Yhteistyöllä enemmän irti tekoälystä

Kirjoittaja: Katri Kulmuni.

Milloin viimeksi etsit tietoa tietokirjasta, ostit matkalipun lipunmyynnistä tai lähetit kirjeen? Niinpä. Nämä lapsuudessamme arkipäiväiset asiat tuntuvat nykyään kaukaisilta. Digitalisaatio, tekoäly ja datapohjan tietotalous ovat muokanneet ja muokkaavat jatkossakin yhteiskuntaamme hurjaa vauhtia.

Muutoksista tulee mahdollisuuksia, kun niihin tarttuu ja käyttää uusia välineitä hyödyllisellä tavalla. Suomi on sitoutunut edistämään kestävää ja kilpailukykyistä digitaloutta inhimillisesti ja eettisesti. Haluamme valjastaa tekoälyn esimerkiksi osaksi ilmastonmuutoksen torjuntaa ja kulkuamme kohti hiilineutraalia taloutta.

Kehityksessä teknologiaosaamisella on olennainen rooli. Lisäksi tekoälyä hyödyntävien palveluiden ja toiminnan uudistamisen laaja yhteiskunnallinen käyttöön ottaminen edellyttää eri toimialojen yhteistyötä. Tekoäly ei saa jäädä käsitteeksi, joka liitetään eri hankkeisiin näön vuoksi tai koska oletetaan sitä tarvittavan kaikessa uudessa. Tavoitteen tulee olla kirkas: tuotantoon asti päätyvät tekniset parannukset, liiketoimintamallit, jotka tuovat lisäarvoa elinkeinoelämään ja hyvinvointia yhteiskuntaan sekä monenlaiset oppivat algoritmit, joita voidaan käyttää tukena eri ammattialojen työtehtävissä.

Tarvitsemme yhteisiin päämääriin sitoutuneita kehittäjäyhteisöjä, jotka näkevät tekoälyn mahdollisuudet hyvinvoivan ja ympäristön kannalta kestävän yhteiskunnan lasien läpi. Yhteisöistä syntyy parhaimmillaan ekosysteemejä, jotka kokoavat monialaisesti erilaisia kehittäjiä yhteen. Kehittäjät saavat energiaa luovasta ongelman ratkaisemisesta. Kehitystyössä yhdistyy osaamista kehitettävän palvelun arvoketjun eri vaiheista teknisestä toteutuksesta aina käyttäjäkokemukseen asti.

Alueellista toimintaa kiihdyttävät ammattikorkeakoulut ovat tässä yksi keskeinen toimijajoukko. Haastankin ammattikorkeakoulut kokoamaan monialaisia kehittäjäyhteisöjä toiminta-alueellaan ja edistämään digitaalitekniikan nopeaa käyttöönottoa julkisella, yksityisellä ja kansalaisyhteiskunnan eri sektoreilla. Uskon, että myös korkeakoulujen ja yritysten yhteistyöstä voitaisiin saada paljon enemmän irti.

Digitaalisten ja tietoihin perustuvien ekosysteemiemme on oltava rohkeita. On luotava toimintakulttuuri, joka kannustaa tietojen jakamiseen, yhteiskäyttämiseen ja yhdistämiseen. On myös osattava tunnistaa luotettava tieto ja pystyttävä arvioimaan sen yleistettävyys ja selitysvoima. Siksi korkeakoulujen on yhä olennaisempaa tuottaa työelämään medialukutaidoiltaan vahvoja asiantuntijoita, jotka kykenevät kriittiseen pohdintaan datan ja tekoälyohjelmistojen hyödyntämisessä osana päätöksentekoa ja oman työnsä suuntaamista.

Aito kehittäjäkulttuurin energia syntyy monialaisista toimijoista. He tunnistavat oman alansa asiantuntemuksen avulla keskeisiä haasteita ja hakevat niihin ratkaisuja myös tekoälyn tai big datan avulla. Samalla, kun esimerkiksi lämmityksen ja liikenteen alueella kehitetään aiempaa puhtaampia ratkaisuja, niiden käyttöönoton tukena on kuljettava alusta alkaen käyttäjälähtöinen ajattelu. Tekoälyn hyödyntäminen vaatii siis teknisen osaamisen lisäksi ihmisosaamista. Kyetessään yhdistämään eri toimialoja ratkaisujen rakentamisen äärelle Suomi voi tarjota myös muille maille avaimia globaalisti kestävämpään tulevaisuuteen.

Kirjoittaja

Katri Kulmuni, elinkeinoministeri

Yliarvioimmeko tekoälyn vaikutusta työn tulevaisuuden murroksessa?

Kirjoittaja: Alexander Törnroth.

Huominen on nopeampaa, älykkäämpää, tehokkaampaa ja automaation kyllästämää – sinua ja minua ei enää tarvita samassa määrin koneiden korvatessa meidät. Nykyinen osaaminen ja tulevaisuuden tarpeet eivät kohtaa, ja edessämme on merkittävä työmarkkinoiden kohtaanto-ongelma. Erinäisten tutkimusten mukaan 0,5–1 miljoonaa suomalaista tulee uudelleenkouluttaa (Järvilehto 2019). Siis jo töissä olevia ihmisiä! Samalla nousee huoli opiskelijoiden jaksamisesta, joka kulminoituu sietämättömään tietämättömyyteen tulevasta: onko osaamiseni, mitä tänään opiskelen enää merkityksellistä valmistumisen jälkeen? Valmistunko ammattiin, jota ei enää hetken päästä ole?

On esitetty (lue: varmana pidettyjä) pessimistisiä näkemyksiä työn tulevaisuudesta ja tuloerojen kasvamisesta. On hyvin erilaisia käsityksiä siitä, kuinka paljon ja kuinka nopeasti tekoäly tuhoaa nykyisiä työpaikkoja. Automatisoitavia, rutiininomaisesti toistuvia tehtäviä sisältäviä, niin sanottuja taylorisoituja työpaikkoja oli vuonna 2015 noin 9 % työpaikoista Suomessa (Koski ja Husso 2018). McKinseyn (2017) mukaan tekoäly tuhoaa Suomessa noin 15 % työpaikoista vuoteen 2030 mennessä ja muuttaa työn luonnetta huomattavasti tätä suuremmassa osassa tehtäviä.

Pohjois-Amerikkaa koskevissa tutkimuksissa on vastaavasti väitetty, että robotit1 korvaavat ihmisen puolessa kaikista työpaikoista 10−20 vuoden sisällä (Marketwatch 2019). Rajuinta pudotuksen oletetaan olevan ”perusduunari-”, eli kenttä- ja huoltotöissä, joissa työntekijämäärien arvioidaan romahtavan nykyisestä miljoonasta henkilöstä 50 tuhanteen henkilöön. Tämä kaikki tapahtuu näiden selvitysten mukaan seuraavan kymmenen vuoden aikana.

Kaikki tämä ”varma tieto” on ihmeellinen esimerkki tarinan voimasta: kun mitä tahansa tarinaa toistaa tarpeeksi pitkään, alamme kaikki lopulta kollektiivisesti siihen uskoa. Mutta esimerkiksi kenttä- ja huoltotyöntekijöiden korvaamiseen liittyen voimme esittää kaksi yksinkertaista kysymystä. Miten monta robottia työskentelee nykyään kyseisissä tehtävissä? Nolla. Miten monta vaihtoehtoa olemme nähneet koneista, jotka suoriutuisivat samoista tehtävistä paremmin kuin ihminen? Nolla.

Teknologisen edistyksen vaikutukset suodattuvat monien tekijöiden läpi ja kehityksen vauhtiin liittyy epävarmuutta. Kun asiaa tarkastelee neljän peruslainalaisuuden kautta – digitalisaation harha, raskaat investointikustannukset, suorituskyvyn ja pätevyyden ero sekä tekoälyn yliarviointi – huomaa, että muutokset työllisyydessä eivät todennäköisesti ole yhtä nopeita kuin teknologinen kehitys antaisi odottaa.

Digitalisaation harha

Useammat tutkijat ja asiantuntijat, allekirjoittanut mukaan lukien, olettavat helposti, että maailma on jo digitaalinen, että uusien teknologioiden hyödyntäminen voidaan aloittaa heti ja että ne johtavat hetkessä operatiivisiin muutoksiin tuotantoketjuissa, tehtaissa ja yritysten tukitoiminnoissa. On kuitenkin hyvä muistaa, että 98 % eurooppalaisista yhtiöistä on pieniä ja keskisuuria, jotka eivät ensimmäisten joukossa ole ottamassa käyttöön uutta teknologiaa. Kun kokonaisuuteen lisätään vielä arvio siitä, että 44 %:lta eurooppalaisista puuttuu perustavanlaatuiset digitaidot, niin saadaan tarkempi kuva tulevan digiloikan jättimäisistä haasteista (ks. esimerkiksi Digital Skills Gap 2017.) Kestää paljon kauemmin implementoida kaikki innovaatiot robotiikan ja tekoälyn saralla, kuin mitä alan (kuplan) sisällä yleensä oletetaan. Tämä on digitalisaation harha. Maailma ei ole vielä valmis.

Raskaat investointikustannukset

Yritykset ovat yleensä haluttomia ottamaan käyttöön uutta teknologiaa, jos se edellyttää suuria investointeja tai merkittäviä organisaatiomuutoksia. Vaikka olemme tottuneet alati päivittyvään puhelimeen, puhumattakaan hermoja raastavista Windows-päivityksistä, ei yritysmaailma liiku yhtä vikkelään. Siinä missä ohjelmistopäivityksiä saatetaan tehdä päivittäin ja melko halvalla, on vastaavasti koneiden ja kaluston käyttöön ottaminen ja päivittäminen huomattavasti kalliimpaa. Jos ostat auton tänään, se tuskin sisältää erityisen paljon päivitettäviä ohjelmistoja ja mitä todennäköisimmin se ei ole itseohjautuva. Mitä luultavammin ajat sillä vielä 15 vuodenkin kuluttua. Samoin, jos rakennat tänään talon, niin voit olettaa asuvasi siinä loppuelämäsi. Maailma muuttuu ympärillä, mutta se ei tarkoita, että vanhat investointipäätökset kumotaan, ellei sille ole selkeää taloudellista perustetta.

Suorituskyvyn ja pätevyyden ero

Tämän päivän tekoäly, kuten automaattinen puheentunnistus, on kapeaa tekoälyä. Se tarkoittaa sitä, että kone voi suoriutua ilmiömäisen hyvin tietystä tarkasti rajatusta tehtävästä. Se on siis suorituskyvyltään ylivoimainen ihmiseen nähden, mutta erityisen älykäs se ei ole.

Jos ihminen on teknisesti taitava laulamaan, saatamme olettaa, että hän oppii myös keskimääräistä helpommin soittamaan jotakin soitinta, koska hän ymmärtää musiikkia.2 Tapaamme ajatella koneiden suoritteiden osalta samalla tavalla: kun kuulemme, että kone tai järjestelmä suoriutui tietystä tehtävästä, niin uskomme, että sillä on samoja pätevyyksiä kuin ihmisellä samassa tehtävässä. Tämä on harhaluulo, ja kyse on suorituskyvyn ja pätevyyden erosta: kone on tehokas, muttei erityisen älykäs.

Tämän päivän robotit ja järjestelmät ovat monelta osin uskomattoman yksinkertaisia. Ne eivät yllä lähellekään älykkyyden perusominaisuutta eli taitoa ymmärtää fyysistä maailmaa tarpeeksi hyvin tehdäkseen siitä yksinkertaisia johtopäätöksiä. Niillä ei myöskään ole kykyä havainnoida yhtä asiaa ja käyttää sitä taustatietona oivaltaakseen, miten jokin toinen asia toimii. Ne eivät toisin sanoen ole päteviä tekemään muuta kuin sen asian, johon ne on tarkoitettu. Tämän seurauksena myöskään työpaikat eivät häviä yhtäkkisesti. Työ ennemmin muuttuu yksi askel kerrallaan.

Tekoälyn yliarviointi

Tekoälyn vaikutusta on jatkuvasti yliarvioitu, ensin 60- ja sitten 80-luvulla. Luultavasti näin käy tälläkin kertaa, lyhyellä aikavälillä ainakin.3 Viime vuosina olemme saaneet todistaa huimaa kehitystä tekoälyjärjestelmien tehokkuudessa ja hyödyntämisessä. Merkittävin syy tähän on edistys syväoppimisessa. Näiden onnistumisten valossa ajatellaan, että kehityskulku jatkuu samalla kulmakertoimella. Tämä on harhaluulo (ks. esimerkiksi Rosling et al. 2018). Nykyisen syväoppimisen edistysaskelia edelsi 30 vuoden kehitystyö. Kyse on ennemminkin yksittäisestä merkittävästä onnistumisesta kuin siitä, että voisimme olettaa tekoälyn kehityksen olevan erityisen lineaarista jatkossa(kaan). Seuraavaan tekoälytalveen en usko, mutta hypen laantuminen on vääjäämättä edessä. Tämä ei välttämättä ole huono asia, vaan tuo mukaan syvällisemmän ymmärryksen nykyisten teknologioiden rajallisuuksista ja vahvuuksista.

On hyvä pitää mielessä, että vaikka työpaikkojen häviämisvauhti tuntuu nopealta, se on selvästi hitaampaa kuin Suomessa on koettu aiempina vuosikymmeninä (Koski ja Husso 2018, 10). Tuoreimmat tutkimukset Pohjois-Amerikassa osoittavat, että vuonna 2018 tekoäly loi kolme kertaa enemmän työpaikkoja kuin se vei niitä. Ajanjaksolla 2016−2018 emme myöskään todistaneet merkittävää keskiluokkaisten töiden tuhoa. Itseasiassa niitä syntyi enemmän kuin matalapalkkaisia. (Dishman 2019.) Nykyisellään tekoäly ei siis ole lisännyt merkittävästi tuloeroja. Muutoksesta, olkoonkin vääjäämätön, ei välttämättä tule niin nopeaa tai kokonaisvaltaista kuin on ennustettu.

1Huom! Tämä on kirjoittajan yksinkertaistus. Raportissa ei viitata pelkästään robotteihin.
2Tämä ei tietenkään aina pidä paikkaansa.
3Kyseessä on niin kutsuttu Amara’s Law: yliarviomme teknologian vaikutusta lyhyellä aikavälillä samalla kuin aliarviomme sen vaikusta pitkällä aikavälillä.

Kirjoittaja

Alexander Törnroth, KTM, AI Accelerator Lead, Suomen Tekoälykiihdyttämö, osana Teknologiateollisuutta, alexander.tornroth(at)teknologiateollisuus.fi


Digital Skills Gap in Europe (2017). Euroopan komissio. Haettu 25.7.2019 osoitteesta https://ec.europa.eu/digital-single-market/en/news/digital-skills-gap-europe

Dishman, Lydia (2019). Is AI killing jobs? Actually, it added 3x more than replaced in 2018. FastCompany. Haettu 25.7.2019 osoitteesta https://www.fastcompany.com/90369739/is-ai-killing-jobs-actually-it-added-3x-more-in-2018

Ihminen luupissa

Kirjoittajat: Katri Halonen & Tuire Ranta-Meyer.

Ville Tuulos on eturivin data-analyytikkoja ja koneoppimisarkkitehtuurin kehittäjiä maailmalla. Hän on Helsingin yliopiston tietojenkäsittelylaitoksen kasvatti ja ollut töissä niin tutkijana kuin asiantuntijana tai johtajana muun muassa Nokialla, AdRollissa ja BitDelissä. Hän on kirjoittanut kollegoidensa kanssa jo vuonna 2007 kirjan Mobile Python: Rapid prototyping of applications on the mobile platform. Tällä hetkellä hän on näköalapaikalla Netflixillä Los Gatosissa Piilaaksossa ja vastaa yrityksen koneoppimista hyödyntävän infrastruktuurin rakentumisesta (Manager, Machine Learning Infrastructure). Hänet tunnetaan Netflixin ensimmäisten uusien ihmiskeskeisten koneoppimisympäristöversioiden suunnittelijana ja rakentajana.

