Foto: Andrea De Santis fra UnSplash

Ny teknologi endrer både lærings- og innovasjonsprosesser

Ukens gjestekronikk fra Kristian Folkman og Eilif Trondsen, Ph.D.


Jobber du med innovasjon? Med utvikling av en ny vaksine, produktutvikling eller å finne det beste annonseformatet for en kampanje?

Da vil du få behov for å skaffe deg ny kunnskap. Velger du å ta et kurs?

Eller satser du på kunnskap gjennom profesjonelle nettverk, ta i bruk store datasett, utnytte mulighetene i maskinlæring og kunstig intelligens for å nå målet?

Digitalisering gir grunnlag for ny og mer effektiv kunnskapsproduksjon.  Både arbeidslivet og høyere utdanning står foran store endringer. 

Skillet mellom læring og det å utføre arbeidsprosesser bygges ned. Digitalisering av både arbeidsliv og utdanning gjør at grensene mellom de ulike sektorene viskes ut. Nå slippes maskinene løs for å lære. De utvikler ny kunnskap basert på data som flyter i den digitale infrastrukturen.  Det vil raskt endre hvordan og hvor vi lærer og hva kunnskap er og kan brukes til. Vi tror at en viktig gevinst av maskinlæring og bruk av kunstig intelligens er muligheten for å gjøre innovasjonsprosesser mer effektive og smidige.

Vi lærer datamaskiner å lære for oss. Som mange andre prosesser kan læringsprosesser digitaliseres og automatiseres. Det er ikke nødvendigvis selve læringsprosessen som har verdi, men resultatet av den i form av kunnskap. Kunnskap som skapes automatisk og i sanntid kan «smøre» og gjøre invasjonsprosesser mer smidig. 

  1. Maskinlæring og AI kan «smøre» innovasjon. Kunnskap er drivkraften i og «smører» innovasjonsprosesser. Maskiner kan lære mer effektivt og skape sikrere kunnskap enn vi klarer med menneskelig innsats. De bearbeider og trekker ut læring fra store mengder data, ofte fra ulike kilder.  Det skjer ved en hurtig repeterende prøve- og feile prosess styrt av algoritmer. Den kan eksempelvis bestå av kontinuerlig testing og utprøving av data mot valgte arbeidshypoteser. Teknologien repeterer ikke kunnskap, men kan brukes for å finne nye mønstre og ny kunnskap fra store datasett. Kunnskapen kan gjøres umiddelbart tilgjengelig og bidra til bedre og mer smidige innovasjonsprosesser.
  2. Fra læring, via kunnskapsproduksjon til verdiskapning. En datamaskin kan enkelt programmeres til iterative testing for å finne ulike mønstre i store datasett.  Maskinlæring og AI tar oss et viktig skritt i retning vitenskapelig basert kunnskapsproduksjon og testing av arbeidshypoteser. Et konkret eksempel er A:B testing. A:B testing gjøres innen så ulike områder som testing av soft-ware, medieinnhold, justering av annonser etc. Ved å gjennomføre sanntids tester på et stort antall brukere, høster man kunnskap som igjen kan benyttes til å innovere både prosesser og produkter.  I stedet for å repetere eksisterende kunnskap, går A:B testing ut på å høste ny kunnskap gjennom repeterende tester i virkelige brukersituasjoner. Resultatene brukes for å velge bort de mindre effektive løsningene for å optimalisere ressursbruken.  Metoden knytter læring direkte til innovasjonsprosessen: kontinuerlig læring og testing gir løpende, gradvise forbedringer.  Det kan endre både hvordan vi lærer, men også bidra til å skape større forståelse for verdien av kunnskapsproduksjon som del av innovasjonsprosessen.
  3. Fra reproduksjon til syntetisering av kunnskap. Nå kan vi bruke datakraft for å skape kunnskap som har innovasjonsverdi. Her mener vi det åpner seg et nytt landskap for å kople innovasjon og læring. Ved å analysere flere sett med data, eller analyserer dem ut fra nye hypoteser, kan vi oppnå ny eller syntetisk kunnskap. Det er kunnskap der summen av eksisterende data avdekker noe mere eller noe nytt. Fremfor å gjenskape kunnskap kan maskinlæring bidra til å avdekke helt ny kunnskap som kan gjøres produktiv i forhold til innovasjon.Mye innovasjon foregår lokalt, eller i subkulturer. Data fra lokal innovasjon kan raskt fanges opp og spres globalt i faglige og sosiale nettverk. Data med høy kvalitet og relevans kan raskt omsettes til «drivstoff» for innovasjonsprosesser. Den globale utviklingen av Kovid vaksine kan tjene som eksempel. Store sett med brukerdata deles, lokale forskningsgjennombrudd spres lynraske i globale nettverk og innovasjonsprosessen fortsetter kontinuerlig for å imøtegå nye mutasjoner.
  4. Vi trenger innovasjon på læringsfeltet.  Læringsprosesser består i dag av lange verdikjeder med store svakheter og brudd i overlevering mellom de ulike aktørene. Det medfører skyhøye kostnader og ofte marginale resultater. Innovasjon på læringsfeltet har stort sett bestått i å «sette strøm» på tradisjonelle læringsmetoder. Ny teknologi kan gjøre læring til en verdiskapende driver for innovasjon. For maskinlæring, faglige nettverk og kunstig intelligens vil skape innovasjon, også i høyere utdanning. Teknologiutviklingen og høyere krav til verdiskapning med færre ressurser og mindre tid dytter utviklingen i den retningen. Kravene til nytteverdien av læring kan prioriteres høyere enn læringsprosessen i seg selv når den digitaliseres. Kravene er lettere å stille når det er maskinene som lærer for oss.  

