Mitä on tekoäly ja koneoppiminen

Mikä oikeastaan on tekoälyä? Kysymykseen ei ole yksiselitteistä vastausta tai yleisesti hyväksyttyä määritelmää. Tekoälyn määritelmä tulee muuttumaan ajan kuluessa.

Tällä kurssilla käytämme tekoälyn yleisintä määritelmää: tekoälyllä tarkoitetaan ratkaisuja, joiden avulla koneet, erityisesti tietokonejärjestelmät, kykenevät osoittamaan älykkyyttä, toisin kuin elävien olentojen luonnollinen älykkyys. Tällaiset tekoälyyn perustuvat ratkaisut hyödyntävät erilaisia ja monimutkaisia algoritmeja älykkyyden osoittamiseksi. Tekoälyalgoritmeja, jotka oppivat datasta tilastollisten menetelmien avulla, kutsutaan koneoppimisalgoritmeiksi.

Aikanaan tekoälynä saatettiin pitää ennalta määrättyihin sääntöihin perustuvia ratkaisuja. Tällä kurssilla tekoälyllä viitataan ratkaisuihin, jotka hyödyntävät koneoppimista.

Koneoppimisalgoritmit oppivat annetun datan pohjalta ilman erillistä sääntöjen ohjelmointia. Ne siis kykenevät löytämään datasta rakenteita ja yhteyksiä, joita käyttäen ne luovat omat sisäiset sääntönsä. Algoritmit kykenevät näiden sääntöjen avulla tekemään esimerkiksi järkeviä ennusteita tai ryhmittelemään dataa.

Seuraavassa kuvassa on esimerkki konenäköä hyödyntävän rakennusjätteiden lajittelurobotin toimintaperiaatteesta.

Yllä olevassa kuvassa tekoälyratkaisun tulee tunnistaa konenäön avulla linjalla kulkevat materiaalit ja poimia ne eri koreihin. Ratkaisun kehittämiseksi tarvitaan dataa eli kuvia materiaaleista, joissa materiaalit ovat tunnistettuja. Kuvien perusteella koneoppimisalgoritmi oppii erottelemaan materiaalit toisistaan. Materiaaleja tunnistamaan opetettu algoritmi ohjelmoidaan toimimaan osana ohjelmistosovellusta, joka koordinoi kokonaisuutta – liikuttaen muun muassa robottikättä, joka poimii materiaaleja ja sijoittaa niitä oikeisiin koreihin.

Kaikissa edellä esitellyissä tekoälyratkaisuissa on alussa mainitut pääkomponentit. Tutustutaan niihin seuraavaksi hieman tarkemmin.

1) Käyttötapaus

Tekoälyratkaisujen suunnittelu käynnistyy käyttötapausten tunnistamisesta eli selkeästi rajatusta ongelmasta, joka halutaan ratkaista tekoälyn avulla. Hyvä käyttötapaus on yksiselitteinen ja siihen liittyvää dataa on saatavilla.

Yritys voi päätyä tiettyyn ongelmaan tunnistamalla ensin joukon liiketoiminnallisia haasteita, esimerkiksi suuret laatu- tai tuottavuusvaihtelut, ja analysoimalla niiden syitä. Jos parempi ennustaminen tai tiedon automaattinen luokittelu voisivat auttaa ongelman ratkaisemisessa, tekoälyratkaisu on harkinnan arvoinen.

Sopivien käyttötapausten löytäminen on yksi yritysen suurimmista tekoälyn hyödyntämisen haasteista. Liiketoiminnallisissa ratkaisuissa tulee yleensä ottaa huomioon mittava joukko erilaisia tekijöitä, jotka vaikuttavat käyttötapausten hyödyllisyyteen. Tekoälyratkaisuiden tulee olla sekä liiketoiminnallisesti järkeviä että riittävän luotettavia. Nämä ehdot voivat rajata pois monia teknisesti mahdollisia käyttötapauksia.

Myöhemmin tällä kurssilla perehdymme yksityiskohtaisesti käyttötapausten tunnistamiseen ja määrittelyyn liiketoimintaympäristössä.

2) Data

Data on tekoälyratkaisujen raaka-ainetta, jota koneoppimisalgoritmit prosessoivat. Datan määrä, laatu ja rakenne ratkaisevat, kuinka onnistunut lopputulos on.