Netflix on tunnettu siitä, että se on alusta alkaen tehnyt datan keräystä ja että sen prosesseissa on aina ollut mukana koneoppimista tai personointia. Netflix on edelläkävijä datapohjaisten elokuva- tai TV-sarjasuositusten antamisessa, joten voisimme kuvitella Ville Tuuloksen käsissä olevan sen, millaisten suositusten avulla kulttuurin kuluttamistamme ohjaillaan. Itse hän kokee työnsä kuitenkin olevan eniten ihmisten rohkaisemista siihen, että nämä tekisivät asioita epäkonventionaalisesti. Netflixin sisältötuotanto tehdään Hollywoodissa, mutta teknologioita kehittävät insinöörit toimivat Piilaakson yksikössä.

Tuulos on luennoinut kansainvälisissä seminaareissa ja avannut Netflixin toimintakulttuuria muiden muassa key-note -puhujana Tallinnassa AI-kehittämisen konferenssissa tänä keväänä. Meillä UAS Journal -tekoälynumeron teematoimittajilla oli mahdollisuus haastatella häntä tekoälykehityksen näkymistä Helsingin  keskustakirjasto Oodissa heinäkuun alussa.

Millaisena näet ihmisen roolin ja mahdollisuudet vapaisiin valintoihin tekoälyaikana? Onko tekoälyn vallasta syytä olla huolissaan?

─ Fakta on, että tekoälyn kehittäminen ja hyödyntäminen ovat vaikeampia kun monet haluaisivat tällä hetkellä myöntää. Monet miettivät sitä ja siihen liittyviä keinoja: valtiot, yritykset, tutkimuslaitokset, korkeakoulut! Tekoälykehitys on kauempana kuin lehtiä lukemalla luulisi. Yksittäisiä demoja on helppo tehdä ja uutisoida, mutta vaikeampaa on integroida tekoälyä arkeen. Ihmiskunta on aina tehnyt uusia työkaluja. Tekoälyä tai koneoppimista voi pitää tämän pyrkimyksen jatkumona; se on vain yksi automaattisen tietojenkäsittelyn työkalu, ei mitään sen mystisempää.

Tuuloksen kokemuksen mukaan tekoälymallit eivät lähtökohtaisesti toimi tuosta vain suoraan. Tarvitaan lukuisia iteratiivisia parannusprosesseja ja laadunvarmistuskierroksia. Toisinkin päin voi tulla pulmia: vaikka tilastomatemaattinen malli on oikea, se ei toimi, koska data on puutteellista.

─ Tekoälysovellusten yksi vahvuus on siinä, että se pakottaa mallintamaan ratkaistavaa ongelmaa loogisesti, usein ongelmaa yksinkertaistaen. Tämä toimintamalli voi auttaa ymmärtämään ja avata jumissa olevia prosesseja. Toisaalta jos keskitytään ”väärään ongelmaan”, prosessi voi myös jäädä junnaamaan tosi pitkään. Syvän osaamisen hankkiminen vaatii paljon aikaa. Siksi kaikki se, mitä on aiemmin opiskellut ja millaista kokemusta hankkinut, on relevanttia. Oikeiden ongelmien valitseminen on kaikkein olennaisin kysymys – tai jopa se, kannattaako johonkin kysymykseen ylipäätään käyttää tekoälyä. Lopultakin tekoäly ratkaisee vain pienen osan asioista.

Mitkä ovat tämän hetken päällimmäiset haasteet? Mikä meidän olisi hyvä huomata täällä Suomessa tarpeeksi ajoissa?

─ On vain harvoja aloja, jotka ovat ainoastaan ratkaistavissa tekoälyn avulla. Yleensä on kyse jonkin olemassa olevan tekemisestä paremmin, nopeammin tai tehokkaammin. Haasteita on myös tuotejohtamisessa: ihmisiä, jotka osaavat tehdä tekoälyn avulla tuotteita, on vähän. Tuotejohtamista on harvoin riittävästi mukana eikä sitä opeteta korkeakouluissa. Sisältöosaajien rinnalle tarvitaan vahvoja tuotejohtajia: henkilöitä, jotka osaavat kuljettaa tuotteen koko bisnesketjun läpi huomioiden sen tavoitteet ja menestymisen mahdollisuudet ja jotka jatkuvasti arvioivat tuotetta ja tuotantoprosessia. Tekoälyn osaajia alkaa olla enenevässä määrin, mutta on vaikea löytää niitä jotka osaavat tehdä tuotteen. Arkisena esimerkkinä: vanhustenhoidossa joustavat työvuorolistat voisivat olla kehityskohde, jossa tekoälystä voisi olla hyötyä, eikä suinkaan jokin robotti ovenpielessä.

Tekoälytulevaisuuteen näyttää Tuuloksen mielestä johtavan kaksi tietä: teknologiaa kehittävät yhtäältä datatietelijät, jotka osaavat metodiikan ja toisaalta asiaosaajat, jotka tuntevat domaininsa eli erityisalansa. Paras lopputulos syntyy kun nämä kaksi osaamisalaa kohtaavat. Tämän aikaansaaminen ei ole kuitenkaan aina helppoa, koska eri alojen asiantuntijat puhuvat usein toistensa ohi. Lisäksi asiantuntijoilla on henkilökohtaisia intressejä ja motivaatioita, jotka usein monimutkaistavat yhteistyötä. Tähän inhimilliseen aspektiin pitäisi kiinnittää enemmän huomiota.

─ Tässä toimintakentässä ketterästi eteneminen on tärkeää, se että kehitteillä oleva asia laitetaan mahdollisimman nopeasti tuotantoon. Silloin nähdään jo alkumetreillä, voiko idea toimia. On hienoa, että tekoälyn kehittäjillä on passioita, mutta tekoäly on vain yksi työkalu muiden joukossa, ei päämäärä itsessään.

Netflix muuttunut lisensoidun sisällön alustasta monipuoliseksi tuotantotaloksi

─ Netflixiä pidetään koneoppimisen edelläkävijänä, jonka toiminnan ytimessä on suositusten automatisointi. Netflix on tehnyt alusta alkaen datan keräystä ja siihen liittyen yrityksellä on pitkä perinne koneoppimisen, suositusten ja personoinnin kehittäjänä. Tämä on kuitenkin vain pieni osa Netflixin koneälyn hyödyntämistä.

Vuosien mittaan Netflix on lisännyt vahvasti omaa sisältötuotantoaan ja kasvanut lisensoituja audiovisuaalisia sisältöjä tarjoavasta alustasta oman sisällön tuottajaksi. Sisältöinä on laaja joukko erilaisia itsetuotettuja minisarjoja, erityisohjelmia, dokumentteja sekä elokuvia. Suositusten rinnalla tekoälyllä on Netflixissä suuri merkitys itse tuotannon ohjaamisessa: sitä käytetään tuotantoprosessin eri vaiheiden tukena.

─ Tekoäly koostuu oikeastaan sadoista ohjelmista. Palasista, jotka ovat tukena ihmisten tehdessä nyansoitujen kysymysten tekemisen kautta päätöksiä läpi tuotantoprosessin eri vaiheiden. Päätöksenteossa on aina mukana ihminen, jonka toiminnan yksi haaste on arvioida milloin kannattaa noudattaa koneen suosituksia ja milloin ei.

Ville Tuulos.

Tuulos näkee ihmisen edelleen keskiössä tekemässä kysymyksiä, arvioimassa tekoälyn tuottamia ratkaisuja ja niiden hyödynnettävyyttä.

─ Ytimessä on ymmärtää ihmistä. Mitä ihmisläheisempää toiminta on, sen tärkeämpää on löytää keinot, jolla ihminen pidetään mukana päätöksenteossa koneen rinnalla.

IT-vetoisesta alustapalvelusta oman luovan sisällön tuottajaksi siirtyminen näkyy vahvasti yrityksen arjessa. Piilaaksossa toimivien insinöörien ja Hollywoodissa sijaitsevan tuotannon keskeiset haasteet ovat tyypillisiä luovan alan haasteita: kuinka löytää yhteinen kieli ja oikea tekemisen asenne, ja miten rakentaa hyvää yhteistyötä. Luovan työn ja analyyttis-loogisen työn yhteensovittaminen on ajoittain haasteellista. Luovan työn tekijöillä on kuitenkin selkeästi vakaa paikkansa tekoälyn värittämässä organisaatiossa.

─ Luovat ihmiset tuntevat turhaan uhkia AI:sta. Ihmistä ja luovia sisältöjä ei missään tapauksessa haluta automatisoida pois – se ei olisi edes mahdollista.

Menevätkö opiskelusisällöt uusiksi? Millaisia eväitä opiskelijoille tulisi antaa työelämää varten?

Tekoäly muuttaa maailmaa, mutta mitään laajamittaista vallankumousta Tuulos ei ennakoi korkeakoulukentälle. Kysyimme miten hänen mielestään tulisi opettaa korkeakoulujen opiskelijoita keksimään, luomaan ja löytämään sellaisia ihmisen tarpeita joita sofistikoituneinkaan robotti ei kykene paikantamaan.

─ Nykyinen koulutus tuntuu edelleen relevantilta. Ajattelun kehittäminen on yhä ytimessä ja se onnistuu monella nykyisellä oppiaineella.

Piilaakson tuomisina Tuulos nostaa esille tärkeitä oppimisen elementtejä: henkilökohtaista vuorovaikutusta ja sosiaalisia taitoja tulee korostaa. Niiden alueella suomalaisilla on vielä kehitettävää. Samalla hän maalailee kuvaa uudesta tekoälykollegasta. Ihmisen ja koneen välisen vuorovaikutuksen toimivaksi saaminen on suuri haaste. Tekoälyä voi siksi käyttää pikemminkin konsultin roolissa: koneelta voi kysyä, mitä tapahtuisi jos teemme näin tai noin. Silloin voi huomioida vastaukset monipuolisesti ja tehdä ratkaisun sillä painoarvolla, jonka näkee viisaimmaksi. Vastauksen hyödyllisyyden arviointi jää siten kysyjälle.

Yksi keskeinen näkökulma koulutukseen on osaamisen näkyväksi tekeminen. Varsin usein asiantuntijat demonstroivat osaamistaan vaikeaselkoisilla menetelmillä, vaikka yksinkertainenkin ratkaisu riittäisi. Olisiko korkeakoulutuksenkin kentällä löydettävä lisää kauneutta yksinkertaisuudesta?

─ Koulutuksessa painottuu taidolla briljeeraaminen. Tehdään asioista monimutkaisia ja etsitään niihin yhtäläisen monimutkaisia ratkaisuja. Oikeasti yksinkertainen ratkaisu on yleensä helpompi, mutta sen tavoittelu vaatii oikean mindsetin.

Tulevaisuudessa Tuulos ennakoi, että eri oppiaineissa korostuu yhtenä näkökulmana tekoälyn hyödyntäminen eri alojen toiminnan ja prosessien tukena. Samalla yhteistyö tekoälykollegan kanssa edellyttää kykyä asettaa relevantteja kysymyksiä ja arvioida saatuja datapohjaisia vastauksia. Nämä eivät kuitenkaan syrjäytä oman alan syväosaamisen tarvetta eivätkä sosiaalisia taitoja. Työelämävalmiuksien näkökulmasta Tuulos tiivistää työelämään siirtyvälle neuvona:

─ Paras tulos ihmisen työuran kannalta ei ole se, että on valmistunut jostain huippuyliopistosta, vaan se että on kouliintunut, nähnyt eri tilanteita ja että on omaa elämänkokemusta työelämässä hyödynnettäväksi ja on valmis oppimaan uutta. Olennaista Netflixille rekrytoitaessa on monipuolinen kokemus sekä kyky toimia muiden kanssa ja käydä dialogia toisten alojen syväosaajien kanssa.

Mitä neuvoja antaisit tekoälyn soveltamisen kärkimaaksi havittelevalle Suomelle? Mitä ajattelet siitä, että työ- ja elinkeinoministeriön ohjelmassa meistä tulee tekoälyosaamisen vahvistamisen avulla maailman relevantisti koulutetuin kansakunta ja tekoälyn huippumaa?

─ Suomessahan asiat ovat jo tavattoman hyvin. Sen tajuaa, kun on asunut ulkomailla Yhdysvalloissa yli 10 vuotta. Pitäisi olla ylpeä vahvuuksista sen sijaan, että tavoitellaan ykkössijaa tai podetaan kollektiivista huonoa omatuntoa siitä, että oltaisiin jäämässä jälkeen.

Suomen ei ole edes tarpeellista pyrkiä tekoälyn huippumaaksi, vaan keksiä jotain sellaista, mitä muut eivät hoksaa. Luova hulluus olisi Suomelle oiva mahdollisuus pärjätä ja erottautua muista maista, joissa rakenteet ovat jäykempiä. Miten vaalia sitä, voisi olla yhtä hyvin mietintöjen ja politiikkaohjelmien arvoista.

Piilaakson laajasta horisontista katsoen olisi Tuuloksen mielestä viisautta hyväksyä realiteetit: Suomen ei kannata kilpailla kaikilla saroilla suurten maiden kanssa. Ei ole järkevä tavoite, että viisimiljoonainen kansa tuosta vain päihittää vaikkapa kaikki kiinalaiset. Amerikkalaiset eivät suinkaan ole teknisesti parhaita asiantuntijoita, mutta heidän sosiaaliset taitonsa, kykynsä fasilitoida ja nostaa esiin lahjakkuuksia ovat ylivertaisia. Siinä heitä eivät hevin muualta tulleet päihitä. Sen sijaan että tehdään strategioita siitä, kuinka Suomi voi olla paras milloin missäkin asiassa, pitäisi kilpailuasetelman sijaan benchmarkata, mitä muut tekevät, hakea yhteistyötä ja liittoutua.

─ Jos tavoitellaan huippuasemaa tekoälyssä, pitäisi pohtia myös kysymystä “Entäs sitten?”. Ei ykkösmaana oleminen tuo automaattisesti mitään. Kaikki haluavat olla maailman huipulla. Onko edes tarpeellista pyrkiä olemaan tekoälyn huippumaa, vaan ymmärtää, että mikä tahansa asia jota tänään ei osata, voikin olla tulevaisuuden tekoälyala. Emme olisi kuvitelleet joitakin vuosikymmeniä sitten todeksi autonomisia ajoneuvoja, mutta konenäkö on tehnyt ne mahdolliseksi. Sanoisin että 80 prosenttia tekoälyyn liittyvästä työstä on hypeä, mutta loppu 20 prosenttia on oikeasti tärkeää.

Kirjoittajat

Katri Halonen, YTT, FL, yliopettaja, Metropolia-ammattikorkeakoulu, katri.halonen(at)metropolia.fi

Tuire Ranta-Meyer, FT, Dos., johtaja, Metropolia-ammattikorkeakoulu, tuire.ranta-meyer(at)metropolia.fi


Edelläkävijänä tekoälyaikaan. Tekoälyohjelman loppuraportti. Työ- ja elinkeinoministeriön julkaisuja 23/2019. Haettu 12.8.2019 sivustolta http://julkaisut.valtioneuvosto.fi/bitstream/handle/10024/161447/23_19_Tekoalyraportti.pdf

Kuusela, Sami (2018). Älytön kiire. Image 11.

Lee, Kai-Fu (2018). AI Superpowers: China, Silicon Valley, and the New World Order. Boston New York: Hougton Mifflin Hardcourt.

Näin teemme Suomesta tekoälyn huippumaan. Työ- ja elinkeinoministeriön tiedote 23.10.2017.Haettu 12.8.2019 sivustolta https://tem.fi/artikkeli/-/asset_publisher/tyoryhmalta-kahdeksan-avainta-nain-teemme-suomesta-tekoalyn-huippumaan.

