Hoppa till huvudinnehåll

Symbolisk AI

De praktiska övningarna i detta kapitel är designade för att ge dig en konkret, upplevd förståelse för både styrkorna och de fundamentala svagheterna hos symbolisk, regelbaserad AI.

Övning 1: Bygg ett Expertsystem​

Syfte: Att ge en fundamental, praktisk förståelse för hur ett regelbaserat system är uppbyggt, från idé på papper till fungerande kod.

Del 1: Designa Reglerna​

  1. Arbeta i en liten grupp. Välj ett av följande snäva ämnen:
    • "Vilken film ska jag se ikväll?"
    • "Hjälp mig felsöka min cykel."
    • "Hjälp mig sortera mina sopor korrekt."
    • "Vilken kurs ska jag välja till mitt projektarbete?"
  2. Skapa ett enkelt, regelbaserat expertsystem på papper eller en whiteboard i form av ett flödesschema eller en serie OM-DÅ-regler. Systemet ska ställa frågor till användaren och leda fram till en rekommendation.
    • Exempel (Film):
      • Fråga 1: "Är du på humör för något roligt eller något seriöst?"
      • Regel: OM "roligt" SVARAS, GÅ TILL Fråga 2. OM "seriöst" SVARAS, GÅ TILL Fråga 3.
      • Fråga 2: "Vill du se en animerad film eller en komedi med skådespelare?"
      • ...och så vidare, tills systemet kan ge ett konkret filmtips.
  3. Testa ert expertsystem på en annan grupp. Fungerade det? Fanns det några situationer eller användarsvar som ert regelsystem inte kunde hantera? Justera reglerna vid behov.

Del 2: Från Papper till Python​

  1. Uppgift: Nu ska ni omvandla ert flödesschema och era regler till ett enkelt, textbaserat program i Python. Programmet ska ställa frågorna ni har skrivit och, baserat på användarens svar, skriva ut den slutgiltiga rekommendationen.
  2. Använd AI som hjälpmedel: Detta är ett perfekt tillfälle att öva på att använda en LLM som en kodningspartner. Ni kan ge den hela er logik och be den skapa ett första utkast. Prova en prompt som denna:
    • *"Hjälp mig att skriva ett Python-program. Det ska fungera som ett expertsystem för att rekommendera en film.
      1. Först ska det fråga: 'Är du på humör för något roligt eller seriöst?'.
      2. Om användaren svarar 'roligt', ska den fråga: 'Vill du se en animerad film eller en komedi med skådespelare?'.
      3. Om användaren svarar 'seriöst', ska den fråga: 'Vill du se en dokumentär eller ett drama?'. Fortsätt denna logik [klistra in resten av era regler här] och avsluta med att skriva ut en filmrekommendation."*
Reflektera

Hur väl lyckades AI:n tolka era regler? Var ni tvungna att justera koden den producerade? Gjorde processen att översätta reglerna till kod att ni upptäckte nya luckor i er ursprungliga logik?

Övning 2: Den Oskrivbara Regelboken - Hur man korsar en gata​

Syfte: Att på ett extremt konkret sätt illustrera Hubert Dreyfus poäng om att mänsklig expertis och "sunt förståelse" inte kan fångas i regler, varken på papper eller i kod.

Del 1: Skapa Regelboken​

  1. Gruppuppgift: Ge er grupp i uppgift att skriva en komplett regelbok (en serie OM-DÅ-regler) som en robot skulle behöva följa för att säkert korsa en trafikerad gata. Uppmuntra er att vara så detaljerade som möjligt.

Del 2: Hitta Luckorna (Diskussion)​

  1. En grupp i taget presenterar sina regler. Läraren och de andra grupperna agerar "djävulens advokat" och letar efter luckor, undantag och tvetydigheter.
    • "Vad händer OM det regnar och sikten är dålig?"
    • "Vad händer OM en bil blinkar höger men fortsätter rakt fram?"
    • "Vad händer OM du får ögonkontakt med en förare som vinkar åt dig att gå?"
    • "Hur kodifierar man regeln 'se självsäker ut så att bilarna stannar'?"
    • "Vad händer om en lös hund springer ut på gatan?"
Pedagogisk poäng

Ni kommer snabbt att upptäcka att antalet regler blir oändligt (den kombinatoriska explosionen) och att många regler är beroende av en intuitiv, social förståelse som är nästan omöjlig att skriva ner.

Del 3: Ett Försök till Implementering (Python)​

  1. Uppgift: Som ni märkte är det nästan omöjligt att skapa en komplett regelbok. För att känna på denna utmaning i praktiken är er sista uppgift att försöka implementera en liten del av er regelbok i Python. Välj ut 3-5 av era viktigaste regler.
  2. Använd AI som hjälpmedel: Be en LLM att hjälpa er att skapa en funktion. Ni kan behöva förenkla världen och använda variabler. Prova en prompt som denna:
    • *"Jag vill skriva en Python-funktion kan_jag_korsa_gatan. Den ska ta emot några variabler, t.ex. trafikljus_farg (kan vara 'grön', 'gul', 'röd'), bilar_kommer (kan vara True/False) och forare_vinkar (True/False). Baserat på mina regler:
      1. OM trafikljus_farg är 'grön' OCH bilar_kommer är False, returnera 'Ja, korsa gatan'.
      2. OM trafikljus_farg är 'röd', returnera 'Nej, stanna!'.
      3. OM forare_vinkar är True, returnera 'Korsa försiktigt'. Kan du skapa ett första utkast till denna funktion?"*
Reflektera

Vilka nya problem stötte ni på när ni försökte översätta era "sunt förnuft"-regler till exakt, logisk kod? Hur många fler variabler och regler skulle ni behöva lägga till för att göra programmet ens lite robust? Hur förstärker denna övning Dreyfus kritik och idén om den kombinatoriska explosionen?