Koneoppimisalgoritmeille annetun datan tulee sisältää informaatiota ilmiöstä, jota sillä pyritään tutkimaan. Esimerkiksi jos opetusdatana on kuvia kissoista ja koirista, ratkaisu ei opi löytämään kuvista hevosia tai virtahepoja. Mikäli tällaiselle ratkaisulle annettaisiin vaikkapa hevosen kuva, se ennustaisi sen olevan kissa tai koira. Opetusdata siis luo rajat, joiden sisällä kukin tekoälyratkaisu kykenee toimimaan.

Datan laatu on tärkeää lopputuloksen kannalta. Mikäli ratkaisu saa huonolaatuista opetusdataa, se ei tuota huipputuloksia. Huonolaatuinen data voi johtaa tilanteeseen, jossa tekoäly ei toimikaan tuotantokäytössä kuten oletettiin. Se saattaisi esimerkiksi hinnoitella tuotteita väärin, mikä johtaisi ennakoimattomiin tuloksiin.

Toisaalta on hyvä muistaa, että tekoälyratkaisut eivät vaadi opetusdataksi täysin virheetöntä dataa – sellaista on harvoin olemassakaan.

Datan määrällä on myös merkitystä tekoälyratkaisujen opetuksessa. Usein kuulee väitteen, että dataa tarvitaan paljon ja mitä enemmän sitä on, sitä parempia tekoälyratkaisuja saadaan aikaan.

Todellisuudessa asia ei ole noin yksiselitteinen. Kuvitellaan tilanne, että käytössämme on opetusdataa, johon perustuen haluamme tehdä ennustemallin tietyn laitteen huollon tarpeesta. Jos opetusdata ei sisällä huoltotarpeeseen liittyvää informaatiota, datan lisääminen ei paranna lopputulosta.

Paljonko dataa sitten tarvitaan? Valitettavasti kysymykseen ei ole yksiselitteistä vastausta vaan tarvittava datan määrä riippuu useista tekijöistä. Niiden käsittely ei sisälly kurssiimme, mutta yleissääntönä on kuitenkin, että enemmän dataa on parempi.

Opetusdatan valikointi on tärkeä osa tekoälyratkaisujen toteutuksessa. Opetusdataksi valittu aineisto vaikuttaa ratkaisun tuottamiin tuloksiin. Vaikuttaminen voi olla joko tietoista tai tiedostamatonta ja jälkimmäinen saattaa johtaa muun muassa vääristyneisiin tuloksiin käytännön sovelluksissa.

Generatiivisten tekoälysovellusten suorituskyvyn parantamiseksi tarvitaan myös jonkin verran esimerkkidataa. Tällaiset esimerkit tarjoavat yleensä lisäkontekstin, joka voi auttaa pohjustamaan/virittämään generatiivisten tekoälysovellusten vastausta tiettyyn käyttötapaukseen.

Tekoälyn etiikka liittyy läheisesti tähän aiheeseen, sillä opetusdatan vääränlainen valikointi voi johtaa erilaisten ihmisryhmien syrjintään esimerkiksi automaattisissa päätöksentekojärjestelmissä.

Tekoälyn eettisyyden merkitys on syventynyt generatiivisen tekoälyn yleistymisen myötä sen potentiaalisten vaikutusten vuoksi. Seuraavassa on lueteltu joitakin generatiiviseen tekoälyyn liittyviä eettisiä haasteita:

• Deepfakes: Generatiivinen tekoäly voi luoda erittäin vakuuttavaa väärennettyä sisältöä (ns. deepfakes), mikä johtaa väärän tiedon leviämiseen.

• Vinoumat (bias): Generatiivinen tekoäly voi tuottaa sisältöä, joka on vinoutunutta tiettyä yhteiskuntaa tai väestöryhmää kohtaan. Tämä johtuu harjoitusdatan luontaisesta vinoutuneisuudesta tai datan puutteelisuudesta.

• Immateriaalioikeudet: Generatiiviset mallit voivat tahattomasti kopioida tekijänoikeudellisesti suojattua materiaalia, mikä herättää huolta immateriaalioikeuksista ja oikeudenmukaisesta käytöstä.