Remes, Jukka (2018). Mutta mistä tekoäly tulee − kuka sen kehittäisi ja millä voimin? Tiedepolitiikka 4.

Scheible, Jürgen; Tuulos, Ville; Laurila, Jukka (2007). Mobile Python: Rapid prototyping of applications on the mobile platform. Hoboken ja San Fransisco: John Wiley Sons.

Suomen tekoälyaika. Suomi tekoälyn soveltamisen kärkimaaksi: Tavoite- ja toimenpidesuositukset. Työ- ja elinkeinoministeriön julkaisuja 41/2017. Haettu 12.8.2019 sivustolta http://julkaisut.valtioneuvosto.fi/bitstream/handle/10024/80849/TEMrap_41_2017_Suomen_teko%C3%A4lyaika.pdf
Tekoälyaikaohjelman sivusto https://www.tekoalyaika.fi/

Tekoälyajan työ. Neljä näkökulmaa talouteen, työllisyyteen, osaamiseen ja etiikkaan. Työ- ja elinkeinoministeriön julkaisuja 19/2018. Haettu 12.8.2019 sivustolta. http://julkaisut.valtioneuvosto.fi/bitstream/handle/10024/160931/19_18_TEM_Tekoalyajan_tyo_WEB.pdf.

Ville Tuuloksen Linkedin-sivu https://www.linkedin.com/in/villetuulos/

Zero to AI with Data Applied Machine Learning & Data Science Conference for Developers. 2019. Tallinn, Estonia. Ks. tarkemmin https://aiconf.tech/

Miten erottaa tekoäly teko-tekoälystä?

Kirjoittaja: Cimmo Nurmi.

Neljä vuotta sitten tekoälystä puhuivat vain alan asiantuntijat. Nyt se on kaikkien puheissa. Tekoälyn kerrotaan muuttavan maailmaa enemmän kuin ihmiskunnan aiemmat kolme suurta teknologiakeksintöä: höyrykone, sähkö ja internet. Seuraavassa esittelen näkemyksiäni tekoälystä kolmen taustatekijän kautta: akateeminen tekoäly, todellinen tekoäly ja vaarallinen tekoäly. Tavoitteeni on, että lukija osaa artikkelin luettuaan erottaa tekoälyn teko-tekoälystä.

Tekoälyn syntymävuosi voidaan määritellä monella eri tavalla. Itse ajoitan sen vuoteen 1980, jolloin pidettiin ensimmäinen akateeminen tekoälykonferenssi First National Conference of the American Association for Artificial Intelligence Stanfordissa. Tekoälyn pääelementtejä ovat kuvan 1 mukaisesti algoritmit, data ja tietokoneen laskentateho. Näistä eniten on kehittynyt tietokoneiden laskentateho, joka on kasvanut 1980-luvulta tähän päivään mennessä yli 10.000-kertaiseksi. Tämä on mahdollistanut 70–90 -luvuilla kehitettyjen algoritmien ja mallien laskennan (sadasosa)sekunneissa aiemman viikkojen laskenta-ajan sijaan. Aiemmin näitä algoritmeja käytettiin lähinnä tutkijoiden akateemisissa testipenkeissä.

Kuva 1. Tekoälyn pääelementit: algoritmi, data ja laskentateho.

Datan osalta tärkein tekijä kehittymiseen on ollut sen saatavuuden merkittävä parantuminen. Internet on nopeutunut, tallennuskapasiteettia on runsaasti tarjolla ja dataa on avattu avoimeen käyttöön. Näiden ansiosta datan yhdistely on helpottunut. Tekoäly tarvitsee sekä opettamiseen että oppimiseen laadukasta ”big dataa”, mutta hyvää sellaista on edelleen varsin vähän tarjolla. Datan tulee nimittäin olla kuratoitua, yhdisteltyä ja varmennettua.

Algoritmit ovat myös kehittyneet, mutta erityisesti ne ovat tulleet yleiseen käyttöön avoimen lähdekoodin (kts. esim. Mybridge 2019) ja avoimien alustojen (kts. esim. TensorFlow 2019) kautta, jolloin niitä on periaatteessa huomattavasti helpompi hyödyntää. Periaatteessa siksi, että ainakin omasta mielestäni on edelleen toivottavaa ymmärtää niiden taustalla oleva matematiikka, vaikka toisenlaista mielipidettäkin varsin paljon esiintyy.

Oikea tekoäly

Tekoäly on tietokoneelle ohjelmoitua algoritmista älyä, jossa ohjelma sekä toimii ilman ihmisen ohjausta älykkäästi että oppii toimimaan tilanteen mukaan sitä paremmin mitä enemmän sitä käytetään. Erittäin hyvä muistisääntö on, että tekoäly (järjestelmä tai ohjelmisto) on huomenna parempi kuin tänään. Hyviä lähitulevaisuuden esimerkkejä tekoälystä ovat robottiautot, yleislääkärin tukirobotit, kirjanpitorobotit ja erittäin tarkat sovelluspersonoinnit.

Kuva 2. Oikeaa tekoälyä ja teko-tekoälyä.

Tekoälyä eivät ole ohjelmistot tai automaatiojärjestelmät, joissa toimintaa ohjataan määrättyjen sääntöjen perusteella. Esimerkiksi kännykästä käytettävä ohjelma (kuva 2), jolla voi säätää kodin lämpötilaa, ei ole tekoälysovellus. Jos näitä nimitetään tekoälyksi, termiä käytetään harhaanjohtavasti. Kyseessä on tällöin nähdäkseni teko-tekoäly. Mutta tekoälyksi sen voi luokitella, jos kännykkä ilmoittaa sitä käytettäessä: ”Pekka, älä nyt taas tee niitä omia säätöjäsi. Viimeksikin homma meni pieleen. Tehdään nyt niin, että…” tai ”Pekka, oman kokemukseni mukaan näin on paras. Ja sitä paitsi sääkin on muuttumassa. Käytkö, Pekka, tässä samalla hyväksymässä maalämpöjärjestelmän uudet käyttöarvot. Ne perustuvat viimeisen vuoden seurantaani. Toki muutoksia voi jatkossa tulla, kun taas opin uutta perheen käyttötottumuksista.”

Oikealla tekoälyllä ratkaistaan ongelmia, jotka joko vaativat kognitiivisia taitoja, korkeaa tajuntaa ja ymmärrystä (esim. hahmontunnistus, konenäkö, puheentunnistus, päätöksenteko ja oppiminen) tai ovat niin monimutkaisia, ettei ihmisten aivokapasiteetti riitä niitä järkevästi ratkaisemaan (esim. lentokoneiden maailmanlaajuinen aikataulutus, isojen laivojen konttien pakkaaminen, suurien työntekijäryhmien työvuorojen suunnittelu ja lääkeriskien arviointi). Ensimmäisiä ratkaistaan (kts. kuva 3) erityisesti neuroverkoilla (kts. esim. Haykin 1998 ja Goodfellow ym. 2016) ja jälkimmäisiä laskennallisen älykkyyden menetelmillä (kts. esim. Siddique ja Adeli 2013). Teko-tekoälyn vastaiskuna on alkanut esimerkiksi Fake Intelligence -liikehdintä (Fake Intelligence Summit 2019). Oikeakaan tekoäly ei itse asiassa ole älyä, vaan se on ohjelman suorittamista ja tämä ohjelma lienee suurin piirtein yhtä (teko)älykäs kuin sen algoritmin suunnitellut ja sen ohjelmakoodin kirjoittanut ihminen.

Kuva 3. Tekoälyalgoritmeista suosituimpia ovat neuroverkot (Templeton 2015) ja evoluutioalgoritmit (Kyngäs ym. 2012).

Markkinointipuheiden tekoäly

Tekoälyn, data-analytiikan ja big datan noustua parin viime vuoden aikana termeinä suuren yleisön tietoisuuteen yritykset aloittivat välittömästi niiden käyttämisen omissa mainospuheissaan. Mainospuhe saattoi aiemmin olla mallia ”Ohjelmistoratkaisumme mahdollistavat yrityksenne toiminnan kehittymisen” ja nykyään ”Tekoälysovelluksemme ohjaa toimintaprosessejanne optimaalisesti”. Tai aiemmin ”Hyödynnämme tilastomenetelmiä tietomassan käsittelyssä” ja nykyään ”Data-analytiikan työkalumme etsivät ja ennustavat liiketoimintadatanne riippuvuussuhteita”. Tekoälytutkija Harri Ketamo, tekoäly-yrityksen HeadAI:n pääomistaja, on kuvannut tilannetta oivallisesti: ”Jos Excelissä on enemmän rivejä kuin näkyy ruudulla, sitä pidetään nykyään Big Datana”. Vaikka tekoälyn ympärillä liikkuu paljon mainospuheita, sillä on kuitenkin perusteltu pohja. Tekoäly tulee vääjäämättä muuttamaan maailmaa, mutta siihen menee vielä tovi aikaa.

Erittäin harvaan ohjelmistoon tai järjestelmään on tällä hetkellä lisätty (todellista) tekoälyä. Oikeita tekoäly-yrityksiä on Suomessa vielä vähän, koska todellisten tekoälyratkaisujen ostajia on vielä vähän. Edelliset tarvitsevat lisää huipputason osaamista ja jälkimmäiset käytännön operatiivista ymmärrystä. Olin positiivisesti yllättynyt tutustuessani tämän vuoden Peppi-koulutusorganisaatioiden ja -kehittäjien (Peppi-konsortio 2019) kesäpäivillä paikalla olleiden ohjelmistoyritysten markkinointimateriaaliin ja -puheisiin. En havainnut yhdenkään yrityksen käyttäneen (väärin) tekoälyä terminä. Sen sijaan kerrottiin datan hyödyntämisestä ja älykkäistä ratkaisuista. Miten sitten yritykset ja korkeakoulut ja erityisesti niiden ohjelmisto- ja järjestelmähankinnoista vastaavat osaavat erottaa todellisen tekoälyn?

Luotettava tekoäly

Tekoäly voi olla vaarallinen tai ainakin puolueellinen. Signaalinkäsittelyn professori Tarmo Lippingiä lainaten: ”Tekoälyn avulla voidaan hallita huomattavasti isompia ja monimutkaisempia kokonaisuuksia kuin mitä ihminen koskaan on pystynyt hahmottamaan ja näin ollen sille, joka hallitsee tekoälyä, kerääntyy huomattava määrä valtaa” (Lipping 2018). Pahimmassa tapauksessa muutama suuryritys, kuten Google ja Amazon, määrittelevät tekoälyn toiminnan.

Valtioneuvosto on tehnyt selvityksen algoritmeista päätöksentekijöinä (Koulu ym. 2019). Selvityksessä todetaan, että algoritmiset järjestelmät sisältävät inhimillisen ratkaisutoiminnan tapaan subjektiivisia piirteitä. Niiden etuna on skaalautuvuus eli kyky lisätä toiminnan tehokkuutta ilman merkittäviä lisäinvestointeja alkupanostusten jälkeen. Toisena etuna on lopputulokseen johtaneen päätöksentekoprosessin monistettavuus. Toisaalta oikeaan tekoälyyn perustuvat algoritmiset päätöksentekijät ovat ongelmallisia, koska ne ovat autonomisia, itseohjautuvia ja lopputulokseltaan ei-ennustettavia. Selvitystyön keskeinen ja erittäin tervetullut johtopäätös on, että algoritmisten järjestelmien hyödyntämisestä viranomaistoiminnassa tulee säätää lailla. Tekoäly voi olla puolueellinen kansalaisen oikeusturvan näkökulmasta.

Tekoäly korkeakouluissa

Mikä on korkeakoulujen rooli tekoälymaailmassa? Jos kehitetään tekoälyä, tarvitaan huippuosaamista matematiikassa ja tietojenkäsittelyssä. Jos sovelletaan tekoälyä, tarvitaan muun muassa insinööritieteiden ja tuotekehityksen asiantuntemusta. Korkeakoulujemme resurssit eivät mielestäni riitä akateemisen perustutkimuksen kautta tuottamaan (jatkuvalla tahdilla) maailman ykköstason huippututkijoita. Yksittäisiä superhuippuja löytyy aina, mutta uskoisin että Google ja kumppanit ostavat heidät itselleen ”varsin kohtuullisella korvauksella”. Yliopistojen tutkinto-ohjelmiin on tullut uusia opintokokonaisuuksia tekoälystä ja data-analytiikasta. Niissä ei kuitenkaan ole mielestäni paljoa uutta verrattuna siihen, mitä itse opiskelin 1980-luvulla. Toki tietokoneiden laskentateho, internet ja datan saatavuus ovat tuoneet äärimmäisen hienoja uusia mahdollisuuksia opetukseen ja yritysyhteistyöhön.

Akateemista tutkimusta ei pidä unohtaa, mutta se tulisi yhdistää Piilaakson tyyppiseen korkeakouluissa syntyvän startup-yrittäjyyden tukemiseen. Tästä on jo hyviä esimerkkejä mm. Aalto-yliopistosta, Turun yliopistosta ja Satakunnan ammattikorkeakoulun akatemioista (kts. esim. Robotiikka Akatemia 2019). Julkisella rahalla tuettujen oikeiden tekoälyohjelmien tulisi tukea näiden yritysten synnyttämää suomalaista IPR-omaisuutta, jota sekä kotimaisten että kansainvälisten yritysten tuotteet ja palvelut voisivat hyödyntää. Näin ei valitettavasti aina ole ollut. Teknologiateollisuuden tekoälykiihdyttämö lieneekin perustettu nimenomaan edistämään tekoälyn soveltamista. Kiihdyttämö keskittyy tekoälyä jo hyödyntäviin yrityksiin, mutta opit halutaan jakaa kaikille tekoälystä kiinnostuneille yrityksille.

Ammattikorkeakouluilla on ketterinä toimijoina loistava mahdollisuus panostaa tekoälyn ymmärtämiseen ja soveltamiseen sekä koulutuksessa että soveltavassa tutkimuksessa. Fokus voisi olla ensinnäkin teollisuudessa automaation, robotiikan ja tekoälyn osaamisen yhdistämisessä sekä toiseksi terveyden- ja hyvinvoinnin aloilla hyvänä esimerkkinä potilastietojen ja hoitovalintojen saattamisessa data-analytiikan hyödynnettäväksi. Ehdotan, että ammattikorkeakoulut perustaisivat oman tekoälyn käytännön soveltamiseen keskittyvän vuosittaisen koulutus- ja tutkimusfoorumin. Foorumi voisi sisältää pedagogisia esityksiä ja työpajoja sekä tieteellisen konferenssin (omana julkaisusarjanaan).

Kirjoittaja

Cimmo Nurmi, vararehtori, Satakunnan ammattikorkeakoulu; laskennallisen älykkyyden dosentti, Turun yliopisto; tekoäly-yrittäjä, CI Computational Intelligence Oy; cimmo.nurmi(at)samk.fi


Fake Intelligence Summit (2019). Haettu 7.2019 osoitteesta https://www.fakeintelligence.fi

Goodfellow, I, Bengio, Y. & Courville, A. (2016) Deep Learning. MIT Press, USA.

Haykin, S. (1998) Neural networks – A comprehensive edition. Prentice Hall International, USA.

Koulu, R., Mäihäniemi, B.,Kyyrönen V., Hakkarainen J. & Markkanen, K. (2019). Algoritmi päätöksentekijänä. Valtioneuvoston selvitys- ja tutkimustoiminnan julkaisusarja 2019:44. Haettu 11.9.2019 osoitteesta http://julkaisut.valtioneuvosto.fi/bitstream/handle/10024/161700/TEAS_44_19_Algoritmi%20paatoksentekijana.pdf?sequence=1&isAllowed=y

Kyngäs, N., Nurmi, K., Ásgeirsson, E.I. & Kyngäs, J. (2012). Using the PEAST Algorithm to Roster Nurses in an Intensive-Care Unit in a

Finnish Hospital. 9th Conference on the Practice and Theory of Automated Timetabling (PATAT). Norja, 83–93.

