Tässä artikkelissa taustoitan tekoälyn käytöstä kolmea ilmiötä, joita olen itse tarkkaillut verkkokeskusteluissa ja eri konferensseissa, joissa olen käynyt tämän ja viime vuoden aikana. Kukapa meistä ei olisi jo innostunut laskentakapasiteetin kasvusta ja siitä että neuroverkkopohjaiset ohjelmistot eivät vie enää kuukausia opetellessaan raskaita, esimerkiksi kuvapohjaisia opetusaineistoja. Tähän laskentaan soveltuvia GPU-lisäkortteja voi käydä ostamassa itselleen, mutta ne ovat jo osana upotetuissa järjestelmissä kuten valvontakameroissa ja autoissa.

Opetusvaiheen jälkeen neuroverkko voi esimerkiksi seurata reaaliajassa videokuvaa ympäristöstämme ja signaloida erilaisia opetusaineiston pohjalta annettuja tilanteita kuten esimerkiksi sitä, onko metrotunnelissa käynnissä tappelu, tai olisiko auton syytä jarruttaa, kun auton eteen tulee jokin este. Tässä asiayhteydessä mielenkiintoinen onnettomuus tapahtui Yhdysvalloissa, kun Tesla törmäsi vasemmalle kääntyvään kuorma-autoon. NTSB (National Transportation Safety Board) selvittää edelleen oliko tässä syynä opetetun neuroverkon väärä analyysi, eli se että Tesla itse lähestyi siltaa eikä kuorma-autoa, koska sen alta näkyi taivasta.

Tämän vakavan esimerkin jälkeen olen huomannut, että sanapainot Machine Learning (ML) / Deep Leaming (DL) ovat kohti ihmisavusteista työtä eikä täysin automaattista toimintaa. Tällöin tärkeät päätökset voidaan jättää ihmiselle ja tietokone voi suorittaa avusteisia toimintoja, joissa hengenvaaraa ei ole. Tässä asiayhteydessä mielenkiintoinen sovellusalue on terveydenhuolto ja esim. koomapotiIaiden analyysi. Kiinan tiedeakatemian tutkija Song Mingin ryhmä raportoi syyskuussa 2018, että tekoäly laski paranemisennusteen paremmaksi kuin asiantuntijalääkärit, ja loppujen lopuksi potilas virkosi koomasta. Tässä tapauksessa hengenvaara syntyi ihmislääkäreistä eikä tekoälystä.

Neuroverkon sisäisen toiminnan selittäminen ei ole nykyratkaisuilla mahdollista, mutta annan toki tutkimusmaailman työskennellä tämän haasteen kanssa ennen kuin väitän, ettei neuroverkkoja voisi selittää takaperin. Tällä takaperin selittämisellä tarkoitan sitä, että jos neuroverkko analysoituaan potilaan toteaa, että jalka tulee amputoida, olisi kohtuullista, että asiantuntijalääkäri saisi tällöin jonkin selityksen kysyessään kysymyksen miksi. Vastauksena nykyisin tuleva matemaattinen arvo esim. 0.82 on laadullisesti hieman köyhä, mutta saattaa toki ylittää raja-arvona pidetyn, esimerkiksi arvon 0.7 merkittävällä tavalla. Symbolic AI, symbolinen tekoäly. joka on yksi tekoälyn käyttötavoista, tarjoaa tämän kyvykkyyden. Se tukee asiantuntijatyötä kertomalla esimerkiksi lääkärille päätöspuunsa siitä, mitkä säännöt päättelivät lähtödatasta päätöksen “amputoi jalka”. Tälle selitettävyydelle on edelleen kysyntää, mitä konferensseissa olen kuullut ja nähnyt.

Tekoäly on mielestäni usein se uusin ilmiö, jota ei osata vielä yleisesti soveltaa ja jonka mahdollisuudet kiehtovat ihmismieltä. Aikoinaan sitä olivat symboliset ohjelmointikielet ja nyt se tuntuu olevan koneoppiminen. Itseäni kiehtova uusi tekoälyn alue on CTRL-labs.com yrityksen kehittämä lntention Capture -teknologia. He ovat kehittäneet hermosignaalien vastaanotto- ja prosessointilaitteen, jolla aivojen esimerkiksi käsiin välitettävät käskyt, sormien lihasten liikuttamiseksi, voidaan siirtää tietokoneen käskyiksi. Suosittelen tutustumaan verkosta löytyviin videoihin aiheesta ja erityisesti miettimään sovelluskohteita teknologialle, jolle riittää aivoista lähtevän signaalin vastaanotto, koska itse lihaksen aktivoinnin voi siis jättää tekemättä. Olisiko tässä uusi tapa käyttää tulevaisuuden laitteita, vain ajatuksen voimalla? Saamatta myyntiprovisioita, mainitsen että yrityksellä näyttäisi olevan ohjelmistokehitysympäristö tilattavissa verkkosivuiltaan eli seuraavan innovaation voit tuottaa sinä.

J. Saarelan esitelmä on julkaistu Systeemityöyhdistys SYTYKE ry:n Sytyke-lehdessä 4/2018 – Laivaseminaarin satoa, “Havaintoja tekoälystä vuodelta 2018”