• Yksityisyys: Henkilötiedoilla koulutetut tekoälymallit voivat vuotaa arkaluonteisia tietoja, mikä rikkoo yksityisyyden suojaa koskevia normeja ja säännöksiä.

• Vastuullisuus: Vastuun määrittäminen tekoälyjärjestelmien toimista voi olla monimutkaista, erityisesti silloin, kun niistä aiheutuu vahinkoa.

Euroopan unioni (EU) on ollut eturintamassa edistämässä eettistä tekoälyä, koska se on tunnustanut nämä mahdolliset riskit ja tarpeen suojella perusoikeuksia.

Yksi EU:n hyväksymä asetus on EU:n tekoälylaki. EU:n tekoälylaki on uraauurtava sääntelykehys, jota ehdotetaan tekoälyn kehittämisen ja käytön sääntelemiseksi Euroopan unionissa. Siinä omaksutaan riskiperusteinen lähestymistapa, jossa tekoälysovellukset luokitellaan eri riskitasoihin - ei-hyväksyttävään, korkeaan, rajoitettuun ja vähäiseen riskiin.

Korkean riskin sovelluksiin sovelletaan tiukkoja vaatimuksia, kuten vankkaa tiedonhallintaa, avoimuutta, ihmisten suorittamaa valvontaa, tarkkuutta ja kyberturvallisuustoimenpiteitä, kun taas tietynlaiset käyttötapaukset, kuten hallitusten suorittama ihmisten sosiaalinen pisteytys, on kokonaan kielletty. Lainsäädännöllä pyritään varmistamaan, että tekoälyteknologiat ovat turvallisia, läpinäkyviä ja perusoikeuksia kunnioittavia, mikä asettaa EU:n eettisen tekoälyn edelläkävijäksi ja edistää yleistä luottamusta tekoälyinnovaatioihin.

3) Koneoppiminen

Koneoppiminen on tekoälyn osa-alue, jonka juuret ovat tilastotieteessä. Kuten aiemmin kerroimme, koneoppimismenetelmät oppivat annetun datan pohjalta ilman erillistä sääntöjen ohjelmointia. Lopputulos tallentuu niin sanottuun koneoppimismalliin.

Tällä kurssilla emme syvenny koneoppimismenetelmiin tarkemmin, mutta on hyvä tietää, että niitä on lukuisia, kuten neuroverkot, logistinen regressio, gradientti tehostaminen (gradient boosting) tai päätöspuut. Mainittakoon myös, että moniin koneoppimismenetelmiin liitetään termi “musta laatikko”, joka viittaa siihen, että emme pysty täsmällisesti kertomaan miten koneoppimismallit päätyivät tiettyyn tulokseen, esimerkiksi ennusteeseen.

Koneoppimisen kategoriat

Koneoppiminen jakaantuu kolmeen pääkategoriaan, jotka kannattaa painaa mieleen, sillä niillä kaikilla on erilainen käyttötarkoitus.

A) Ohjattu oppiminen (supervised learning) on pohjimmiltaan ennustamista. Datassa on selittäviä muuttujia (syötteet, input) ja selitettävä muuttuja (vaste, label). Koneoppimisalgoritmien tehtävä on käyttää selittävien muuttujien arvoja ennustamaan vasteen arvoja.

Esimerkiksi oheisessa kuvassa koneoppimismalli käyttäisi asunnon perustietoja (syötteet) luodakseen mallin, joka pystyy ennustamaan asunnon hinnan (vaste).

Vastaavasti kuvankäsittelyyn liittyvissä ratkaisuissa syötteinä on kuvia ja vasteina kuvissa olevia objekteja.

Liiketoiminnallisista tekoälyratkaisuista suurin osa perustuu ohjattuun oppimiseen. Tähän kuitenkin liittyy usein haaste; vastemuuttujien arvot eivät ole aina tiedossa. Esimerkiksi ruokaravintolan johto haluaisi mielellään ennustaa hävikin (vaste) määrää, mutta heidän datansa ei kuitenkaan sisällä tietoja jätteeksi päätyvän ruoan määrästä.