Lipping T. (2018). Tekoälyllä älyä tekoihin. Haettu 15.2.2018 osoitteesta http://www.poridi.fi/tekoalylla-alya-tekoihin/

Mybridge, Machine Learning Open Source Haettu 1.7.2019 osoitteesta https://medium.mybridge.co/amazing-machine-learning-open-source-tools-projects-of-the-year-v-2019-95d772e4e985

Peppi-konsortio (2019). Haettu 1.7.2019 osoitteesta http://www.peppi-konsortio.fi/

Robotiikka Akatemia (2019). Haettu 1.7.2019 osoitteesta https://www.robotiikkaakatemia.fi/

Siddique N. & Adeli H. (2013). Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing. John

Wiley & Sons, USA.

Templeton G. (2015).Artificial neural networks are changing the world. What are they? ExtremeTech Haettu 1.8.2019 osoitteesta https://www.extremetech.com/extreme/215170-artificial-neural-networks-are-changing-the-world-what-are-they

TensorFlow (2019). Open Source Machine Learning Platform. Haettu 1.7.2019 osoitteesta https://www.tensorflow.org/

Tekoälystä ja sen etiikasta opinto- ja uraohjauksessa

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.

Kuva 1. Chihuahua or muffin? (Yao, 2017).

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


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/

Tekoäly ja taiteen tekijyyden murros – vaikutuksia kulttuurituotannon koulutukseen

Kirjoittajat: Laura-Maija Hero, Satu Lautamäki, Sanna Pekkinen, Oona Tikkaoja & Tomas Träskman.

1. Johdanto

Tekoälyn hyödyntäminen taiteen, musiikin ja esimerkiksi runouden tuottamisessa on ollut viime vuosina erityisen kiinnostuksen kohteena akateemisessa tekoälytutkimuksessa (Ailisto ym. 2019). Määrittelemme tässä artikkelissa tekoälyn laajasti Russellin ja Norvigin (2014) mukaan teknologioiksi, joiden avulla koneet, laitteet, ohjelmat, järjestelmät ja palvelut voivat toimia tehtävän ja tilanteen mukaisesti järkevällä tavalla.

Tekoälykoulutus, jonka tavoitteena on kasvattaa osaamista tekoälyn soveltamiseen eri toimialoilla ja käyttötilanteissa, on yksi tunnustettu koulutusalue, jonka toteutumista mitataan. Toistaiseksi yliopistojen ja ammattikorkeakoulujen kurssitarjonnasta löytyy kattavimmin data-analyysiin (80 %) liittyviä kursseja (Ailisto ym. 2019). Jaetulla toisella sijalla olivat havainnointi ja tilannetietoisuus sekä koneoppiminen (60 %). Tekoälyn sovelluksiin liittyvää kulttuurialojen koulutusta ei ole tunnistettu ollenkaan. Ailiston ym. (2019) mukaan Suomessa on erittäin laadukas ja pitkäaikainen koulutustarjonta tekoälyn teknisillä osaamisalueilla, mutta ongelmana on, miten tämä teknologinen ja teoreettinen osaaminen voidaan valjastaa paremmin soveltavan osaamisen kasvattamisen tueksi laajemmin koko yhteiskunnassa, myös luovilla aloilla. Luovilla aloilla tekijän, yleisön ja tuottajan roolejakin hämärtävä teknologisoituminen herättää monia kysymyksiä myös kulttuurituotannon osaamistarpeita tarkasteltaessa. Erityisesti abstrakteina algoritmeinä toteutuvan tekoälyn mahdollistava teknologinen muutos on nopea ja vaikeasti hahmottuva. (vrt. Makridakis 2017).

Tässä artikkelissa pyrimme ymmärtämään tätä muutospainetta taiteeseen liittyvien tekoälyteknologioihin perustuvien ilmiöiden valossa. Kartoitus on osa ESR-rahoitteista Creathon-kehitysprojektia, jonka tavoitteena on vahvistaa teknologista osaamista luovilla aloilla ja pyrkiä kehittämään rajapintoja kulttuuri- ja ICT-alojen välillä ammattikorkeakoulun koulutusrakenteissa. Kysymme: Kuinka tekoälyyn liittyvät ilmiöt voivat vaikuttaa kulttuurituotannon koulutukseen? Työtapaamme voidaan pitää vertailuanalyysinä, johon keräsimme viime aikoina esitettyjä tekoälyyn tai koneoppimiseen liittyviä taideprojekteja, ja tarkastelimme niiden tuotantoon vaikuttaneita ominaisuuksia, ilmenemismuotoja ja tuotannon erityispiirteitä.

2. Tekoälyilmiöistä taiteen tuotannon näkökulmasta

Digitaalinen taide on määritelty taidemuodoksi teatterin, kirjallisuuden ja kuvataiteen rinnalle, ja tekoälytaide merkittäväksi nykyaikaiseksi digitaalisen taiteen muodoksi (esim. Yu Yu 2015). Esimerkiksi synteettisellä kuvalla tarkoitetaan tekoälyn avulla toteutettua kuvaa, joka on synteesi kuvista, joita on käytetty neuroverkon koulutukseen (Hautamäki 2019a).

Museot ovat hyödyntäneet robotteja oppivina, jopa oman taidemaun kehittävinä, oppaina (Styx 2019; ks. myös Burgard ym. 1999). Pinacoteca-museossa Sao Paulossa Brasiliassa IBM testasi tekoälyn käyttöä taideteoksen ja näyttelyvieraan välisessä vuorovaikutuksessa. Tekoäly Watson vastasi seitsemän eri teoksen kohdalla vierailijoiden kysymyksiin ja keskusteli mm. taideteoksen aikakaudesta, teoksen henkilöistä tai teoksessa olevista muista elementeistä. Kävijä siis jutteli suoraan taideteoksen kanssa. (Sutter & Valle 2017) Museot ovat myös rakentaneet kokonaisia näyttelykokonaisuuksia tekoälyteeman ympärille sisältäen myös tavoitteen tekoälykasvatuksen laajamittaisesta levittämisestä (ks. Barbican 2019).

Kuva 1. Tekoälyn tuottama synteettinen kuva (GANin tuottamia omakuvia, Jukka Hautamäki).

Suomalainen tekoälytaiteilija Jukka Hautamäki kouluttaa GAN (generative adversial network) -pohjaista neuroverkkoa tuottamaan kuvia, joista hän valitsee kiinnostavimmat. Lopputuloksena on esimerkiksi animaation kaltainen esitys, joka näyttää katsojalle myös kuvan syntyprosessin. Vaikka neuroverkko tuottaa kuvat, taiteilijan työ on prosessissa olennaisen tärkeää, sillä läheskään kaikki syntyneet kuvat eivät ole taiteellisesti kiinnostavia. Taiteilijan työ sisältää tuhansien kuvien läpikäymistä. Hän ohjaa koneen koulutusprosessia ja keskeyttää sen tarvittaessa. Hautamäen neuroverkkoteoksia on usein luultu maalauksiksi, ja hän onkin joutunut monesti tarkentamaan, että kyseessä on valokuvien pohjalta generoitu, ei käsin maalattu teos. Tämä on toisinaan herättänyt pettyneitä reaktioita, koska taiteilija ei olekaan tehnyt teostaan “omin käsin”. Hautamäki työskentelee itsenäisesti. Laajempi työryhmä (esim. työtilaisuuksia järjestävä manageri) voisi olla Hautamäen mukaan tarpeellinen, jotta taiteilijalle jäisi enemmän aikaa itse sisällön kanssa työskentelyyn. (Hautamäki 2019b; c).

Portrait of Edmond Belamy –nimisen teoksen taustalla on Obvious-kollektiivi, jonka jäseniä ovat kolme 25-vuotiasta ranskalaisopiskelijaa sekä 19-vuotiaan Robbie Barratin luoma avoin koodi. Opiskelijat ovat kouluttaneet algoritmin luomaan taideteoksen. Tekoälylle oli opetettu lukuisia historiallisia maalauksia, jonka pohjalta se loi oman versionsa. Kankaalle printtaamisen jälkeen maalaus signeerattiin matemaattisella koodilla. Christie-taidehuutokauppa myi taulun 432 500$ hintaan. Alun perin hinta-arvioksi oli asetettu 7000–10 000$, mutta hinta kipusikin reilusti, koska maalauksen tekemiseen on käytetty tekoälyä. (Vincent 2018.) Toisena esimerkkinä tekoälyn tuottamasta taiteesta voidaan mainita suomalainen Brains on Art -taidekollektiivi (ryhmä taidekasvatuksen, kognitiotieteen ja sähkötekniikan edustajia), joka on mm. tuottanut runoja katsojan aivosähkökäyrän perusteella sekä saanut performanssitaiteilijan horjumaan puolelta toiselle Helsingin pörssikurssien tahtiin (Puolakka 2018).

Monet esimerkit hylkäävät viestinnässään ihmisen roolin kokonaan. Äskettäisen Kiinan kansallisen runokilpailun voitti robotti (Lan 2018). Britannian Cornwallista tuleva yritys Engineered Art viimeistelee parhaillaan robottia, joka pystyy piirtämään muotokuvia. Ai-Da ei ole vain muotokuvataiteilija, vaan käy yleisön kanssa myös keskusteluja taiteen ja teknologian merkityksestä ihmisten päivittäisessä elämässä (Miley 2019).

On kuitenkin tärkeää ymmärtää, miten ainutlaatuisiksi inhimillisiksi katsottuja luovia teoksia voidaan arvioida, jos kone tuottaa niitä. Chamberlain ym. (2018) selvittivät, miten taiteen kokijat reagoivat tietokoneiden avulla tuotettuun taiteeseen. Tulokset osoittivat, että kun tarkkailijoille annettiin tilaisuus nähdä robotti-taiteilijat toiminnassa, vaikutti se teoksen havaittuun esteettiseen arvoon. Nämä havainnot paljastavat nimenomaisen ennakkoluulon tietokoneella tuotetulle taiteelle, jota kuitenkin taiteen tarkkailijoiden mielestä tietokonealgoritmit pystyvät tuottamaan ilman havaittavaa eroa ihmisen tuottaman teoksen kanssa.

Tutkimusta on tehty vähemmän ihmisen roolista tekoälytaiteen luomisessa tai taiteen kokijana. Feldmanin (2017, 42) mukaan tämän kaltaista tutkimusta tarvittaisiin rakentamaan interaktiivista tekoälytaidetta, jossa kone oppii reagoimaan taiteen kokijoiden kognitiivisiin ja emotionaalisiin kokemuksiin. Taiteen ja tieteellisen tutkimuksen raja hämärtyy, kun niille määräytyy riippuvuussuhde tuotannon osana. Esim. Jenna Sutelan nimiia cétiï -teoksessa Mars-ystävälliset bakteerit kasvattavat vieraita kulttuureja (Ings, 2018). Teoksessa algoritmi ja sen avulla toimiva tietokone on väline, joka kanavoi viestejä olennoilta, jotka eivät yleensä osaa puhua. nimiia cétiï on ihmisen luoma muukalainen. Se luotiin osana Google Arts & Culture -taiteilijoiden residenssiohjelmassa yhdessä Google Arts & Culturen (2019) innovaatiojohtajan Damien Henryn ja toisen ohjelman taiteilijan kanssa.

Kalliiden robottien ja fyysisten organismien lisäksi tekoäly on hiipinyt jokapäiväiseen kulttuurin kuluttamiseen ja sen arkipäiväisiin ilmiöihin. Markkinoinnin ja kulttuurielämyksen raja hämärtyy. “Faangin” (Facebook, Apple, Amazon, Netflix, Google) yritysten valtakeskittymän intressit ja voima näkyvät myös taiteen tuotannossa (Gerber 2018). Esimerkiksi työskentely Google Arts & Culture -residenssissä voi herättää mielenkiintoisia tekijänoikeus- ja eettisiä kysymyksiä. Nämä kysymykset eivät ole aivan uusia, koska taiteessa on pitkät perinteet taiteen luomisesta mesenaattien, kuten yksityishenkilöiden ja yritysten, kuten Louis Vuitton, tuella. Mutta onko esimerkiksi nimiia cétiïn luoma “muukalainen” Googlen (Alphabet) omistama, koska se on osa Arts & Culture Experiments Collection -kokoelmaa (kts. Ings 2018)? Suurten yritysten osallistuminen taiteen ja kulttuurin tuotantoilmiöihin lisää tarvetta yritysekosysteemeissä toimimisen osaamiselle ja haastaa miettimään immateriaalioikeuksiin liittyviä kysymyksiä.

3. Huomioita esimerkkien valossa

Monien esimerkkien valossa voimme todeta, että tuoreet tekoälyn edistysaskeleet ja erityisesti koneoppiminen ovat perustuneet kulttuurialoillakin juuri koneiden itsenäisen päättelyn vahvistamiseen (vrt. Valpola 2017). Taiteen yhteydessä tekoälykeskustelu liikkuu usein tietoisen ja tiedostamattoman toimijan sekä eettisen toiminnan konteksteissa. Ihmisille on tyypillistä se, että he antropomorfisoivat (kuvittelevat ihmisen kaltaisiksi) keinotekoisia moraalisia toimijoita ja arvioivat niiden toimintaa omista inhimillisistä lähtökohdistaan (Duffy 2003) – ikään kuin niillä olisi sama tietoisuus kuin ihmisillä, ja joskus niitä kuvataan jopa taiteilijoiksi (Hertzmann 2018). Tekoälyteknologiat voidaan nähdä laajemminkin luovuuden keskiössä. Niiden avulla voidaan luoda uusia innovatiivisia ilmaisutapoja, joita muuten ei olisi koskaan voitu kuvitella mahdollisiksi, mutta myös toimintaa, joka voidaan tulkita tieteeksi, politiikaksi tai muuksi monialaiseksi yhteistyöksi erilaisin motiivein ja tavoittein. Tekoälyn näkökulmasta ilmaisutavat voidaan jakaa kolmeen kategoriaan: lyhyen aikavälin eli AI-avusteisen digitaalisen taiteen luomisen mahdollisuuksiin, keskipitkän eli ihmisen ja AI: n yhteistoiminnan mahdollisuuksiin digitaalisen taiteen luomiseksi ja pitkän aikavälin tapauksiin eli AI-taiteen autonomisuuteen (ks. Xing 2018). Tekoälyn “tekijyys” määrittyy kulttuurin eri aloille kuitenkin hyvin samankaltaisena: Ihmisen kaltaisena teoksen tekijyyden omistajana, jopa käsitettynä oikeudellisena “henkilönä” ainakin teoksesta kommunikoitaessa. Ihmisen rooli on “pedagoginen” kouluttajan rooli.

Toisaalta myös taidekäsityksiä suhteessa niiden olomuotoon eli kognitiivisen, aineettoman luovuuden ja konkreettisen taide-artefaktin välillä voidaan problematisoida osana tekoälydiskurssia (mm. Still & d’Inverno 2019). Algoritmit ovat taiteilijoiden ja tuottajien työkaluja – tekoäly sinänsä ilman ihmisen ohjausta ei ole älykäs (Hertzmann 2018). Kun puhumme algoritmin ”koulutuksesta” tai algoritmista, joka ”oppii”, on helppo tulkita tätä samoin kuin ihmisen oppimista. Nämä sanat merkitsevät kuitenkin melko erilaisia asioita erilaisissa konteksteissa. Koneoppiminen edellyttää huolellista ihmisen ponnistelua ongelman asettamiseksi, asianmukaisten tietojen hankkimiseksi, muotoilemiseksi ja testaamiseksi. Suunnittelu on työlästä ja vaatii huomattavaa asiantuntemusta ja kokeilua jo hyvin yksinkertaisenkin lopputuloksen aikaansaamiseksi (ks. Jankel 2015). Produktin aikaansaaminen edellyttää myös useimmiten monialaista yhteistyötä. Uudet teknologiat auttavat kuitenkin taidetta pysymään elintärkeänä. Alati kehittyvät oppivat koneet tarkoittavat uusia työkaluja taiteilijoille (ks. esim. Hertzmann 2018), mutta myös kulttuurin tuotannoille luodessaan uudenlaisia olosuhteita ja tarpeita työlle.

