Kirjoittajat: Mikko Lampi & Piia-Elina Ikonen.
Useimpiin tekoälymenetelmiin liittyy riskejä ja eettisiä kysymyksiä. Millaista valtaa kone voi käyttää? Kenellä on vastuu päätöksistä? Miten estämme syrjivät algoritmit ja muut vinoumat? Entä katoaako ihmiskontakti, jos automatisoimme liikaa? On varottava, ettemme rakenna kalliita ja monimutkaisia hirviötä, joiden toimintaa emme tunne tai osaa selittää.
Teknohuumasta tekoälyn todellisuuteen
Pohdimme artikkelissa tekoälyä ja sen etiikkaa opinto- ja uraohjauksessa. Valmiita vastauksia ei ole, joten tarvitaan monialaista keskustelua, tutkimusta ja parempaa ymmärrystä. Artikkelissamme resonoi realistisen skeptinen, mutta optimismiin lopulta taipuva lähestyminen tekoälyn soveltamiseen. Ilmiöt, joihin tekoäly vaikuttaa ovat monimutkaisia ja moniulotteisia. Tekoälyyn liittyy paljon eettisiä kysymyksiä sekä osittain teknohuumaa. Tekoälyn realistisia mahdollisuuksia opinto- ja uraohjauksessa käsitellään artikkelin lopulla, kun esittelemme Älykäs ohjaus- sekä Ohjaus tulevaisuuden työhön -kehittämishankkeita.
Nimestään huolimatta tekoälyä on vaikea sanoa sangen älykkääksi, sillä se on nykyään usein niin sanottua kapeaa tai heikkoa tekoälyä. Se suoriutuu hyvin tarkasti rajatuista toiminnoista jopa siinä määrin, että se saattaa vaikuttaa älykkäältä. Nykyiset tekoälysovellukset on kuitenkin kehitetty ja sovitettu suorittamaan kapea-alaisia tehtäviä. Esimerkiksi konenäkö tunnistaa hahmoja tai kuvioita, joita se on opetettu havainnoimaan. Suosittelumoottorit osaavat hyödyntää vain tietynlaista aineistoa ja tehdä suosituksia aineiston perusteella. Tekoälypohjaiset roskapostisuodattimet puolestaan eivät ymmärrä sähköpostien sisältöä tai tarkoitusta, vaan perustuvat matemaattisiin sääntöihin ja alkeelliseen sanojen yhdistelyyn. (Kts. esim. Elements of AI -verkkokurssi).
Tunnetuimpia tekoälyyn yhdistettyjä menetelmiä ovat koneoppiminen, syväoppiminen, neuroverkot sekä erilaiset matemaattiset menetelmät, kuten sumea logiikka ja epälineaariset tilastolliset mallit. Niiden taustalla toimii erilaisia matemaattisia algoritmeja sekä automatisaatiota. Nykyisenkaltainen tekoäly suoriutuu hyvin monista ihmisille hankalista tehtävistä, kuten suurten tietomassojen käsittelystä, muuttujien tunnistamisesta ja yhteyksien havainnoinnista.
Toisaalta monet ihmiselle luontevat asiat, kuten kielen merkityksien ymmärtäminen sekä laajemman kokemuksen ja tietopohjan hyödyntäminen päätöksenteossa ovat tekoälylle vaikeita. Tekoälyn on vaikea esimerkiksi erottaa chihuahuaa ja mustikkamuffinia toisistaan (Kuva 1) (Yao, 2017). Ei siis ole välttämättä pelkoa koneiden kapinasta tai ihmisen korvaamisesta tekoälyllä. Työelämän ja koulutuksen muutokseen kannattaa joka tapauksessa varautua, koska tekoälyä tullaan soveltamaan monenlaisiin tehtäviin koko koulutussektorilla, myös korkeakouluissa. Korkeakoulut eivät kuitenkaan yleensä toimi tekoälyn soveltamisen kärkenä. Tämä on toisaalta hyvä, koska valmiita menetelmiä ja teknologioita hyödyntämiseen on jo olemassa. Korkeakouluissa osataan toivottavasti myös kyseenalaistaa teknohuuma.