Mikäli vastemuuttujien arvot eivät ole tiedossa, voi olla mahdollista annotoida data (annotation, labeling) – eli muodostaa vastemuuttujat jälkikäteen. Esimerkkinä toimikoon yritys, jolla on paljon kuvia tuotantolinjalla kulkevista tuotteista. Kuvissa näkyy, että osassa tuotteita on virheitä pintamateriaalissa. Tässä asiayhteydessä annotointi tarkoittaa, että asiantuntija merkitsee virheelliset kohdat kuvaan esimerkiksi piirtämällä niiden ympärille suorakaiteen, jolloin niistä muodostuu vastemuuttujan arvo “virheellinen”. Mikäli kuvassa ei ole merkintää, niin vastemuuttujan arvo on “virheetön”.

Ohjattu oppiminen jakautuu edelleen kahteen alakategoriaan: luokittelu- ja regressio-ongelmat. Näiden eron ymmärtäminen on tärkeää, mutta onneksi jako on selkeä.

Luokitteluongelmissa ennustamme vastemuuttujaa, joka on luokkamuuttuja. Tässä on siitä kaksi esimerkkiä:

1. Kaksiluokkainen luokittelu voisi perustua tietoon siitä, ostiko asiakas asunnon näytön jälkeen. Vastausvaihtoehdot ovat "kyllä" ja "ei", joten ne muodostavat ennustettavat luokat.

2. Moniluokkainen luokittelu tarkoittaa, että ennustettavia luokkia on enemmän kuin kaksi. Tätä on vaikkapa objektien tunnistaminen kuvasta, jolloin jokainen tunnistettu objekti on oma luokkansa. Mikäli kohdan 1 esimerkissä olisi ollut kolmaskin vaihtoehto ”kyllä”- ja “ei”- vastausten lisäksi, niin kyseessä olisi ollut moniluokkainen luokittelu.

Regressio-ongelmissa ennustamme jatkuvaa vastemuuttujaa, esimerkiksi myyntiä, lämpötilaa tai hintaa.

Seuraava kuva havainnollistaa regressio- ja luokitteluongelmien eroa.

Vasemmalla on esimerkki regressiosta, jossa on kolme ennusteskenaariota katkoviivan oikealla puolella. Oikealla on esimerkki luokittelusta, jossa tunnistetaan hihnalla kulkevaa materiaalia.

Regressio-ongelmat on myös mahdollista muuttaa luokitteluongelmiksi, mikä voi tietyissä tilanteissa auttaa paremman ratkaisun toteutuksessa. Jos vaikkapa myyntiennustetta ei tehtäisikään yhtenä numeerisena lukuna vaan luokkina – esimerkiksi myynti kasvaa ”alle 5 %", "5–10 %" tai "yli 10 %”. Numeerisen myyntiennusteen sijasta saisimme ennusteen, joka kertoisi luokkakohtaiset todennäköisyydet myynnille.

B) Ohjaamattomassa oppimisessa (unsupervised learning) käytössä on dataa (syötteet), mutta ei ennustettavaa kohdetta (vaste). Tyypillisesti ohjaamattoman oppimisen tavoitteena on löytää datasta rakenteita, joita voidaan hyödyntää.

Ehkä tunnetuin esimerkki on asiakassegmentointi, jossa ryvästämistä (clustering) hyödyntäen etsitään samankaltaisia asiakasryhmiä datasta. Samaan asiakassegmenttiin kuuluvat asiakkaat ovat siis lähempänä toisiaan ostokäyttäytymiseltään kuin eri segmenteissä olevat asiakkaat.

Liiketoiminnassa käytetyt ohjaamattoman oppimisen ratkaisut ovatkin pääasiassa ryvästämiseen liittyviä, eli datasta halutaan löytää keskenään samankaltaisia joukkoja.

Ryvästämismenetelmät löytävät datasta samankaltaisia joukkoja.

Oheinen kuva on yksinkertainen esimerkki ryvästämisestä. Siinä algoritmi on löytänyt kolme keskenään samankaltaista joukkoa, jotka eroavat toisistaan. Ihmisen apua tarvitaan tulosten tulkinnassa, esimerkiksi ”Joukko A:n” tulkinta voisi olla, että siihen kuuluvat kalliit asunnot, joiden myyntiaika on kuitenkin lyhyt.

Ohjaamattoman oppimisen alueita on muitakin, mutta niitä emme tällä kurssilla käsittele.