Digitaalinen elämystuotanto on nykyisin kulttuurituotannon ytimenä, koska myös taide ja kulttuuri ovat teknologisoituneita. Teosten tuotantojen tekninen uutuusarvo, teosten toteutustapojen rikastuminen, kulttuurin kuluttajien uudenlaiset saavuttamiskeinot, ja uusien teknologioiden myötä myös uusien laajempien yleisöjen kiinnostus sekä taiteilija/tuottaja/yleisö -yhteistyön välittäminen ja fasilitointi vaativat jatkuvaa uusien teknologioiden oppimista ja ymmärtämistä. Roolien sekoittuessa ja ihmisen mahdollistamien oppivien koneiden tullessa tekijöiksi, taiteilijoiksi ja/tai yleisöiksi tulee tuottajasta kehittämisprojektin vetäjä tai osallistuja, jolloin pelkkä projektinhallinnan osaaminen ei riitä. On osattava myös yhteistoiminnallista innovointia ja ohjelmistokehityksen projektinhallintaa.

Kuvio 1. Pohdittavaksi opetussuunnitelmia uudistettaessa, opettajien koulutuksessa sekä käytännön pedagogisia ratkaisuja mietittäessä.

Kulttuurituotannon koulutuksen kannalta tekoäly on vain yksi muutosvoima, uudet teknologiat jatkuvasti kehittyvinä ilmiöinä ja mahdollisuuksina aiheuttavat kulttuurituotannon koulutukselle jatkuvan paineen verkottua uusien teknologioiden osaajien kanssa. “Vierihoito” uusia teknologioita soveltavien kanssa hyödyttäisi. Kulttuurituotannon koulutusta olisi hyvä tarjota fyysisestikin lähellä ohjelmisto-, robotiikka-, tekoäly-, XR- ja vastaavia koulutuksia ja -kehittäjäyrityksiä. Kulttuurituotannosta voisi olla syntymässä siis tutkinto-ohjelma, jossa uudet teknologiat ja niiden vaikutukset tunnistetaan reaaliaikaisesti ja ennakoiden tuotannon kannalta olennaisina mahdollisuuksina sisällön, elämyksen, yleisön osallisuuden, viestinnän, markkinoinnin, kulttuuripalvelujen kehittämisen ja pedagogiikan sekä muiden alojen rajapintatoiminnan keskiössä. Tällöin tuottaja nähdään aktiivisena, tulevaisuusorientoituneena, verkottuneena innovaattorina ja uusien projektien alullepanijana ja roolien sekoittuessa toimintaa eteenpäin vievänä voimana.

Kirjoittajat

Laura-Maija Hero, KT, lehtori (Kulttuurituotanto) ja projektipäällikkö, Metropolia ammattikorkeakoulu, laura-maija.hero(at)metropolia.fi

Satu Lautamäki, KTT, yliopettaja (Luovien alojen liiketoiminta), Seinäjoen ammattikorkeakoulu, satu.lautamaki(at)seamk.fi

Sanna Pekkinen, FL, lehtori (Kulttuurituotanto), Humanistinen ammattikorkeakoulu, sanna.pekkinen(at)humak.fi

Oona Tikkaoja, KuM, TaM, lehtori (Kulttuurituotanto), Humanistinen ammattikorkeakoulu, oona.tikkaoja(at)humak.fi

Tomas Träskman, FL, koulutusvastaava (Kulttuurituotanto), Yrkeshögskolan Arcada, tomas.traskman(at)arcada.fi


Ailisto, H. (toim.), Neuvonen, A. Nyman, H., Halén, M. & Seppälä, T. (2019). Tekoälyn kokonaiskuva ja kansallinen osaamiskartoitus -loppuraportti. Tammikuu 2019, Selvitys- ja tutkimustoiminnan julkaisusarja 4/2019. Haettu 17.5.2019 osoitteesta http://urn.fi/URN:ISBN:978-952-287-632-4

Barbican (2019). AI: More than Human. Haettu 11.9.2019 osoitteesta https://www.barbican.org.uk/whats-on/2019/event/ai-more-than-human

Burgard, W., Cremers, A.B., Fox, D., Hähnel, D., Lakemeyer, G., Schulz, D., Steiner, W. & Thrun, S. (1999). Experiences with an interactive museum tour-guide robot. Artificial Intelligence. vol. 114, no 1-2, 3–55. Haettu 17.5.2019 osoitteesta https://doi.org/10.1016/S0004-3702(99)00070-3

Chamberlain, R., Mullin, C., Scheerlinck, B., and Wagemans, J. (2018). Putting the Art in Artificial: Aesthetic Responses to Computer-Generated Art. Psychology of Aesthetics, Creativity, and the Arts. vol. 12, no 2, 177–192. Haettu 18.5.2019 osoitteesta http://dx.doi.org/10.1037/aca0000136

Duffy, B. R. (2003). Anthropomorphism and the social robot. Robotics and autonomous systems. vol. 42, no 3, 177–190. Haettu 19.5.2019 osoitteesta https://doi.org/10.1016/S0921-8890(02)00374-3

Feldman, S. (2017). Co-Creation: Human and AI Collaboration in Creative Expression. Proceedings of EVA London 2017, 422–429. BCS Learning and Development Ltd. UK. Haettu 7.8.2019 osoitteesta http://dx.doi.org/10.14236/ewic/EVA2017.84

Gerber, R. (2018). As FAANG Stocks Get Old, The Next Technology Wave Is Called TAND. Haettu 13.6.2019 osoitteesta https://www.forbes.com/sites/greatspeculations/2018/11/07/as-faang-stocks-get-old-the-next-technology-wave-is-called-tand/

Google Arts and Culture (2019). Jenna Sutela On Machine Learning and Interspecies Communication. Haettu 11.9.2019 osoitteesta https://artsandculture.google.com/theme/lQKy0vx84f5GIg

Hautamäki, J. (2019a). Synteettisistä kuvista, tekoälystä ja kuvataiteesta. Mustekala kulttuurilehti. Haettu 11.9.2019 osoitteesta http://mustekala.info/teemanumerot/liikkuvia-kuvia-ja-maailman-osia-1-2019-vol-73/synteettisista-kuvista-tekoalysta-ja-kuvataiteesta/

Hautamäki, J. (2019b). Videohaastattelu 10.5.2019, haastattelijana Oona Tikkaoja.

Hautamäki, J. (2019c). Puhelinhaastattelu 12.8.2019, haastattelijana Oona Tikkaoja.

Hertzmann, A. (2018). Can Computers Create Art? Arts. vol. 7, no 2, 18. Haettu 18.5.2019 osoitteesta https://doi.org/10.3390/arts7020018

Ings, S. (2018). The Martians have landed in London, and they’re hogging the camera. Haettu 13.6.2019 osoitteesta https://www.newscientist.com/article/2179211-the-martians-have-landed-in-london-and-theyre-hogging-the-camera/

Jankel, N. S. (2015). AI vs. human intelligence: Why computers will never create disruptive innovations. HuffingtonPost http://www.huffingtonpost.com/nick-seneca-jankel/ai-vs-human-intelligence-_b_6741814.html

Lan, X. (2018). Risk of unemployment in the AI age. Beijing Review vol. 61, no 5, 48.

Makridakis, S. (2017). The forthcoming Artificial Intelligence (AI) revolution: Its impact on society and firms. Futures vol. 90, 46–60. Haettu 16.6.2019 osoitteesta http://dx.doi.org/10.1016/j.futures.2017.03.006

Miley, J. (2019). World’s First Hyper-Realistic Humanoid Robot Artist Is Here. Interesting engineering 12.2.2019. Haettu 11.9.2019 osoitteesta https://interestingengineering.com/worlds-first-hyper-realistic-humanoid-robot-artist-is-here

Puolakka, M. (2018). Tekoäly taiteen äärellä. Aalto University Magazine vol. 23, 18–19.

Russell, S. & Norvig, P. (2014). Artificial intelligence – A Modern Approach. Prentice Hall. Haettu 14.6.2019 osoitteesta https://faculty.psau.edu.sa/filedownload/doc-7-pdf-a154ffbcec538a4161a406abf62f5b76-original.pdf

Still, A. & d’Inverno, M. (2019). Can Machines Be Artists? A Deweyan Response in Theory and Practice. Arts vol. 8 no 36. Haettu 18.5.2019 osoitteesta https://doi:10.3390/arts8010036

Styx, L. (2019). How are museums using artificial intelligence, and is AI the future of museums? MuseumNext article 28.3.2019. Haettu 11.9.2019 osoitteesta https://www.museumnext.com/article/artificial-intelligence-and-the-future-of-museums

Sutter, M. & Valle, F. (2017). The Voice of Art (IBM Campaign Feat. Watson). Haettu 11.9.2019 osoitteesta https://www.youtube.com/watch?v=9dppbro4dJU

Valpola, , H. (2017). Tekoälyn kehityksen haasteet tulevaisuuden työlle. Top Ten Futures XI -teesit. Futura 2/17.

Vincent, J. (2018). Christie’s sells its first AI portrait for $432,500, beating estimates of $10,000. The Verge. Haettu 13.8.2019 osoitteesta https://www.theverge.com/2018/10/25/18023266/ai-art-portrait-christies-obvious-sold

Yu Yu, G. (2016). Research on Digital Art Creation Based on Artificial Intelligence. Iberian Journal of Information Systems and Technologies, RISTI, N.º 18B, 06/2016. http://dx.doi.org/10.17013/RISTI. 18B.116

Xing, B. (2018). Creativity and Artificial Intelligence: A Digital Art Perspective. Haettu 18.5.2019 osoitteesta http://dx.doi.org/10.2139/ssrn.3225323

Tekoäly käsikirjoittajana

Kirjoittaja: Timo Lehti.

Tässä artikkelissa pohditaan tekoälyn mahdollisuuksia luoda käsikirjoituksia, jotka ovat taiteellisesti ja teknisesti yhtä hyviä kuin ihmisen kirjoittamat. Tekoäly on jo tuottanut sisältöä lyhyisiin audiovisuaalisiin tuotteisiin: se on käsikirjoittanut automainoksen, suunnitellut kauhuelokuvalle trailerin ja kirjoittanut miljoonia katseluja saaneen lyhytelokuvan. Tekoälyä on hyödynnetty myös muissa taiteissa kuten säveltämisessä ja kuvataiteissa. Miksei sitä siis voisi käyttää myös pitkien näytelmäelokuvien ja tv-sarjojen käsikirjoittamiseen?

Halutaanko tekoälyn luovan uutta, originaalia sisältöä vai halutaanko vain testata sen mahdollisuuksia taiteellisissa prosesseissa?

Käsikirjoituksia kollaasitekniikalla

Vuosia sitten työskentelin käsikirjoitusryhmässä, jonne kutsuttiin brittiläinen käsikirjoituskonsultti opastamaan meitä suomalaisia. Konsultin kirjoitusmetodi oli seuraava: hän tunnisti tarinasta tilanteen ja muisteli, missä amerikkalaisessa elokuvassa oli samankaltainen kohtaus. Hän kuvaili tuon elokuvakohtauksen ja määräsi suomalaisen käsikirjoittajan kirjoittamaan siitä uuden version. Kyseessä oli kollaasitekniikka, jossa valmiiden elementtien avulla muodostettiin uusi tarina.

Samankaltaisella tekniikalla myös tekoäly Benjamin kirjoitti Sunspring-lyhytelokuvan käsikirjoituksen. Benjaminille syötettiin vanhojen scifielokuvien käsikirjoituksia ja se muodosti niistä kokonaan uuden. Tuotantotiimillä oli varmaankin hauskaa lukiessaan käsikirjoitusta, jossa oli muun muassa toiminnankuvaus: ”Hän seisoo tähdissä ja istuu lattialla”. (Newitz 2016.)

Sunspring-elokuvan jälkeen Benjamin osallistui It´s No Game -elokuvan käsikirjoittamiseen. Elokuvassa David Hasselhoff esittää Hoffbot-nimistä hahmoa, joka laukoo Baywatch– ja Knight Rider -sarjojen tyylisiä repliikkejä. Koko elokuvan konsepti viittaa nähdäkseni siihen, että sen tekijätiimi on halunnut herättää kysymyksen siitä, millaisia seurauksia tekoälyn käytöstä saattaa seurata elokuvateollisuudelle. (Newitz 2017.)

Tekoäly taiteilijana

Tekoälyä on käytetty myös kuvataiteen luomisessa. Esimerkiksi Rutgersin yliopiston Art and Artificial Intelligence Laboratory on luonut tekoälyn avulla erilaisia kuvia, joiden taustalla on 80 000 olemassa olevaa taideteosta 500 vuoden ajalta. Näitä teoksia on näytetty myös yleisölle taidemuseossa. 75 prosenttia ihmisistä uskoi niiden olevan ihmisten tekemiä. (Elgammel 2017.) Kuvat ovat mielenkiintoisia, mutta ensimmäisenä minulle tulee mieleen kokeilut, joissa simpanssin maalaamia tauluja on viety taidegalleriaan ja väitetty niitä ihmisen tekemiksi. Herää kysymys, miksi näitä kuvia tehdään tai mihin niitä tarvitaan?

Automerkki Lexus päätti kokeilla uutta tapaa hyödyntää tekoälyä markkinoinnissa. Lexus SE -automainos ei ole mikään halpatuotanto, ja sen tekijät ovat kertoneet kokeilun luonteesta. IBM:n tekoäly Watsonille annettiin materiaaliksi valtava määrä mainoksia, joiden pohjalta se kirjoitti autolle uuden mainoselokuvan konseptin (Lee 2019). Lexus SE on hybridiauto, jonka kehittynyt tekniikka auttaa ihmistä ajamaan autoa turvallisesti. Siksi tekoälyn hyödyntäminen tämän tuotteen markkinoinnissa on mielestäni hyvin perusteltua. Teknologia ja ihminen voivat parhaimmillaan muodostaa toimivan kokonaisuuden yhdessä.

On muitakin esimerkkejä taiteen alalta. Yhdysvaltalainen David Cope on tutkinut tekoälyn käyttöä säveltämisessä vuosikymmeniä. Hän on nimittänyt käyttämänsä tekoälyohjelman Emmyksi, eivätkä kuulijat juuri erota sen säveltämiä teoksia suurten mestareiden sävellyksistä. Cope voi tilata tekoäly Emmyltään vaikkapa uuden Bach-tyylisen sävellyksen käytännössä napin painalluksella. (Siren 2019.)

MIT-tutkijat ovat luoneet Psycho-elokuvan Norman Batesin mukaan nimetyn ”tekoälypsykopaatin”, joka näkee jopa musteläiskätesteissä väkivaltaa. Norman kuvaa tiettyä musteläiskää sanoilla ”mies ammutaan kuoliaaksi”. Samassa kuvassa ”normaali tekoäly” näkee lähikuvan kukkamaljakosta. Normanin materiaalina käytettiin Reddit-sivuston synkimpiä keskusteluja. Tutkijoiden tarkoituksena on osoittaa, kuinka suuri merkitys on tekoälylle syötetyllä materiaalilla. (Ks. Norman. World’s first psychopath AI.)