Flaskehalsen er tilgang til nok data, datakraft og nettverk som kan akselerere resultatene globalt. Utviklingen går i riktig retning ved at mengden og kvaliteten på data som blir produsert øker eksplosivt. Data vandrer grenseløst, mellom sektorer og over både faglige og geografiske grenser. Prosesseringskraft og hurtighet øker i samme tempo. Nå er det særlig utviklingen innen Quantum Computing som trekker utviklingen I samme retning. Nye økosystemer for innovasjon gjødsles fordi det oppstår nye og mer effektive måter å utføre samarbeid og datadeling på. Innovasjon og utvikling av eksisterende og nye nettverk er like grenseløst og hurtig som veksten i datamengde og prosesseringskraft. 

Vi tror kunnskap i økende grad vil oppstår ved at læring integreres i arbeidsprosesser, gir input til innovasjon og at kravet til nytteverdi fra læringsprosessene både øker og gjøres målbare. Teknologi er ikke bare et støtteverktøy. Det kan også bli en «game changer» i høyere utdanning. Det er det behov for. Maskinlæring, kunstig intelligens, store datasett, avanserte søketeknologi og virtuelle nettverk vil drive frem endringer motivert av behovet for økt verdiskaping gjennom anvendelse av ny kunnskap. Det vil dramatisk endre hvordan læring vil se ut og skje i nær fremtid. Det vil også endre læring og kunnskapsproduksjonens rolle og betydning i forhold til innovasjonsprosessene. Det kan forhåpentligvis bidra til å finne nye og bedre svar på vår tids utfordringer og problemer.

Hva mener DU?

NB! Denne kronikken er et samarbeid mellom Eilif Trondsen og Kristian Folkman. Eilif er en av Open Innovation lab of Norway’s medlemmer som brenner for læring, innovasjon og virtuelle teknologier. Han bor i USA og er også Director Emeritus, Silicon Vikings and Strategic Business Insights.

Kristian Folkman som er seniorrådgiver i Skatteetaten (også de medlemmer i Open Innovation lab of Norway) og brenner for nye innovative måter å lære på og de ønsker seg begge tilbakemeldinger fra nettopp deg!

Eilif Trondsen
Foto fra Kjersti Hegna

Kristian Folkman

Tips oss

Har du et godt tips til en sak vi bør skrive om? Send ditt tips til post@innomag.no!
Translate »