C) Vahvisteoppimisessa (reinforcement learning) tekoäly tekee päätöksiä ja oppii toimimaan päätöksistä saadun palautteen perusteella. Tämän toteuttaminen ei ole aina helppoa, sillä palauteen saaminen voi kestää pitkään. Tyypillisiä esimerkkejä vahvisteoppimisesta ovat mainonnan kohdennus netissä, itseohjautuvat ajoneuvot tai edistyneimmät shakkiohjelmat, jotka oppivat pelaamistaan peleistä yhä paremmiksi.

Liiketoiminnallisia vahvisteoppimisen ratkaisuja on vielä vähän, sillä menetelmän hyödyntäminen on useissa käyttökohteissa haastavaa. Vaikka emme tällä kurssilla perehdy vahvisteoppimiseen syvemmin, se kannattaa kuitenkin pitää mielessä. Tulevaisuudessa siihen perustuvat ratkaisut varsin todennäköisesti yleistyvät.

D) Generatiivinen tekoäly, johon viitataan myös termeillä GenAI tai GAI, on tekoälyn osa-alue, joka pystyy tuottamaan erityyppistä dataa. Tälläinen data voi olla ei-rakenteellista, kuten tekstiä, tietokonekoodia, ääntä, kuvia, videoita tai rakenteellista, kuten taulukkomuotoista dataa. Data syntyy usein ihmisen antaman kehoitteen perusteella, joka annetaan ihmisen ymmärtämällä kielellä. Parhaillaan tehdään myös tutkimusta generatiivista tekoälyä hyödyntäen esimerkiksi sellaisten uusien molekyylien tuottamiseksi, joista voisi olla hyötyä uusien lääkkeiden kehittämisessä.

Yleisimmät generatiivisen tekoälyn mallit ovat:

• Suuret kielimallit (LLM): LLM:t on suunniteltu ymmärtämään ja tuottamaan ihmiskielistä tekstiä. Niitä koulutetaan valtavilla tekstidatamäärillä mallien oppimiseksi. Esimerkkejä ovat ChatGPT, Gemini jne.

• Diffuusiomallit - tämäntyyppisiä malleja käytetään yleensä sovelluksissa, joissa luodaan kuvia ja videoita.

Generatiivisen tekoälyjärjestelmän tärkeimmät komponentit loppukäyttäjän näkökulmasta ovat seuraavat:

• Generatiivinen tekoälymalli, esim. LLM - eri yritykset ovat kehittäneet ja julkaisseet useita malleja. Suosituimpia näistä malleista ovat OpenAI:n ChatGPT, Anthropicin Claude, MistralAI:n Mistral, Googlen Gemini ja Metan LLAMA. Uusia malleja julkaistaan kuitenkin hyvin nopealla tahdilla. Näiden yritysten kykenevimmät mallit, poikkeuksena Meta, ovat suljetun lähdekoodin ja mustan laatikon malleja, joita voi käyttää vain API:n (tai kyseisen toimittajan verkkosovelluksen) kautta. Mallit valitaan useiden kriteerien perusteella, joita voivat olla muun muassa tuotettavan tulosteen tyyppi (teksti, kuva jne.), suoritettavan tehtävän monimutkaisuus, budjetoidut käyttökustannukset, pyynnön ja vastauksen siedettävä viive, tulevat ylläpitotarpeet, tietosuojaan ja tietoturvaan liittyvät huolenaiheet, luotettavuus- ja johdonmukaisuustarpeet, räätälöinti- ja hienosäätötarpeet, pilvipalvelun tai paikallisen infrastruktuurin strategia.

Kehoite (prompt) - ohje, joka annetaan generatiiviselle tekoälymallille tehtävän suorittamiseksi. Hyvin kirjoitettu ja jäsennelty kehote parantaa tehtävän tuloksen laatua. Hyvin jäsennelty kehote voi sisältää joitakin tai kaikki seuraavista elementeistä: a) GenAI-mallin omaksuma persoona, esim. opettaja, b) ohje, joka selventää suoritettavaa tehtävää, esim. asiakirjan tiivistäminen, c) konteksti, joka voi sisältää esimerkkejä erilaisista tulo- ja lähtöpareista tai asiakirjoista, joihin GAI-malli voi viitata, d) muoto tai rakenne, jota tulosteen tulisi noudattaa.