Normania voisi ajatella runoilijana, joka näkee pahuutta ja väkivaltaa kaikessa – eikä se ikinä väsy musteläiskien kommentointiin. Samalla tavalla Benjamin voisi kehittää absurdien lyhytelokuvien käsikirjoituksia ja Watson kliinisiä automainoksia loputtomasti. Tekoäly ei ikinä puudu kirjoittamiseen kuten ihminen. Mutta ratkaiseeko tämä käsikirjoittamisen ongelman?

Säveltäjän käsi väsyy, mutta tekoäly ei.

Ratkeavatko ongelmat napin painalluksella?

Tälläkin hetkellä maailma on pullollaan tuottamattomia käsikirjoituksia, ja uusia kirjoitetaan jatkuvasti. Käsikirjoittamisen haaste on nähdäkseni muualla kuin materiaalipulassa: suurempia ongelmia aiheuttavat käsikirjoitusten vaihteleva laatu, hyvien ideoiden muokkaaminen erinomaisiksi käsikirjoituksiksi ja oikeanlaisten projektien löytäminen valtavasta tarjonnasta.

Tekoälyä käytetään tälläkin hetkellä käsikirjoitusten analysoimiseen. Kenneth Williams tekoälyä kehittävästä yrityksestä The Entertainment Technology Center kertoo, että hänen yrityksensä tarjoaa käsikirjoitusten seulomiseen työkaluja, joiden avulla käsikirjoittajat ja tuottajat voivat tehdä fiksumpia päätöksiä. (Lee 2019.) Tekoälyä siis käytetään seulomaan tietomassoja ja etsimään ennalta määritettyjä elementtejä. Mutta mitä nämä elementit ovat? Ikimuistoisia repliikkejä, action-kohtauksia vai mahdollisimman koskettavia tarinoita? Ihminen vaikuttaa vahvasti tekoälyn toimintaan luomalla algoritmin, valitsemalla materiaalin ja seulomalla tekoälyn tuotokset. Mielestäni olisikin olennaista kysyä, mihin ongelmaan haetaan ratkaisua, kun tekoälyä käytetään käsikirjoittamisessa – tai missä tahansa taiteessa.

Käsikirjoitusohjelmat ja -oppaat

Yleisesti käytettyjä käsikirjoitusohjelmia ovat Movie Magic Screenwriter, Final Draft ja Celtx. Vapaaseen lähdekoodiin perustuvia käsikirjoitusohjelmia ovat Fountain ja Beat. Ne ovat kaikki periaatteessa tekstinkäsittelyohjelmia: auttavat käsikirjoittajaa muotoilemaan tekstin oikeaan käsikirjoitusformaattiin. Saman muotoilun voi tietysti tehdä tavallisella kirjoituskoneella, mutta silloin tekstin editoinnista, versioinnista ja analysoinnista tulee huomattavasti vaikeampaa. Olen pintapuolisesti tutustunut Dramatica Pro -ohjelmaan, joka esittää käsikirjoittajalle sisällöllisiä kysymyksiä ja näin auttaa häntä kehittämään tarinaa. Dramatica ei kuitenkaan ole tekoäly. Mielestäni se on enemmänkin yksi käsikirjoitusteoria tai yksi How to Write a Screenplay -tyyppinen opas, vaikkei se olekaan perinteisen kirjan muodossa.

How to Write a Screenplay -oppaita on julkaistu satoja ja suurin osa niistä on suunnattu amerikkalaisille ”wanna be -käsikirjoittajille”, jotka uskovat, että kuka tahansa voi kirjoittaa elokuvan ja rikastua yhdessä yössä. Sekä ammattilaiset että nämä wannabeet tarjoavat Hollywoodiin jatkuvasti uusia käsikirjoituksia. Pulaa niistä ei siten juuri ole. Mielestäni how to -oppaat ovatkin kuin keittokirjoja. Ne kaikki väittävät, että juuri niiden resepteillä onnistuu tekemään maailman parasta ruokaa. Mutta mikä on maailman parasta ruokaa? Millainen on maailman paras käsikirjoitus? Nämä ovat monitahoisia kysymyksiä, joihin ei ole absoluuttisen oikeita vastauksia.

Millainen on maailman paras elokuva? Millainen on maailman paras elokuvakäsikirjoitus?

Käsikirjoittaminen vs. konekirjoittaminen vs. tekoälykirjoittaminen

Yksi how to -oppaista on Jim Mercurion kirjoittama The Craft of Scene Writing (2019). Mercurio lupaa auttaa käsikirjoittajaa löytämään oman äänensä ja tekemään omasta tyylistään erilaista kuin valmiita kaavoja noudattavien imitaattoreiden käsikirjoitukset. Hän siis peräänkuuluttaa käsikirjoituksia, jotka ovat tekijänsä näköisiä eivätkä aiemman materiaalin kierrätystä. Kirjan perusteella vaikuttaa siltä, että Mercurio pitävää käsikirjoittamista taiteena ja käsikirjoittajaa taiteilijana, joka ei tyydy vain toistamaan jotakin kaavaa.

Olen samoilla linjoilla Mercurion kanssa. Käsikirjoittajan pitäisi mielestäni tuntea jokainen kohtaus sisällään: hänen pitäisi asettua henkilön ”nahkoihin” ja tuntea samat tunteet, jotka fiktiivinen henkilö käy läpi. Ajatuksena on, että käsikirjoittajan tunteet kulkevat käsikirjoituksen kautta näyttelijälle ja näyttelijän ilmaisun kautta tunne välittyy kameralle. Ja lopulta katsoja näkee kohtauksen ja hän tuntee saman tunteen, jonka käsikirjoittaja on alun perin tarkoittanut. Tämä voi kuulostaa monimutkaiselta, mutta uskallan väittää, että siinä on fiktioelokuvan ”taika” ja taiteen merkitys pähkinänkuoressa. Parhaimmillaan elokuva koskettaa syvimpiä tunteitamme, koska tunnistamme itsemme fiktiivisistä ihmisistä ja samastumme heidän kohtaloonsa.

Pitää kuitenkin muistaa, että käsikirjoittaminen on vain yksi työvaihe pitkässä prosessissa. Suurin osa ratkaisevista päätöksistä tehdään ryhmässä, johon osallistuvat tuottaja, ohjaaja, käsikirjoittaja ja mahdollisesti muitakin ihmisiä. Yleensä tässä vaiheessa syntyvät ne ratkaisevat oivallukset, jotka tekevät projektista ainutlaatuisen.

Ei varmaankaan ole olemassa mitään absoluuttista totuutta, jonka pohjalta voisi tehdä maailman parhaan käsikirjoituksen. Ei ole olemassa elokuvaa tai käsikirjoitusta, joka olisi kaikkien mielestä täydellinen. On olemassa tiettyjä dramaturgisia sääntöjä – esimerkkeinä mainittakoon pitkän elokuvan rakenne, vaatimus aktiivisen päähenkilön muutoksesta sekä päähenkilön ja vastavoiman välisen jännitteen merkitys – mutta nekin ovat jatkuvassa muutoksen tilassa. Elokuvataide kehittyy jatkuvasti ja samoin kehittyvät elokuvataiteen ”säännöt”. Parhaimmillaan taiteessa kuitenkin tehdään jotakin sellaista, joka rikkoo sääntöjä. Tehdään jotakin sellaista, mitä ei ole aiemmin tehty. Voidaankin kysyä, pystyykö tekoäly eläytymään fiktiivisen henkilön tunteisiin – vai onko tekoälyn käsikirjoitus vain kollaasi kaikesta siitä materiaalista, joka koneeseen on syötetty?

Hyvänä esimerkkinä toimii käsikirjoittaja Keaton Pattin tekemä kokeilu, jossa hän syötti tekoälylle valtavan määrän Batman-materiaalia. Tekoäly kirjoitti tietomassan pohjalta uuden Batman-käsikirjoituksen. Se on kaikessa järjettömyydessään varsin hauskaa luettavaa – mutta taiteellisilta ja tuotannollisilta arvoiltaan arveluttava. (Scott 2019.)

Kuvakaappaus Keaton Pattin (2019) julkaisemasta käsikirjoitussivusta.

Tekijyyden merkitys

Lopuksi voimme pohtia, onko sillä merkitystä, kuka taideteoksen tekijä on. Onko sillä merkitystä, onko tekijänä ihminen, simpanssi tai tekoäly? Käyttäkäämme esimerkkinä maailman kalleinta taulua: Leonardo da Vincin teosta Salvator Mundi, jonka myyntihinta oli 450 miljoonaa dollaria vuonna 2017. Vasarahinta oli korkea, sillä etukäteen arvioitiin huutokaupan voittajan saavan sen noin 80 miljoonalla dollarilla. (Lehmusvesi 2019.)

Mitä tapahtuu Salvator Mundin arvolle, jos se ei olekaan da Vincin maalaama vaan ”hänen johdollaan syntynyt” taideteos. Entä jos sillä ei ole mitään tekemistä Leonardo da Vincin kanssa? Asiantuntijoiden mukaan Salvator Mundin arvo luultavasti romahtaisi jonnekin miljoonan euron paikkeille (Lehmusvesi 2019). Tämän esimerkin perusteella uskallan väittää, että taideteoksen tekijällä on väliä. Myös sillä on merkitystä, onko taideteoksia lukematon määrä vai kenties vain yksi.

Mitä me toivomme tekoälyn olevan?

Hyvä renki, huono isäntä

Taiteen historia on täynnä inspiroitumista muiden teoksista ja lainaamista vanhoilta mestareilta. Aika ajoin taiteessa on löydetty uusia tapoja nähdä maailma ja koskettaa katsojien syvimpiä tuntoja. Mutta voiko tekoäly luoda uutta sisältöä, joka koskettaa inhimillisiä emootioita – vai kykeneekö se vain valmiiden elementtien yhdistämiseen?

Suomalaista sanontaa mukaillen uskallan väittää, että tekoäly on hyvä renki, mutta huono isäntä. Apuvälineenä se on erinomainen, mutta tuskin kykenevä itsenäisen, uutta luovan taiteilijan rooliin. Säveltäjä David Cope on todennut, että hänen Emmy-tekoälynsä tekee juuri sellaista musiikkia kuin mihin hän itse pystyy musikaalisuutensa, tyylituntemuksensa, ohjelmointikykynsä ja sinnikkyytensä ansiosta. Emmy tekee vain sitä, mitä Cope käskee – ja Cope itse myös valitsee ne sävellykset, jotka julkaistaan. (Siren 2019.)

On ollut yrityksiä luoda tekoälyä, joka ymmärtäisi käsikirjoitusten emotionaalista tasoa. Tähän mennessä teknologia ei kuitenkaan ole riittävän kehittynyttä esimerkiksi komedian ymmärtämiseen. ”Mikä on hauskaa ja miten olla hauska – siihen teknologia ei ole vielä valmis”, toteaa Shri Narayanan, School of Engineering Signal Analysis and Interpretation Laboratoryn johtaja. (Lee 2019.)

Jos tekoäly joskus kirjoittaa elokuvakäsikirjoituksen – komedian tai tragedian – lupaan lukea sen avoimin mielin. Jos simpanssi joskus kirjoittaa elokuvakäsikirjoituksen, lupaan lukea senkin ennakkoluulottomasti. Jos jostain löytyy yleisnero Leonardo da Vincin kirjoittama käsikirjoitus, lupaan lukea senkin. Mutta arvostelen ne kaikki samalla mittapuulla kuin muutkin luettavakseni tulevat käsikirjoitukset.

Kirjoittaja

Timo Lehti, TaM, AmO, tohtorikoulutettava, käsikirjoittamisen lehtori, Metropolia ammattikorkeakoulu, timo.h.lehti(at)metropolia.fi


Elgammal, Ahmed (2017). Generating ”art” by Learning About Styles and Deviating from Style Norms. Haettu 19.9.2019 osoitteesta https://medium.com/@ahmed_elgammal/generating-art-by-learning-about-styles-and-deviating-from-style-norms-8037a13ae027.

Lee, Wendy (2019). Can a computer write a script? Machine learning goes Hollywood. Haettu 15.8.2019 osoitteesta https://www.latimes.com/business/hollywood/la-fi-ct-machine-learning-hollywood-20190411-story.html

Lehmusvesi, Jussi (2019). Piilotteleeko saudiprinssi huvijahdillaan liki 400 miljoonan euron virheostosta? Maailman kalleimman maalauksen aitous herättää nyt epäilyjä. Haettu 15.08.2019 osoitteesta https://www.hs.fi/kulttuuri/art-2000006141639.html?share=b7a27a37bb62ba4962c55ce7d39d284d

Mercurio, Jim (2019). The Craft of Scene Writing. Beat by beat to a better Script. Quill Driver Books, Fresno California. Kindle Edition.

Newitz, Annalee (2016). Movie written by algorithm turns out to be hilarious and intense. Ars Technica. Haettu 15.8.2019 osoitteesta https://arstechnica.com/gaming/2016/06/an-ai-wrote-this-movie-and-its-strangely-moving/?_ga=2.77939796.15405958.1559762648-599076984.1559762648

Newitz, Annalee (2017). AI Writing script for short film. Blogikirjoitus. Haettu 15.8.2019 osoitteesta https://www.datasciencecentral.com/profiles/blogs/ai-writing-script-for-short-film

Patti, Keaton (2019). Twitter-viesti 13.8.2019. Haettu 20.9.2019 osoitteesta https://twitter.com/KeatonPatti/status/1161284670601990146
Scott, Ryan (2019). AI Bot Writes Batman Movie Script, and the First Page is Pretty Hilarious. Haettu 20.9.2019 osoitteesta https://movieweb.com/batman-movie-script-artificial-intelligence/

Siren, Vesa (2019). Sibelius vai Homo Deus? Haettu 15.8.2019 osoitteesta https://www.hs.fi/kulttuuri/art-2000006082466.html?share=c78ae27a9fb5a487f45c18958a4568e4.

Kuinka tekoälyn tuoma lisäarvo sidotaan yhteiskuntaan?

Kirjoittaja: Matti Sarén.

Venäläinen taloustieteilijä Nikolai Kondratjev (1892−1938) esitti jo vuonna 1925 kapitalististen talouksien olevan syklisiä. Taloudet nousevat laskukausista kukoistuksiin hänen mukaansa noin 50 vuoden välein. Ensimmäinen Kondratjevin havaitsema selvä sykli alkoi 1770-luvulla, jolloin teollinen vallankumous toi mukanaan tehtaat, koneet ja kanaalit. Seuraavaksi alkoi 1830-luvulla höyryn ja hiilen aika, joka mahdollisti esimerkiksi rautatiet. Tätä seurasi 1870-luvun puolivälissä alkanut sähkön ja 1900-luvun lopulla öljyn, autojen ja massatuotannon kausi. (Kondratieff 1984.) Sittemmin tätä viitekehystä on sovellettu muun muassa teknologisten murrosten, distruptiivisten innovaatioiden sekä tuotannollisten talouden syklien selittämiseen. Nyt joidenkin tutkijoiden mukaan eletään 1970-luvulta alkanutta digitaalisen teknologian kautta (ks. esim. Perez 2015).

Charlota Perezin (2016) mukaan epärealistiset odotukset teknologian merkityksestä ja sen käyttöönoton aikataulusta johtavat jokaisessa murroksessa sijoituskuplaan. Kun teknologia arkipäiväistyy ja sen taloudellinen merkitys siirtyy spekulaatioista reaalitalouteen, puhkeaa odotusten luoma kupla, ja vaikutukset näkyvät hetkellisenä talouden stagnaationa. Kun uusi, tuottavuutta lisäävä teknologia on lopulta levinnyt laajemmin, myös talous on siinä vaiheessa toipunut.

