Tekoäly muuttaa maailmaa

Teksti RIIKKA KALMI, kuvitus STUDIO ANDREI

Hyvä arkipäivän esimerkki tekoälyn sovelluksista on älypuhelimien puhetta ymmärtävät tekoälyavustajat. Applen vuonna 2011 lanseeratulta Siriltä voi kysyä melkein mitä vain: musiikkivinkkejä, reittiopastuksia tai jopa elämän tarkoitusta.

Tekoälystä on kohistu viime vuodet, voisi puhua jopa tekoälyhypestä. Tekoäly ei kuitenkaan ole sinänsä uusi juttu, onhan sitä tutkittu jo puoli vuosisataa. Vasta nyt siitä alkaa olla oikeasti hyötyä. Tähän ovat vaikuttaneet niin dataa pursuava internet, joka tarjoaa riittävästi harjoitusdataa tekoälymallien harjoittamiseen, kuin tietokoneiden tehon kasvaminen datan analysoimiseksi.

Moni muistaa 80-luvun Ritari Ässän ja varsinkin hänen älykkään KITT-autonsa, joka puhui, osasi ajaa itse itseään, skannasi ympäristönsä rosvoja ja Ritari Ässän terveydentilaa. KITT oli silloin vielä tieteisfantasiaa, mutta nyt sen useat ominaisuudet ovat jo todellisuutta tai vähintäänkin kokeiluasteella, kuten itseohjautuvat autot sekä liikenteen ja ympäristön havainnointi, itseohjattu oppiminen ja sairauksien tunnistaminen tekoälyn avulla.

Kuuma aihe tekoälysovelluksissa on viime vuosina ollut kuvien tunnistaminen ja tekstianalyysi. Kuvien tunnistamisessa tekoäly on jo ohittanut ihmisen. Tekstianalyysissa tekoäly osaa esimerkiksi analysoida tekstiä ja tunnistaa tekstin sävyt. Tekoäly on myös oppinut tekemään teksteistä järkeviä tiivistelmiä kokonaan omia lauseita käyttäen, mikä vaatii jo syvällistä kielen rakenteen ymmärtämistä.

Missä kaikkialla tekoälyä jo käytetään ja sovelletaan? Entä millaisia haasteita siihen liittyy? Yliopistomme tutkijat antavat aiheeseen kolme eri näkökulmaa eri aloilta.

Tekoäly ajaa autonomisia järjestelmiä

Image

Heidi Kuusniemi
Professori, tietotekniikka & johtaja, Digital Economy

Autonomiset järjestelmät maalla, merellä ja ilmassa ovat osin nykypäivää sekä tulevaisuuden vastaus turvallisempaan ja tehokkaampaan liikkumiseen, kuljetukseen ja päätöksentekoon. Autonomisilla lennokeilla eli droneilla on jo iso rooli useassa sovelluksessa, esimerkiksi monitoroinnin automatisoinnissa satamissa tai muissa liikenteen solmukohdissa tai sähkölinjojen vikatilanteiden etsimisessä.

Robottiautoja kehitetään kovaa vauhtia, ja useampi pilotti on Suomessakin saatu kuluttajille asti esittelyyn. Robotit ovat käytössä jo teollisuudessa ja sosiaali- ja terveydenhuollossakin, joskin vielä lähinnä apuvälineenä ennemminkin kuin täysin itseohjautuvina. Autonomiset laivat ovat myös kokeiluasteella useilla vesialueilla helpottamassa tavarantoimituksia tai henkilöliikennettä. Itseohjautuvuus näissä järjestelmissä on tekoälyyn pohjautuvaa, minkä polttoaineena on valtavat määrät tietoa erilaisista datalähteistä.

Autonomisten ajoneuvojen päätöksenteko perustuu tietokoneen ja ohjelmiston kykyyn reagoida ihmisälyn kaltaisesti erilaisiin tilanteisiin. Ihmisen ja tekoälyn yhteistyön on oltava suuressa roolissa järjestelmiä kehitettäessä. Tekoäly tarvitsee ihmisen kartanlukijakseen, jotta päämäärä on tiedossa ja liikennesäännöt hallussa. Järjestelmien on toimittava eettisten periaatteiden, säädösten ja sovittujen toimintamallien mukaisesti.

Standardien tuominen eri autonomisten järjestelmien sovellusalueille tulee olemaan yhä tärkeämpää järjestelmien toiminnalle ja laadulle, varsinkin eri autonomiatasoja tarkastellessa. Kriittistä autonomisten järjestelmien laadussa ja turvallisuudessa on niiden tietoturva, jota on kehitettävä vaatimalla standardeja, riskianalyysejä, mallinnusta ja jatkuvaa testausta. Tietoturvaan on kiinnitettävä erityistä huomiota turvallisuuskriittisissä sovelluksissa, jotta tekoäly ajurina on tarpeeksi luotettava.

