Michelucci arbejder i krydsfeltet mellem human computation, kollektiv intelligens og citizen science. For ham er citizen science ikke blot en måde at indsamle data på, men en afgørende metode til at bringe menneskelig intelligens i spil, når kunstig intelligens kommer til kort.
"Human computation handler om, hvordan vi kan kombinere de komplementære styrker hos mennesker og maskiner for at skabe problemløsningssystemer, der er mere kapable end mennesker eller maskiner alene", forklarer han.
”Credo: First use no humans”
Selvom Michelucci er en pioner inden for citizen science, arbejder han efter det, han kalder en slags “human computation-ed”. Første princip er at undgå at bruge menneskers tid, hvis opgaven kan løses på andre måder.
“Hvis en opgave kan automatiseres og håndteres bedre af en maskine, bør den gøre det. Vi bør kun bede mennesker bruge deres tid, når deres bidrag virkelig gør en forskel”, siger han.
Mennesker bør i stedet aktiveres der, hvor vi har unikke styrker, eksempelvis i forhold til abstraktion og kreativitet. Han nævner som eksempel en blikkenslager, der ved at se en video om at fjerne en vinprop fra en flaske, fik idéen til et nyt redskab til at hjælpe fastklemte babyer under fødsler. En sådan evne til at se mønstre på tværs af vidt forskellige domæner er noget, AI stadig kæmper med.
Kan man stole på data?
En udbredt skepsis blandt forskere er, om man kan stole på data indsamlet af borgere. Her er Micheluccis svar klart: Ja, hvis man designer systemet rigtigt.
I projektet Stall Catchers, der fokuserer på Alzheimers-forskning, bruger forskerne såkaldte konsensusmetoder, hvor mange frivillige analyserer det samme datapunkt. Ved at kombinere deres svar har forskerne vist, at deltagernes samlede vurdering kan nå op på ekspertniveau.
"Vi sætter barren meget højt. I nogle tilfælde tester vi, om deltagernes samlede vurdering ligger lige så tæt på eksperternes vurdering, som eksperterne ligger på hinanden", forklarer Michelucci.
Ved hjælp af avancerede algoritmer har forskerne desuden reduceret antallet af nødvendige vurderinger fra omkring 20 personer til blot 4-5 pr. datapunkt og stadig bevaret samme præcision som en ekspert.
Potentialet på SDU og i Danmark
Under sit besøg har Michelucci bidt mærke i SDU’s tilgang, som han ser som en gylden middelvej mellem den amerikanske tradition for crowdsourcing og den europæiske tradition for co-creation. Han ser universitetscentre som afgørende bindeled, der kobler domæneforskere med metoder til borgerinddragelse.
"Nogle gange er citizen science den eneste måde at opnå et resultat på. Hvis forskerne ikke ved, at muligheden findes, går de glip af den", siger han.
Han fremhæver specifikt arbejdet med den danske Hjernebank som et område med stort potentiale. Her kan danske borgere hjælpe med at dechifrere håndskrevne lægejournaler knyttet til hjernesamlingen, hvilket er en opgave, der kræver sprogligt og kulturelt kendskab, som maskiner stadig har svært ved at håndtere. Det kan gøre en værdifuld national ressource tilgængelig for international forskning i demens og psykiske lidelser.
Et råd til forskere
Hvis du som forsker overvejer citizen science, er Micheluccis råd enkelt: Tag fat i SDU Videncenter for Citizen Science. Det er det bedste sted at starte, hvis du vil finde ud af, om metoden giver mening for netop dit projekt.
Som han formulerer det: ”Brug af citizen science kan muliggøre analyser og dataindsamling, som ellers ikke ville være mulige, og give din forskning langt større synlighed”.
The Michelucci-gaps: Seks ting AI stadig ikke kan som mennesker
Ifølge Pietro Michelucci har nutidens kunstige intelligens stadig en række grundlæggende begrænsninger sammenlignet med menneskelig intelligens. Disse “huller” viser, hvorfor menneskelig tænkning fortsat spiller en vigtig rolle i mange problemløsningssystemer.
Michelucci peger på seks områder, hvor mennesker stadig har en klar fordel:
- Vægtning af sandsynligheder: AI kan stille diagnoser eller komme med forudsigelser, men har ofte svært ved at vurdere, hvor sandsynlige forskellige udfald er i en konkret virkelighed.
- Levet erfaring: Mennesker trækker på erfaring, for eksempel den kliniske intuition hos en læge, som gør det muligt at genkende mønstre og tolke subtile signaler.
- Kropslig erfaring (Embodiment): Mennesker lærer gennem fysisk interaktion med verden. AI oplever derimod ikke årsag og virkning gennem kropslig erfaring.
- Funderet viden: Store sprogmodeller lærer primært fra tekst og mangler derfor en dybere forståelse, der er forankret i virkelige erfaringer.
- Kritiske udviklingsperioder: AI mangler de biologiske rammer og tidsbestemte faser, fx sprogtilegnelse, som former menneskelig intelligens.
- Abstraktion på tværs af domæner: Mennesker kan skabe kreative forbindelser mellem vidt forskellige områder. Evnen til at overføre en idé fra én kontekst til en helt anden er stadig unikt menneskelig.