Selvää näyttää olevan kuitenkin se, että esiteollisista agraariyhteiskunnista, joissa taloudellinen kasvu edellytti fyysisen resurssin, vaikkapa maa-alueen omistuksen haltuunottoa, ollaan siirtymässä kasvavalla nopeudella verkottuneeseen tietoyhteiskuntaan (Powell & Snellman 2004; Barney 2004). Talouden stabiliteetti ei rakennu enää niin merkittävästi fyysisiin resursseihin tai rajoitteisiin, vaan innovaatioihin ja osaamiseen. Tämä on osaltaan edistänyt ketteryyttä innovaatioiden hyödyntämisessä. Vaikka esimerkiksi IT-kupla puhkesi maaliskuussa 2000, siitä toivuttiin varsin nopeasti, sillä sen aikana tehdyt investoinnit olivat samalla kehittäneet useiden teollisten alojen kilpailukykyä ja tuottavuutta.

Monella alalla uuden tiedon ja osaamisen soveltaminen työelämässä näyttää olevan edellytys itse työn säilymiselle (Castells 2000). Kilpailu tuotteiden ja palveluiden tuotannosta globaaleilla markkinoilla edellyttää sekä koulutusjärjestelmän että sen opetussisältöjen merkittävää ja jatkuvaa päivittämistä (Guttmann 2003). Entistä tärkeämmäksi näyttää muodostuvan erityisesti osaamisen ylläpitäminen jatkuvan oppimisen periaatteella (Cascio & Montealegre 2016) sekä tämän ajatuksen omaksumista nyky-yhteiskunnan oletukselliseksi toimintamalliksi.

Innovaatiot integroitava tekemiseen

Viimeisimmän kymmenen vuoden aikana kasvanut tiedon prosessointi- ja varastointikapasiteetti on mahdollistanut koneoppimisen ja tekoälyn kehittymisen. Näiden teknologioiden merkitystä korostaa se, että koneoppivat järjestelmät pystyvät tietomäärien kasvaessa hahmottamaan aina monimutkaisempia syy- ja seuraussuhteita. Niin ikään koneen oppiman ratkaisun siirtäminen toiseen laitteeseen tapahtuu lähtökohtaisesti erittäin pienillä kustannuksilla. Näistä teknologioista nähdään tällä hetkellä saatavan niin merkittävää hyötyä, että käytännössä kaikki teknologiatoimittajat ja koulutustoimijat ovat käynnistäneet ohjelmia ja hankkeita tekoälyosaamisen lisäämiseksi.

Suomi on panostanut merkittävästi tekoälytutkimukseen. Tästä esimerkkinä on Suomen Akatemian 250 miljoonan euron investointi Finnish Center for Artificial Intellgence -lippulaivaan 2019. Suomen valitsemaa strategiaa voidaan pitää hyvin samankaltaisena kuin koneoppimisen kärkimaaksi tähtäävän Kiinan. (Larson 2018; Allen 2019.) Merkittävin ero on kuitenkin siinä, millaisin rakentein tekoälyn ajatellaan siirtyvän tuotantoon. Kiinassa kooltaan valtava alihankinta- ja tuotantoverkosto varmistaa tekoälyratkaisuilla syntyvän arvon pysymisen kansallisessa taloudessa (Lee 2016). Tätä tukee Kiinan valtiollinen näkemys yksilöstä kerättävästä tiedosta: se on yhteiskunnan hyödynnettävissä ilman rajoituksia. Näiltä osin Suomen ja myös koko Euroopan tilanne on merkittävästi toinen esimerkiksi EU:n yleisen tietosuoja-asetuksen (General Data Protection Regulation, GDPR) 2016/679 johdosta.

Asiantuntijoiden liikkuvuus on globaalissa maailmassa suurta. Verrattain pienenä, viennistä riippuvaisena avotaloutena Suomi ei varmastikaan päädy strategiaan, jossa osaajien liikkuvuutta rajoitetaan. Osaajapula näyttää kuitenkin kiihtyvän aivovuodon kautta (Lukkari 2018). Suomen aiemmat merkittävät investoinnit osaamiseen ja teknologian kehitykseen ovat vaikuttaneet siihen, että maamme on toiminut eräänlaisena koekenttänä ja innovaattorina paljolti valtiollisen tuen turvin. Näistä uusista teknologioista syntynyt liiketoiminta on muutamaa poikkeusta lukuun ottamatta kuitenkin rakentunut joko Aasiaan (esimerkkinä mobiiliteknologia 4G:n osalta yritykset Huawei tai LG) tai Yhdysvaltoihin (esimerkkinä integroitujen radiopiirien osalta yritys Broadcom). Nyt viimeistään tulisikin johtaa se selkeä huomio, ettei kilpailukyky synny pelkästään yhä globaalimmaksi ja verkottuneemmaksi muuttuvasta huippututkimuksesta. 2020-luvun koittaessa olisi tärkeä nähdä Suomen kilpailukyvyn syntyvän pikemminkin siitä, että innovaatiot integroituvat tekemiseen yhteiskunnan kaikilla tasoilla (Castelles 2010).

Tekoälyosaamista pelikoulutuksen opeilla

Kajaanin ammattikorkeakoulu käynnisti vuonna 2006 tutkinto-ohjelmat, joiden tavoitteena oli tukea kehittyvää suomalaista peliteollisuutta. Nämä ohjelmat ovat johtaneet sittemmin noin 130 opiskelijoiden perustamaan yritykseen. Vaikka globaali viihdeteollisuus on sekin rekrytoinut valmistuneita pelialan osaajia, yritysverkosto on silti juurtunut Suomeen oletettavasti juuri osaamisen ja erinomaisten toimintaedellytysten vuoksi. Näyttää siltä, että yhteisöllisyys sekä yritysten ja korkeakoulujen verkostojen integroituminen keskenään mahdollistavat osaltaan yritystoiminnan pysymisen jatkossakin Suomessa.

Suomalaisen korkeakoulujärjestelmän ytimenä on sekä tutkimus ja uuden tiedon tuottaminen (tiedeyliopistot) että tiedon soveltaminen tiiviissä yhteistyössä yritysten ja yhteisöjen kanssa (ammattikorkeakoulut). Tämän jälkimmäisen tehtävän hengessä Kajaanin ammattikorkeakoulussa aloitettiin syksyllä 2019 Datasta tekoälyyn -suuntautumisvaihtoehto tieto- ja viestintätekniikan tutkinto-ohjelmassa. Se rakentuu Tieteen tietotekniikkakeskuksen (CSC) kanssa tehdylle opetuksen kehitystyölle, joka on tuottanut jo aiemmin esimerkiksi datakeskussuuntautumisen. Yhteistyöverkostoon kuuluvat myös Helsingin ja Oulun yliopistot sekä Teknologian tutkimuskeskus VTT.

Uuden tutkinto-ohjelman sisältö nojautuu yhteistyökumppaneiden opetuskäyttöön luovuttaman autenttisen tiedon hyödyntämiseen. Se mahdollistaa oppimistehtävien, projektien sekä harjoittelujen kautta tapahtuvan opiskelijoiden oppimisen, mutta tuottaa samalla lisäarvoa yhteistyökumppaneille. Korkeakoulun TKI-hankkeiden rinnalla nimenomaan opetusyhteistyö paitsi tuottaa uusia osaajia alalle, kehittää myös yhteistyökumppaneiden kyvykkyyttä. Näin tekoälyyn liittyviä prosesseja voidaan tutkia, testata ja rakentaa. Samalla olemassa oleva liiketoiminta tehostuu.

Tekoälyyn liittyvän, tutkintoon johtavan koulutuksen käynnistämisen rahoittajina ovat pääsääntöisesti olleet yritykset, mutta tukea on saatu myös työ- ja elinkeino- sekä opetus- ja kulttuuriministeriöiltä. Koulutuksen sisältöjen kehittelytyö ja materiaalituotanto tehdään avoimelle alustalle. Siten se on myös muiden suomalaisten toimijoiden, esimerkiksi kaikkien ammattikorkeakoulujen hyödynnettävissä. Rahoittajat ovat lisäksi toivoneet tutkinto-ohjelman tuottavan koulutusmateriaalia niin sanotusta MyData-mallista, joka liittyy yksilöstä kerätyn tiedon omistajuuteen ja sen säilymiseen hänellä itsellään. Tässä suhteessa tutkinto-ohjelmalla on eräänlainen valtakunnallinen erityistehtävä.

Tieto- ja viestintätekniikan tutkinto-ohjelman uuden tekoälysuuntautumisen suunnittelussa ovat lähtökohtina olleet peliteknologian koulutuksen käynnistämisestä syntyneet opit. Menestyksekkäässä teknologian soveltamisessa on taustalla oltava riittävä osaamisen ekosysteemi. Oppiminen ja osaamisen kasvattaminen eivät rajoitu ainoastaan korkeakouluun, vaan kenties tärkein tehtävä on rakentaa asiantuntijoiden verkostoa. Sen merkitys on aivan ratkaiseva, sillä siinä arvoketjut rakentuvat pidemmiksi kuin mihin yksittäinen toimija yksin kykenisi. Verkoston arvo nousee entisestään, jos jäsenet tuovat siihen uusia ajatuksia tai haasteita. Joskus tällainen saattaa merkitä, että joku verkoston toimija tai osaaja siirtyy toiseen yritykseen tai toiselle paikkakunnalle. Silti verkosto kokonaisuudessaan on ehdoton hyötyjä.

Tärkeää on myös uuden toiminnan monialainen integrointi opetukseen ja TKI-sisältöihin. Mitä syvemmin ja laajemmin uusia tekoälyyn ja koneoppimiseen liittyviä kompetensseja käytetään opetuksen tai tutkimuksen kehittämiseen kaikilla koulutusaloilla, sitä enemmän ne tuottavat arvoa ja mahdollisuuksia koko organisaatiolle, valmistuville opiskelijoille ja yhteiskunnalle. Pelillistäminen tai koneoppisen soveltaminen esimerkiksi terveydenhuollon opetuksessa luo mahdollisuuksia sekä luoda alalle uusia liiketoimintamalleja että lisätä korkeakoulun vetovoimaa hakijoiden silmissä.

On yhtäältä mahdollista, että informaatioteknologia noudattaa sekin Kondratjevin esittämää 50 vuoden sykliä ja väistyy nyt vielä tuntemattoman distruptiivisen innovaation tieltä. Toisaalta voi olla, että yhteiskuntien muutos agraariyhteiskunnista verkottuneiksi informaatioyhteiskunniksi on niin fundamentaalisesti erilainen paradigma, ettei historiaa voi käyttää peilinä tulevaisuuden ennustamiseen eikä syklisyys siten enää jatku. Näyttää kuitenkin selvältä, että osaaminen ja sen juurruttaminen yhteiskunnan käyttövoimaksi on jatkossakin edellytys menestykseen. Osaamisen kehittämiseen tarvittavan resurssin takaaminen tulisi näkyä siksi poliittisella tasolla entistä tärkeämpänä. Mitä monialaisemmin osaamisia voidaan kehittää ja käyttää ristiin, sitä innovatiivisempia ratkaisuja voidaan esimerkiksi juuri ammattikorkeakouluissa tuottaa yhteiskuntaan.

Kirjoittaja

Matti Sarén, Ph.D., rehtori, Kajaanin ammattikorkeakoulu, matti.saren(at)kamk.fi


Allen, G. (2019). Understanding China’s AI Strategy, CNAS-raportti. Haettu 3.10.2019 osoitteesta https://www.cnas.org/publications/reports/understanding-chinas-ai-strategy.

Barney, D. (2004). The Network Society. Cambridge: Polity Press.

Cascio, W. F. ja Montelegre R. (2016). How Technology Is Changing Work and Organizations. Annual review of organizational psychology and organizational behavior. DOI: 10.1146/annurev-orgpsych-041015-062352.

Castelles, M. (2000). The rise of the network society. Oxford: Wiley Blackwell.

Castelles, M. (2010). The Information Age. Oxford: Wiley Blackwell.

Datasta tekoälyyn. Kajaanin ammattikorkeakoulun tieto- ja viestintätekniikan tutkinto-ohjelman suuntautumisvaihtoehto. Ks. tarkemmin https://www.kamk.fi/fi/Hakijalle/Tieto–ja-viestintatekniikan-insinoori-Datasta-tekoalyyn/bb467920-108d-47dd-a4f2-00607ad777d4.

Guttman, C. (2003). Education in and for the information society. UNESCO Publications for the World Summit on the Information Society. Haettu 3.10.2019 osoitteesta http://www.unesco.org/new/en/communication-and-information/resources/publications-and-communication-materials/publications/full-list/education-in-and-for-the-information-society/.

Kondratieff, N. (1984) [1925]. Long Wave Cycle. Venäjänkielestä kääntänyt Guy Daniels. New York: E. P. Dutton.

Larson, C. (2018). China’s massive investment in artificial intelligence has an insidious downside. doi:10.1126/science.aat2458.

Lee, J. (2016). Innovation in China: More than a Fast Follower? The Diplomat 9/6/2016.

Lukkari, J. (2018). Aivovuoto Suomesta kiihtyy – Koulutetut muuttavat yhä useammin ulkomaille. Tekniikka & talous 31.5. Noudettu 3.10.2019 osoitteesta https://www.tekniikkatalous.fi/uutiset/aivovuoto-suomesta-kiihtyy-koulutetut-muuttavat-yha-useammin-ulkomaille/c8f31beb-001e-3dc5-97f8-e6e49f156d9f.

Perez, C. (2015). From long waves to great surges: continuing in the direction of Chris Freeman’s 1997 lecture on Schumpeter’s business cycles. European Journal of Economic and Social Systems, Vol. 27 (1-2).

Perez, C. (2016). Capitalism, Technology and a Green Global Golden Age: The Role of History in Helping to Shape the Future. Teoksessa

Rethinking Capitalism: Economics and Policy for Sustainable and Inclusive Growth. Oxford: Wiley-Blackwell. DOI: 10.1111/1467-923X.12240.

Powell, W. W. ja Snellman K. (2004). The Knowledge Economy. Annual Review of Sociology, Vol. 30. Yleinen tietosuoja-asetus (EU) 2016/679. Ks. esimerkiksi https://eur-lex.europa.eu/legal-content/FI/TXT/?uri=CELEX%3A32016R0679.

Korvaavatko robotti ja botti-kuiskaaja opinto-ohjaajan?

Kirjoittaja: Jouni Soitinaho.

Chat-palvelu on vakiintunut yritysten digitaalisessa asiakaspalvelussa, ja tutkimusten mukaan jopa 25 prosenttia kuluttajabrändeistä ottaa käyttöön myös palvelurobotin eli chatbotin asiakaspalvelun tueksi vuonna 2020 (Gartner 2018). Käyttäjät ovat saaneet käyttökokemuksia chatin ja chatbotin käytöstä asiakaspalveluissa eri esimerkiksi vakuutus- ja pankkitoimialoilla. Kertyneet kokemukset nostavat käyttäjien vaatimustasoa yritysten digitaalisten palveluiden suhteen. Sama koskee luonnollisesti myös koulujen tarjoamien digitaalisten palvelujen vaatimuksia. Chat ja varsinkin chatbot ovat kuitenkin vielä hyvin harvinaisia koulujen oman toiminnan tukena, vaikka näitä koskevia opintojaksoja onkin jo opetustarjonnassa. Tässä artikkelissa hahmotellaan, mitä chatbot voisi tarjota ammattikorkeakoulun opinto-ohjaukseen?

Chatbotin arvolupaus opinto-ohjaukseen

Opinto-ohjaus on perinteisesti perustunut henkilökohtaiseen neuvontaan ja nettisivuihin. Henkilökohtainen neuvonta on opiskelijan kannalta usein paras ratkaisu, mutta koulun kannalta se saatetaan nähdä kustannustehokkuudeltaan heikkona. Nettisivujen ongelmana puolestaan on tiedon huono löydettävyys ja luotettavuuden haasteet. Samanaikaisesti monet yritykset ja organisaatiot ovat kokeneet saaneensa hyviä tuloksia chatbotin käyttöönotosta lähtien (Kinos 2019) ja asettaneet korkeita tavoitteita toiminnan tehostamiselle (Digi.hel.fi 2019). On siis hyvä syy olettaa, että myös opinto-ohjausta voidaan tehostaa huomattavasti chatbotin avulla varsinkin, kun suuri osa ohjaajalle tulevista kysymyksistä on yksinkertaisia ja toistuvia. Lisäksi 24/7-käyttö antaa muiden muassa aikuisopiskelijoille merkittävän lisähyödyn, koska heidän kysymyksensä ajoittuvat usein iltaan ja viikonloppuun. Toisaalta chatbotit pystyvät toistaiseksi vastaamaan vain yksinkertaisiin kysymyksiin, joten tulkintaa ja päätöksentekoa vaativat kysymykset on edelleen jätettävä henkilökohtaisen neuvonnan varaan.

