21. June 2026
En fersk historisk gjennomgang i Teknisk Ukeblad viser hvordan de matematiske prinsippene som driver dagens mest avanserte generative KI og neuralnettverk, faktisk strekker seg over 200 år tilbake i tid. Det hele startet med beregninger av planetbaner og komplekse svingninger. Gjennom historien har det vært et markant skille: Mens akademikerne har kranglet om de teoretiske bevisene, har ingeniørene gått i gang med å bygge praktiske løsninger. Flyene var på vingene og krysset Atlanterhavet lenge før fysikerne hadde kartlagt de aerodynamiske ligningene til minste detalj.
Dette historiske spennet er høyst aktuelt i dag. Vi ser at store språkmodeller og dype neurale nettverk rulles ut i enormt tempo og leverer solid kommersiell verdi, til tross for at forskere fortsatt diskuterer det såkalte «svarte boks»-problemet – altså at vi ennå ikke fullt ut kan forklare nøyaktig hvordan modellene kommer frem til sine konklusjoner på cellenivå.
For industriselskaper som vurderer å integrere maskinlæring i produksjonslinjene, eller logistikkaktører som vil rulle ut KI-drevet ruteplanlegging, bærer denne historien med seg en klar lærdom: Å vente på fullstendig teoretisk forklart KI (Explainable AI) før man tar i bruk teknologien, er en sikker oppskrift på å bli akterutseilt av mer pragmatiske konkurrenter. Historien viser at empirisk testing, praktiske rammer og kontinuerlig justering er mer enn nok til å høste gevinster tidlig.
For finansdirektører og risikoanalytikere betyr ikke dette at man skal kaste sikkerheten over bord, men at man må skifte fokus. I stedet for å kreve en matematisk garanti for at en modell aldri vil feile, bør man etablere robuste rammeverk for monitorering, avvikshåndtering og manuelle kontrollrutiner (såkalt human-in-the-loop). Ved å akseptere en ingeniørmessig tilnærming til KI-risiko, kan innovative virksomheter kapitalisere på teknologien mens konkurrentene fortsatt sitter på gjerdet og venter på den perfekte teorien. Les hele saken hos Teknisk Ukeblad.