Tekoäly ohjaustoiminnassa
Tekoälyä hyödyntäviä opinto- ja uraohjauksen ratkaisuja on tutkittu kansainvälisesti (mm. Mehraj & Baba, 2019; Cao & Zhang, 2011; Leung ym., 2010). Tutkimusten mukaan tekoälystä on haettu tehokkuuden kasvua, mutta samalla myös pyritty vahvistamaan ohjauksen saavutettavuutta opiskelijoille. Klutka ym. (2018) korostavat omassa selvityksessään, että olemassa olevien ohjauksen palvelujärjestelmien laatua ei saa kuitenkaan vaarantaa. Tavoitteena on pikemmin tunnistaa tekoälyratkaisujen tuottama lisäarvo korkeakoulujen ohjaustoiminnalle.
Tutkimusten mukaan tekoälyä hyödyntävää ohjausta voitiin tarjota vain kulttuurisesti ja demografisesti melko homogeeniselle joukolle opiskelijoita (Mehraj & Baba, 2019; Cao & Zhang, 2011; Leung ym., 2010). Monet tekoälymenetelmät eivät kyenneet ottamaan huomioon monimutkaisia ja huonosti kvantifioitavia muuttujia, kuten persoonallisuutta ja luonteenpiirteitä. Itsepalveluna toimiva tekoälyyn pohjautuva ohjaus olisi tutkimusten mukaan teknisesti mahdollista, mutta se sisältää suuria riskejä ja ohjauseettisiä ongelmia. Kenellä on ohjauseettinen vastuu, jos sovellus tekee virhepäätelmiä, algoritmi ruokkii vinoumia tai opiskelija tekee tai jättää tekemättä valintoja suositusmoottorin perusteella?
Monesti monimutkaiset tekniset ratkaisut, kuten geneettiset algoritmit, laajat tietämystietokannat ja kognitiivinen laskenta, saattoivat edellä mainittujen selvitysten mukaan päästä kohtuullisiin tuloksiin, mutta niiden kehittäminen oli vaivalloista, kallista ja ylläpito haasteellista. Perinteisemmät ja yksinkertaisemmat tilastolliset mallit soveltuvat huonosti epätäydellisen ja moniulotteisen datan käsittelyyn. Vastaavasti sääntöjen kuvaaminen tarkasti ja koneiden ymmärtämällä tavalla on haasteellista. Ratkaisuna voidaan soveltaa esimerkiksi sumeaa logiikkaa, mutta vain osittain. (Mehraj & Baba, 2019). Harva opettaja tai opinto-ohjaaja kykenee mallintamaan tietämystään koneiden käyttöön. Tämä tarkoittaa sitä, että ohjauksen asiantuntijuuteen liittyvä tieto ja kokemus on kyettävä kuvaamaan tietokantaan tallennettavassa muodossa (Kts. Cao & Zhang, 2011).
Koneoppiminen, neuroverkot ja syväoppiminen ovat lupaavia ja suosiotaan jatkuvasti kasvattavia menetelmiä erilaisissa tekoälysovelluksissa. Myös niiden kanssa törmätään helposti eettisiin kysymyksiin. Kun algoritmi toimii lentokoneen mustan laatikon tavoin, sovellukseen voi kertyä opetusdatan kautta erilaisia vinoutumia. On myös kyseenalaista, millaisia päätöksiä tai suosituksia läpinäkymätön algoritmi voi tehdä ihmisten puolesta. Kenties helpoimmat ja riskittömimmät tekoälyratkaisut liittyvät luonnollisen kielen käsittelyyn. Nämä menetelmät mahdollistavat uudenlaisten käyttöliittymien kehittämisen ja voivat osaltaan vapauttaa ohjaustyötä tekevien työaikaa oleelliseen, kuten opiskelijoiden kohtaamiseen.
