ansvar

Trekk nå linjene sammen. Modeller trenes på data om oss; data samles inn, kjøpes og selges. Da handler det ikke lenger bare om teknikk, men om personvern — retten til å kontrollere opplysninger om deg selv: hvem samler inn, til hva, og hvem får se? I Europa er den retten lovfestet i GDPR, som gir deg rett til å se, rette og slette data om deg selv. Hvor konkret dette blir, erfarer elevene i Datasett og datameglere, der de selv spiller datameglere som profilerer jevnaldrende for målrettet reklame — og kjenner ubehaget ved hvor lett det går.

Og husk igjen: modellen har bare sett sitt datasett. Når skjeve data møter virkelige beslutninger — hvem får lån, hvem blir stoppet i passkontrollen, hvem flagges som risiko — blir bias til diskriminering. Da trengs to ting systemene ofte mangler. Åpenhet: går det an å etterprøve hvordan systemet kom fram til svaret, eller er det en «black box» ingen fullt ut kan forklare? Og ansvarliggjøring: hvem står til ansvar når systemet tar feil — de som lagde det, kjøpte det eller brukte det? Det er ekte spørsmål uten fasit, og de er kjernen i EthiQuest og Teknologietikk-kortspillet, der elevene selv må forsvare KI-produktene de drømmer om å lage.

Samfunnets svar så langt heter EU AI Act — verdens første helhetlige KI-lov, som deler systemer i risikoklasser og krever transparens og menneskelig kontroll. Men lover skrives om, og det er poenget med hele akten: alt i denne historien er valgt av mennesker, og alt kan velges annerledes. Det er spørsmålet elevene på mellomtrinnet møter i Hvem bestemmer hva KI kan gjøre? — og det er kanskje den viktigste innsikten et klasserom kan gå ut av KI-undervisningen med: teknologien er ikke vær. Den er politikk.