Tässä artikkelissa taustoitan kolmea ilmiötä, joita olen itse tarkkaillut tekoälyn käytöstä 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 tappelu käynnissä tai olisiko auton syytä jarruttaa, kun auton eteen tulee jokin este. Tässä asiayhteydessä mielenkiintoinen onnettomuus tapahtui Yhdysvalloissa missä Tesla törmäsi vasemmalle kääntyvään kuorma-autoon. NTSB selvittää edelleen oliko tässä syynä opetetun neuroverkon väärä analyysi eli se että Tesla itse lähestyi siltaa eikä kuorma-autoa, kun sen alta näkyi taivasta.
Tämän vakavan esimerkin jälkeen olen huomannut että sanapainot machine learning (ML)/deep learning(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 koomapotilaiden analyysi. Kiinassa Song Mingin ryhmä raportoi syyskuussa 2018 että tekoäly laski paranemisennusteen paremmaksi kuin asiantuntijalääkärit ja potilas virkosi loppujen lopuksi 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 0.82 on laadullisesti hieman köyhä, mutta toki saattaa ylittää raja-arvona pidetyn esimerkiksi arvon 0.7 merkittävällä tavalla. Symbolinen AI, joka on yksi tekoälyn käyttötavoista, tarjoaa tämän kyvykkyyden. Se tukee asiantuntijatyötä kertomalla esimerkiksi lääkärille päätöspuunsa siitä mitkä säännöt päättelivät lähtödatasta ’amputoi jalka’ päätöksen. Tälle selitettävyydelle on edelleen kysyntää mitä konferensseissa olen kuullut ja nähnyt.
Tekoäly on mielestäni usein se uusin ilmiö mitä ei osata vielä yleisesti jo soveltaa ja joka kiehtoo ihmismieltä sen mahdollisuuksista. Aikoinaan sitä olivat symboliset ohjelmointikielet ja nyt se tuntuu olevan koneoppiminen. Itseäni kiehtova uusi tekoälyn alue on ctrl-labs.com yrityksen kehittämä Intention Capture -teknologia. He ovat kehittäneet hermosignaalien vastaanotto- ja prosessointilaitteen, jolla aivojen esimerkiksi käsiin välitettävät käskyt sormien lihaksen 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 jättää siis tekemättä. Olisiko tässä uusi tapa käyttää tulevaisuuden laitteita ja vain ajatuksen voimalla? Saamatta myyntiprovisioita mainitsen, että yrityksellä näyttäisi olevan ohjelmistokehitysympäristö tilattavissa verkkosivuiltaan eli seuraavan innovaation voit tuottaa sinä.
Janne Saarela on Profium Oy:n toimitusjohtaja, joka on työskennellyt CERN:issä, TKK:lla ja World Wide Web -konsortiossa ennen yrittäjäuraansa.