Ihmisen, teknologian ja etiikan suhde
Valtionvarainministeriö (2018) on toteuttanut selvityksen eettisestä tietopolitiikasta tekoälyn aikakaudella. Suomessa on siten visio eettisesti kestävästä ja kilpailukykyä kehittävästä tekoälystä. Visiota tavoiteltaessa on tärkeää pohtia tiedon ja datan eettisyyttä, koska kaikki tekoälymenetelmät pohjautuvat tavalla tai toisella saatavilla olevaan dataan. Esimerkiksi niin sanottu omadata sisältää periaatteet ihmiskeskeiselle datan käsittelylle. Luottamus ja läpinäkyvyys ovat edellytyksinä tekoälyn eettisyydelle. Ei ole aivan sama, miten ja millaiset algoritmit henkilödataa käsittelevät ja millaisia päätöksiä niiden pohjalta tehdään. On kuitenkin tärkeää, ettei teknologian soveltaminen, eikä edes kehittäminen, ole yksinomaan yritysten tai teknologistien käsissä. Teknologian kehittämiseen tarvitaan myös ohjauseettistä asiantuntijuutta.
Esimerkiksi Kaakkois-Suomen ammattikorkeakoulussa on meneillään hankkeita, joissa pyritään tunnistamaan tekoälyn sovelluskohteita opinto- ja uraohjauksessa ammatillisella toisella asteella sekä ammattikorkeakoulussa. Joudumme pohtimaan eettisiä kysymyksiä esimerkiksi Älykäs ohjaus ja Ohjaus tulevaisuuden työhön -hankkeidemme yhteydessä1.
1Älykäs ohjaus -hankkeessa (1.9.2019 – 31.8.2021) tavoitellaan digitaalista data-analytiikkaa ja tekoälyä hyödyntäen ratkaisumalleja opinto- ja uraohjaukseen liittyvien prosessien ja mallien haasteisiin.
Kirjoittajat
Mikko Lampi, Insinööri (AMK), Kehitysjohtaja, Metatavu Oy, mikko.lampi(at)metatavu.fi
Piia-Elina Ikonen, TtM, projektipäällikkö, Kaakkois-Suomen ammattikorkeakoulu, Piia-Elina.Ikonen(at)xamk.fi
[vc_tta_accordion active_section=”0″ no_fill=”true” el_class=”lahteet”][vc_tta_section title=”Lähteet” tab_id=”1458134585005-b3f22396-5506″]
Cao, Y., & Zhang, L. (2011, August). Research about the college students career counseling expert system based on agent. In 2011 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC). IEEE, 3208–3211.
Elements of AI -verkkokurssi (2018). Helsingin yliopisto & Reaktor. Haettu 12.8.2019 osoitteesta https://www.elementsofai.com/
Klutka, J., Ackerly, N. & Magda, A. (2018). Artificial Intelligence in Higher Education – Current Uses and Future Applications. Wiley education services. Haettu 22.5.2019 osoitteesta https://www.learninghouse.com/knowledge-center/research-reports/artificial-intelligence-in-higher-education/
Mehraj, T. & Baba, A. (2019). Scrutinising Artificial Intelligence based Career Guidance and Counselling Systems: An Appraisal. International Journal of Interdisciplinary Research and Innovations, vol. 7(1), 402–411.
Leung, C. M., Tsang, E. Y., Lam, S. S., & Pang, D. C. (2010). Intelligent counseling system: A 24 x 7 academic advisor. Educause Quarterly, 33(4).
Valtionvarainministeriö (2018). Eettistä tietopolitiikkaa tekoälyn aikakaudella -selonteko. Haettu 12.9.2019 osoitteesta https://vm.fi/documents/10623/7768305/Eettist%C3%A4+tietopolitiikkaa+teko%C3%A4lyn+aikakaudella+-selonteko.pdf/bf0ef101-5e11-175e-a87a-dea78359780c/Eettist%C3%A4+tietopolitiikkaa+teko%C3%A4lyn+aikakaudella+-selonteko.pdf.pdf/Eettist%C3%A4+tietopolitiikkaa+teko%C3%A4lyn+aikakaudella+-selonteko.pdf.pdf
Yao, M. (2017, syyskuu 22). Chihuahua or muffin? My search for the best computer vision API. Topbost 22.9.2017. Haettu 12.9.2019 osoitteesta https://www.topbots.com/chihuahua-muffin-searching-best-computer-vision-api/
[/vc_tta_section][/vc_tta_accordion]
