Kurssi: Digitaalinen liiketoiminta RDI1LH101-3029 Haaga-Helia ammattikorkeakoulu
Tehtäväpaketti 6 Tekoäly, automatisointi ja robotiikka
Julkaisupäivä: 10.12.2019
Valitsin tekoälyä ja automatisointia koskevasta tehtäväpaketista mielestäni kaikista perustavanlaatuisimman aiheen, sillä vaikka robotiikasta ja koneoppimisesta puhutaan paljon, aihe tuntuu monimutkaiselta. Kuuntelin Helsingin yliopiston Elements of AI -kurssin opettajan Teemu Roosin podcastin aiheesta.
Koneoppiminen tarkoittaa sitä, että ohjelmisto oppii sitä mukaa kun tulee lisää dataa: se parantaa toimintaansa datasta löytyvän säännönmukaisuuden perusteella. Koneoppiminen on ikään kuin tilastomatematiikkalaskuri, joka kehittyy ilman, että sitä tarvitsee datan lisääntyessä aina ohjelmoida uudelleen. A.I. Materin blogin mukaan koneoppiminen mahdollistaa tekoälyn, joka taas tarkoittaa koneen pyrkimystä toimia kuten ihminen yleensä melko kapea-alaisissa tehtävissä.
Roos kertoo, että koneoppiminen sopii tilanteisiin, joissa tarvitaan systemaattista päättelyä ja dataa päätöksentekoa varten. Epämääräistä tai intuitiivista työskentelyä kuten johtoryhmätyöskentelyä tekoäly ei auta: datan tulee olla kvantitatiivista ja määrämittaista eli aina samassa muodossa. Roosin mukaan oppivan koneen ei kuitenkaan kannata antaa tehdä päätöksiä puolestamme, vaan voimme ottaa siltä vinkkejä ja pikkuhiljaa opetella luottamaan siihen.
Koneoppiminen on nyt pinnalla kolmesta syystä
· Dataa on valtavasti ja tarve sen lajitteluun on kasvanut
· Laitteistoa on opittu käyttämään tehokkaasti: sekä havainnointimenetelmät että datan käsittely on helpottunut
· Hiljaista käytännön tietotaitoa päästään käyttämään: kokeneita koneälyn ammattilaisia alkaa olla sekä yliopistoissa että yrityksissä
Mitä menetelmiä käytetään missäkin sovelluksessa?
Esimerkiksi markkinoinnissa voidaan koneoppimisen avulla tutkia asiakkaan ostokäyttäytymistä ja suositella tuotteita muiden saman tyyppisten asiakkaiden ostohistorian perusteella. Lääketieteessä koneälysovellus voi kuvien perusteella oppia tunnistamaan esim. syöpäsoluja sisältävät näytteet. Myös esimerkiksi Google käyttää hakukoneensa tulosten järjestelyssä koneoppimista: se järjestää ja karsii tulokset tietyn algoritmin mukaiseen järjestykseen.
· Yleisesti datan lajittelu ja järjestäminen, algoritmit
Yllättävää kyllä, Euroopassa tehdään Roosin mukaan eniten koneälyyn liittyvää tutkimusta, jos lasketaan kaikki Euroopan maat yhteen. Tutkimuksen vahvuuksia Euroopassa ovat datan hallinta ja regulaatio ja eettisten käytäntöjen kehittäminen. Koneälyn kehittymiseen liittyy yhteiskunnallisia kysymyksiä ja huolenaiheita: esimerkiksi algoritmin kehittäjällä on valtaa siihen, mitä ihmiset näkevät tai eivät näe, joten heillä on valtaa siihen, millainen maailmankuva ihmisille muodostuu.
Roosin mukaan kuka tahansa voi alkaa käyttämään koneoppimista hyödykseen. Koneoppimiseen ei tarvita kvanttitietokonetta ja sitä voi koodata millä tahansa kielellä. Ei tarvita isoja tehtaita, vaan kokeileminen on nopeaa. Tärkeintä on hoksata sovellusalue, josta koneoppimisesta voisi olla hyötyä.
Kuva: Algoritmin rakentamista suosittelujärjestelmää varten. Lähde: Pavel Kordnik: Machine Learning for Recommender systems - Part 1 (algorithms, evaluation and cold start)
Esimerkkejä arkisista koneoppimisen sovellusalueista
· Kasvojen tunnistus kuvista
· Suositukset: Spotifyn, Netflixin, Amazonin suosittelualgoritmit
· Samanlaisten kuvien etsiminen esim. Pinterestistä
· Sosiaalisen median feedin kuratointi: Facebook, Twitter
· Liikenne-ennusteet: Uberin reitin etsiminen, Google Maps
· Rahanpesun tunnistaminen
· Uusiutuvan energiantuotannon ennustaminen
Heikkoa tekoälyä sovelletaan myös jo arkisesti
· Chatbot-asiakaspalvelijat oppivat koko ajan paremmin tunnistamaan puhetta ja vastaamaan puhekielellä
· ”Henkilökohtainen assistentti”, joka tunnistaa puheen ja ohjaa esim. valoja, äänentoistoa, herätyskelloa tai kalenteria
Kuva: Eugene Goostman, ensimmäinen chatbot, joka läpäisi Turingin testin eli 33% testin tuomareista luuli keskustelevansa ihmisen eikä koneen kanssa.
Itselleni tuli mieleen niinkin laaja ja monimutkainen aihe kuin sotatraumojen ymmärtäminen: voisiko sotatraumoja saaneiden tarinat, valokuvat, tiedossa oleva data kartoista, päivämääristä ja tapahtumista sekä sodassa olleiden sukulaisuussuhteet ja terveystiedot yhdistää niin, että uudet sukupolvet voisivat paremmin ymmärtää mitä heidän isovanhemmilleen on tapahtunut ja mihin kaikkeen trauma voi vielä vaikuttaa? Voisiko koneoppimisesta olla apua kollektiivisen trauman purkamisessa? Tähän tarvittaisiin kyllä rutkasti erilaisen datan yhdistämistä ja varsinkin sitä eettistä pohdintaa ja rajoituksia, että tällainen tieto pysyy parantamisen eikä satuttamisen apuvälineenä.
A.I. Mater 2018. Mitä eroa on koneoppimisella ja tekoälyllä. Blogi 1.6.2018. Luettavissa: https://aimater.com/mita-eroa-on-koneoppimisella-ja-tekoalylla/ Luettu 10.12.2019
Daffodil 2017. 9 Machine Learning Examples from Day-to-Day Life. Luettavissa https://insights.daffodilsw.com/blog/9-machine-learning-examples-from-day-to-day-life Luettu 10.12.2019
Roos, Teemu 2019. Mitä pitää tietää koneoppimisesta. Podcast: Uuden työn ääniä. DNA Business. Kuunneltavissa: https://soundcloud.com/dna-business/mita-pitaa-tietaa-koneoppimisesta Kuunneltu 10.12.2019