Övning 3: Spel-AI Arkeologi​

Del A: Avslöja Spökena i Maskinen (Analys)​

Syfte: Att analysera och "reverse-engineera" den enkla, regelbaserade AI:n i klassiska videospel, vilket gör konceptet igenkännbart och engagerande.

Instruktioner:

  1. Titta på korta videoklipp (som läraren visar) av NPC-beteenden (Non-Player Character) från äldre spel. Exempel:
    • Goombas i Super Mario Bros. (går framåt, vänder vid ett hinder eller en kant).
    • Vakter i det första Metal Gear (patrullerar i ett fast mönster, reagerar bara på det som är i deras exakta synfält).
    • Fiender i Space Invaders (rör sig i en synkroniserad formation, flyttar sig ett steg ner när de når kanten).
  2. Uppgift: Försök i grupper att skriva ner den exakta, enkla uppsättningen regler som styr karaktärens beteende i pseudokod eller som OM-DÅ-regler.
  3. Diskutera: Varför var dessa enkla regler tillräckliga på den tiden? Hur har erfarna spelare lärt sig att utnyttja (exploit) denna förutsägbarhet? Vad säger det om bräckligheten i regelbaserade system?
Rekommenderad Läsning, Tittande & Reflektion

Källmaterial​

  • Hubert Dreyfus: Läs utvalda kapitel från What Computers Can't Do (1972). För den extra intresserade, utforska uppföljaren What Computers Still Can't Do (1992) för att se hur hans argument utvecklades.
  • Hannah Arendt: Läs utdrag från The Human Condition (eller på svenska: Vita Activa) som beskriver skillnaden mellan Labor, Work, och Action.
  • Lighthill-rapporten & Debatten: Läs en sammanfattning av Lighthill-rapporten (1973) och se sedan klipp från den efterföljande TV-debatten "The Lighthill Debate" (BBC, 1973) där AI-pionjärer som Donald Michie och John McCarthy försvarar sitt fält.

Reflektionsfrågor​

  1. Dreyfus: Dreyfus argumenterade för att mänsklig expertis är kroppslig och intuitiv. Efter att ha försökt skriva en regelbok för att korsa en gata, i vilken utsträckning håller ni med? Ge exempel från era egna liv på expertkunskap (från sport, musik, hantverk, social interaktion etc.) som ni tror är omöjlig att helt formalisera i regler.
  2. Arendt: Ge exempel på moderna jobb eller uppgifter som ni skulle klassificera som Labor, Work och Action. Vilka av dessa är mest sårbara för automatisering av AI, och varför? Vilka är minst sårbara? Vad händer med ett samhälle om möjligheterna till Action minskar?
  3. Lighthill: I debatten efter rapporten var stämningen minst sagt laddad. Varför tror ni att kritiken i Lighthill-rapporten väckte så starka känslor? Ser ni några paralleller till hur dagens AI-forskare och kritiker debatterar med varandra? Tror ni att en liknande "vinter" skulle kunna hända igen med dagens AI-hype?
Gruppdiskussion: ELIZA-effekten i Vår Tid

Syfte: Att koppla det historiska ELIZA-experimentet till moderna AI-interaktioner och utforska de psykologiska och etiska dimensionerna.

Instruktioner:

  1. Interagera med ELIZA: Testa en online-version av ELIZA (sök på "ELIZA chatbot"). Notera hur den fungerar och hur det känns att prata med den.
  2. Diskutera i grupper:
    • Även om ni vet att ELIZA bara är ett enkelt program, kände ni någon gång en tendens att tolka dess svar som förstående eller empatiska?
    • Var kan vi se "ELIZA-effekten" idag? (Tänk på chatbots för kundtjänst, digitala assistenter som Siri/Alexa, eller AI-kompanjoner som Replika).
    • Filmen Her (2013) utforskar en romantisk relation mellan en människa och ett AI-operativsystem. Är detta en oundviklig framtid, eller en varnande berättelse?
    • Joseph Weizenbaum, ELIZAs skapare, blev en av sina egna skapelses största kritiker. Han var förskräckt över hur snabbt människor anförtrodde sig åt ett program han visste var en "parodi". Varför tror ni att han reagerade så starkt? Håller ni med om hans oro?
    • Är det etiskt försvarbart av företag att designa AI-system som medvetet utnyttjar ELIZA-effekten för att skapa känslomässiga band med användare? Var går gränsen mellan ett hjälpsamt verktyg och känslomässig manipulation?