Tulkittavan tekoälyn jäljillä

Image

Mikko Ranta
Tutkijatohtori, laskentatoimi & Digital Economy

Tekoäly on monella tavalla mullistanut meidän elämäämme, välillä niin, että emme edes itse huomaa sitä. Kysymys ei ole enää eksoottisista roboteista, vaan sovelluskohteet jokapäiväisessä arjessa lisääntyvät huimaa vauhtia. Tämä trendi perustuu pitkälti koneoppimismallien voimakkaaseen kehitykseen, jonka ovat mahdollistaneet pääasiassa merkittävät parannukset laskentatehossa ja riittävän harjoitusaineiston saatavuus. Tyypillistä mallien kehitystyölle on ollut keskittyminen ennustamisen/tunnistamisen parantamiseen mallin tulkinnan jäädessä toisarvoiseksi.

Sovelluskohteiden lisääntyessä on törmätty kuitenkin tilanteisiin, joissa mallin toiminta pitäisi pystyä ymmärtämään paremmin. Koneoppimismalleista puhutaan usein black-box -malleina, koska niiden antamien ennusteiden mekanismia ei täysin tunneta. Malli on niin monimutkainen, että ketjua, joka tuottaa ennusteen syötetyistä arvoista, ei pystytä selittämään. Tyypillisessä tulkittavassa mallissa on parametreja korkeintaan muutamia kymmeniä tai sen rakenne on riittävän yksinkertainen (lineaarinen). Open-AI:n kehittämä vallankumouksellinen kielimalli GPT-3, joka lienee tällä hetkellä myös monimutkaisin kehitetty koneoppimismalli, sisältää 175 miljardia parametria. Lisäksi mallit ovat aina epälineaarisia. Tämä kuvaa hyvin haastetta, joka tulkinnassa tulee eteen.

On kuitenkin sovelluskohteita, joissa syötettyjen arvojen vaikutus ennusteeseen pitää pystyä selittämään. Esimerkiksi jos pankki käyttää tekoälyä lainapäätösten tekemiseen, sen on pystyttävä perustelemaan, mitkä tekijät hakijan tiedoissa aiheuttivat lainahakemuksen hylkäämisen. Tekoälytutkijat ovatkin viime vuosina havahtuneet tulkittavuuden tärkeyteen, ja alan tutkimus kasvaa tällä hetkellä hyvin voimakkaasti. Uskonkin tulkittavan tekoälyn (explainable AI) edelleen laajentavan sovelluskohteita voimakkaasti tulevina vuosina.

Tekoälyn avulla parempia sopimuksia?

Image

Helena Haapio
Yliopistotutkija, talousoikeus

Tekoäly on tullut sopimuksiin ja juridiikkaan. Se auttaa analysoimaan suuria tekstimassoja ja jalostamaan dataa johtopäätösten tekemiseksi. Se auttaa myös  tuottamaan tekstejä ja tiivistelmiä ja kääntämään kapulakieltä selkeäksi – tai päinvastoin: Open AI:n GPT-3 on testikäytössä osoittanut toimivuutensa molempiin suuntiin.

Siellä missä liikutetaan dataa koneiden välillä eikä tarvita tulkintaa, nopea prosessointi on huikea apu. Sopimusten sisältämän tiedon on kuitenkin syytä olla myös ihmisen ymmärrettävissä, päätettävissä ja muutettavissa. Tekoälyn tuottama teksti, myös ”legalese”, voi vaikuttaa uskottavalta, mutta sisältö voi olla mitä tahansa. Miksi kukaan haluaisi sellaista?

Hyvien sopimusten tuottamiseksi tekoälylle tarvitaan hyvälaatuista opetusdataa. Keskustelu sopimusten ja lausekekirjastojen laadusta on vasta alkanut – ei yksin opetusdatana, vaan laajemmin. Sopimusten kielessä, muotoilussa, viestinnässä ja käytettävyydessä on paljon parannettavaa. Tekoäly ei osaa erottaa hyviä sopimuksia huonoista tai antaa suosituksia sopimusten parantamiseksi. Siihen tarvitaan ihmistä.

Tutkimme keinoja, joilla sopimukset saadaan toimimaan paremmin ja palvelemaan yrityksiä. Teknologia ja muotoilu mahdollistavat seuraavan sukupolven sopimukset, jotka voivat sisältää tekstiä, kuvia, koodia, ääntä ja videoita. Kun algoritmi hoitaa rutiinit ja tuottaa koodin, ihmiset voivat keskittyä vaativampiin tehtäviin. Tekoälyn tulevaisuus on nähdäkseni parhaimmillaan yritysjohdon ja juridiikan asiantuntijoiden työn ja päätöksenteon tukena. Sen avulla myös sopimukset saadaan toimiviksi ja parantamaan yhteistyötä yritysten sisällä ja välillä.