Mahdollisuudet opiskelijoiden kokeman palvelutason parantamiseen ja opinto-ohjauksen kustannustehokkuuden parantamiseen eivät olleet ainoat syyt, kun päätimme lähteä kokeilemaan chatbotin käyttöönottoa Haaga-Helian master-ohjelmissa. Halusimme myös saada käytännön kokemusta palvelun toteuttamisesta ja ymmärtää, minkälaista osaamista toteutus vaatii ja miten vaativiin kysymyksiin chatbot pystyy tämän hetken teknologialla vastaamaan. Samalla tämä kokemus auttaa meitä ymmärtämään myös yritysten tarvitsemaa käytännönläheistä osaamista ja näin kehittämään myös opetustarjontaa todellista tarvetta vastaavaksi.

Tekemällä oppii

Chatbotin rakentaminen ei ole tänä päivänä tekninen ongelma. Pilvipalveluna ostetun chatbotin tapauksessa ainoa tekninen toimenpide on minimissään vain chat-ikkunan integroiminen halutuille web-sivuille. Päätimme kuitenkin varautua myös opinto-ohjaajien henkilökohtaisen chat-palvelun tarjoamiseen jatkossa, joten integroimme HUGI-chatbottimme myös toisaalla Haaga-Heliassa käytössä olevaan giosg-chattiin (Kuva 1). Varsinainen työ rakentamisvaiheessa on kysymys-vastausparien luominen niin, että opiskelijat saavat saman vastauksen, vaikka he muotoilevat kysymyksensä hiukan eri sanoin. Lähdimme liikkeelle noin sadasta tunnistetusta yksinkertaisesta kysymyksestä, joihin vastauksen löytäminen verkkosivuilta on työlästä.

Kuva 1. HUGI-chatbotin aloitusteksti opiskelijoiden web-sivulla

Sadalla kysymyksellä pääsee kyllä liikkeelle, kunhan uusien lisääminen ja vanhojen muokkaaminen on hyvin suunniteltu. Käytännössä aidot kysymyksethän tulevat vasta opiskelijoilta, ja botin on opittava vastaamaan niihin nopeasti, jotta käyttäjät huomaavat sen oppivan jatkuvasti. Ylläpidon suunnittelua ja taustalla tietokonetta opastavan ”botti-kuiskaajan” roolia emme ymmärtäneet täysin alussa. Jouduimme muuttamaan kysymysten ryhmittelyä myöhemmin helpottaaksemme päivittämistyötä. Olennaista on myös nojata vastauksissa koulun muissa tietojärjestelmissä ylläpidettäviin tietoihin, jotta vältämme päivämäärien ja muiden muuttuvien tietojen tuplapäivittämisen.

Opimme matkan varrella myös tulkitsemaan opiskelijan kysymyksen takana olevaa tietotarvetta paremmin. Alusta lähtien pyrimme selvittämään kysymyksen merkityksen avainsanojen avulla. Huomasimme pian etsivämme turhaan tiettyjä kysymyssanoja opiskelijan esittämästä kysymyksestä. Tämä osoittautui tarpeettomaksi ja aiheutti usein opiskelijan jäämisen vastausta vaille. Useimmiten on parempi pyrkiä ymmärtämään merkitys pääpiirteissään ja ohjata opiskelija eteenpäin esimerkiksi web-sivulle, kuin pyrkiä liian yksityiskohtaiseen vastaukseen. Näistä alkuvaiheen kokemuksista kertyi kosolti osaamista ja botti-kuiskaajan rooli alkoi vähitellen hahmottua.

Tärkeä päätös oli myös toteuttaa ja testata ensin vain suomenkielinen versio, jotta kysymysten ryhmittely- ja muotoilumuutoksia ei tarvitse suorittaa kahteen kertaan. Jatkossa joudutaan uudet kysymys-vastausparit luonnollisesti laatimaan kahdella kielellä

Ensivaiheen tuloksia

Alustavat tulokset testikäytön ajalta ovat rohkaisevia. Botti on vastannut lähes neljään viidesosaan kysymyksistä ja saanut käyttäjiltä arvosanaksi lähes 7/10 (Kuva 2). Nämä luvut ovat kuitenkin vain suuntaa antavia, koska ne eivät täysin perustu aitoihin opiskelijoiden tekemiin kysymyksiin. Botin ylläpitäjän kannalta käyttöliittymä on hyvin yksinkertainen. Botti-kuiskaajan tehtävänä on käydä läpi kysymykset, joihin botti ei ole osannut vastata (escalations) ja etsiä vastaukset niihin. Tämä tapahtuu joko yleistämällä olemassa olevaa kysymys/vastausparia tai luomalla kokonaan uusi kysymys.

Kuva 2. Otos HUGI-chatbotin analytiikkanäkymästä testikäytön jälkeen.

HUGI-chatbotti otetaan varsinaisesti käyttöön syyslukukauden 2019 aikana master-opiskelijoiden ohjauksessa. Käyttöönottoon on osallistunut aktiivisesti kolme henkilöä Haaga-Heliasta ja toimittajan puolelta yksi. Koska kaikki ovat osallistuneet työhön vain lyhyitä aikoja puolen vuoden aikana, on käytettyä työaikaa vaikea arvioida. Suuruusluokaltaan Haaga-Helian oma panos on ollut kaiken kaikkiaan noin 20-25 työpäivää. Koska alkuvaihe vaati opettelua, käytetty resurssi oli suurempi kuin etukäteen arvioitiin. Botti-kuiskaajan ylläpitotyö vaatinee jatkossa noin 1-2 työpäivän panoksen kuukaudessa. Hyöty kasvaa sitä mukaa kun käyttömäärä kasvaa. Se taas edellyttää palvelun markkinointia ja hyötyä voidaankin mitata vasta muutaman kuukauden käytön jälkeen.

Perustus on luotu – mitä sitten?

Botti pystyy tällä hetkellä antamaan vain yleistä tietoa käyttäjälle ja ohjaamaan hänet oikealle sivulle ilmoittautumisten ja muiden toimenpiteiden suorittamiseksi. Se toimii siis ikään kuin edistyneenä FAQ-palveluna. Tämä on kuitenkin tärkeä välivaihe ketterässä kehittämisessä, minkä jälkeen toiminnallisuutta voidaan viedä eteenpäin henkilökohtaisemman palvelun suuntaan. Sen edellytyksinä ovat käyttäjän tunnistaminen ja palvelun integroiminen koulun perusjärjestelmiin sekä aiempien keskustelujen tallettaminen. Näiden avulla botilla olisi tietoaa käyttäjän opintojen tilasta ja se osaisi personoida neuvontaa. Samalla se vapauttaisi opinto-ohjaajat syvällisempää päätöksentekoa vaativiin tehtäviin. Näiden toteuttaminen on teknisesti vaativampi toimenpide kuin chatbotin pystyttäminen.

HUGI:n kaltainen yksinkertainen chatbot perustuu perinteisten säännöllisten ehtolausekkeiden käyttöön. Se on kuitenkin toteutettu alustalle, jolle voidaan vähitellen tuoda tekoälyä mukaan. Yhtenä haasteena ovat tällä hetkellä lukemattomat erilaiset kysymysten muotoilut, joilla samaa asiaa voidaan kysyä. Kun tekoälyä kehitetään ymmärtämään paremmin luonnollista kieltä, päästään botin ylläpidossa vähitellen eroon säännöllisten lausekkeiden käytöstä. Tämä etenee palvelun toimittajan kehitystyön mukana eikä se vaadi asiakkaalta erityisiä toimenpiteitä. Tässä suhteessa toimittajan valinta on tärkeä, pitkälle vaikuttava päätös.

Yksinkertaisten kysymysten ymmärtämisen jälkeen tekoälyä voidaan hyödyntää vastausten generoimisessa vaativampiin kysymyksiin. Mikäli chatbotille on kertynyt runsaasti dataa erilaisista ohjaustilanteista ja niiden onnistumisesta, se voisi opiskelijan tilanteen perusteella oppia antamaan älykkäämpiä, opiskelijan kokonaistilanteen ymmärtämiseen perustuvia neuvoja. Tällöin botti voisi myös kysyä opiskelijalta tarkentavia kysymyksiä päätöksenteon pohjaksi, jolloin chatbotilla päästäisiin lähemmäksi todellista interaktiivista opinto-ohjausta. Tähän on vielä pitkä matka, mikä vaatii paljon tutkimustyötä ja soveltamiskokemuksia. Yksinkertaisella chatbotilla matkalle pääsee helposti mukaan!

Kirjoittaja

Jouni Soitinaho, Yliopettaja, Koulutusohjelmavastaava, Haaga-Helia AMK


Digi.hel.fi. (2019). Tekoäly purkaa ruuhkia ja parantaa asiakaspalvelua – Digitaalinen Helsinki. Haettu 12.9.2019 osoitteesta https://digi.hel.fi/blogikirjoitukset/tekoaly-purkaa-ruuhkia-ja-parantaa-asiakaspalvelua/

Gartner, Inc. (2018). Press Release: 25 Percent of Customer Service Operations Will Use Virtual Customer Assistants by 2020. Julkaistu 19.2.2018. Haettu 12.9.2019 osoitteesta https://www.gartner.com/en/newsroom/press-releases/2018-02-19-gartner-says-25-percent-of-customer-service-operations-will-use-virtual-customer-assistants-by-2020

Kinos, T. (2019). How a multinational insurance company automates over 60% of their customer service queries?. Getjenny.com. Haettu 12.9.2019 osoitteesta https://www.getjenny.com/blog/how-a-multinational-insurance-company-automates-over-60-of-their-customer-service-queries

Mitkä tehtäväsi aiot ulkoistaa chatbotille?

Kirjoittaja: Sakari Koivunen.

Keskustelu on luonteva tapa oppia uutta. Opettajalle tuttu aikapula on usein dialogin jarruna. Entä jos kone olisi tässä apuna? Voisiko keskusteleva tekoäly rupatella opiskelijoiden kanssa, varmistaa opittua, oikoa väärinkäsityksiä, antaa palautetta, tarjota tukea? Ensimmäisenä chatbottina pidetty ELIZA luotiin jo vuonna 1966: joko oppisimme käyttämään teknologiaa myös opetuksessa?

Valikkopohjaisen rupattelubotin tekninen toteutus on melko yksinkertainen. Polveilevan ja monipuolisen keskustelukulun laatiminen on työlästä, mutta nykyiset työkalut ovat niin selkeitä, että työ onnistuu vähemmän teknisesti orientoituneeltakin tekijältä yhdessä iltapäivässä. Valikkopohjaisen botin dialogi on luonteeltaan melko jäykkää ja ennalta suunniteltua, mutta sopivasti käsikirjoitettuna käyttäjä saa nähdäkseni silti pilotoinnin ja opiskelijakommenttien perusteella yllättävän aidon chat-kokemuksen.

Kieliteknologiaan perustuvat botit ovat hienostuneempia. Niitä voi valikkopohjaisia botteja perustellummin kutsua keskustelevaksi tekoälyksi, koska tällainen botti tunnistaa vapaasti kirjoitetun kielen rakennetta ja kontekstia. Tai ainakin yrittää tehdä niin – teknologia ei vielä ole ihan valmista, eikä kone hahmota keskustelua yhtä luontevasti kuin ihminen. Tällaisen aidommin keskustelevan botin kouluttaminen vaatii merkittävästi enemmän osaamista, työtä ja taustadataa.

Sekä yksinkertaisilla että teknisesti edistyneillä boteilla on paikkansa myös opetuskäytössä. Yllättävää on se, miten vähän botteja käytetään opetuksessa ja miten niukasti asiaa on tutkittu akateemisessa tutkimuskirjallisuudessa.

Case: kurssipalaute chatbotilla

Turun ammattikorkeakoulun campus online -kesäkurssilla 2019 annettiin opiskelijoille palaute kurssin suorituksesta chatbotin avulla. Botin synnyttämiseen Landbot-alustalla kului noin puolikas työpäivästä. Keskustelu personoidaan välittämällä kurssin pistesaldot ja opiskelijan nimi URL-osoitteeseen upotettuina muuttuja-arvopareina, jolloin opiskelijan tietoja ei sinänsä säilytetä Landbotin palvelimella, vaan linkki itsessään sisältää kaiken tarvittavan tiedon. Personoitu linkki lähetettiin opiskelijoille sähköpostilla Excel-pohjaisen sähköpostiautomaation avulla.

Botti kertoi pisteet, antoi kehuja ja kyseli samalla itsearvioinnin hengessä oppijan tavoitteiden täyttymistä. Samalla kysyttiin myös kokemuksia ja ajatuksia chatboteista. Kurssin suoritti loppuun 17 opiskelijaa yhdeksästä eri ammattikorkeakoulusta ja kolmesta eri lukiosta. Kuusitoista antoi palautteen botin kautta. Monipuolinen, vaikka suppea otos antaa kevyen käsityksen eri koulujen chatbot-hyödyntämisestä.

Tulos oli selkeä: yksikään opiskelija ei ollut milloinkaan törmännyt chatbotteihin opetuksessa. Muutama oli nähnyt botin jossain muussa ympäristössä. Lähes kaikki kokivat, että boteista olisi hyötyä opetuksessa. Hyvinä käyttökohteina nähtiin esimerkiksi kurssipalautteen kerääminen, palautteen saaminen tehdyistä tehtävistä, yleinen neuvonta ja kursseille ilmoittautumisessa avustaminen.

Pääset testaamaan palautebottia kuvitteellisena opiskelijana osoitteessa http://bit.ly/bottitesti

Tarvetta tutkimukselle

Chatboteista on kirjoitettu akateemisissa julkaisuissa melko vähän, varsinkin opetuksen kentällä. Tässä on selkeästi vielä paljon tekemätöntä työtä ja tutkittavaa. Tutkimuksessa on ainakin kolme minua kiinnostavaa tulokulmaa: mitkä ovat luontevia käyttökohteita chatboteille opetuksessa, mikä on bottien vaikuttavuus oppimistuloksiin ja miten oppimisanalytiikkaa voisi viisaimmin soveltaa bottien yhteydessä. Minua tällaisen tutkimuksen tekeminen kiinnostaa. Kiinnostaako sinuakin? Tutustutaan, tehdään ja tutkitaan yhdessä!

Kirjoittaja

Sakari Koivunen, DI, lehtori, Turun ammattikorkeakoulu, sakari.koivunen(at)turkuamk.fi

Tekoäly – uhka vai mahdollisuus AMK-opettajalle?

Kirjoittajat: Katri Heikkinen & Anna Sivonen.

Verkkokaupat, suoratoistopalvelut ja sosiaalisen median kanavat osaavat tarjota meille tuotteita ja sisältöä, joista voisimme olla kiinnostuneita, vakuutusyhtiön nettisivuilla meitä palvelee chattibotti ja älypuhelimessa Siri. Työkaverina voi olla robotti, joka tarkistaa laskuja tai tekee osan kokoonpanotöistä. Tiedon automaatiosta on tullut 60 vuodessa osa meidän jokapäiväistä elämäämme, vaikka emme sitä aina ajattelekaan. Tiedonkäsittelyn automaation avulla voidaan tehdä ennusteita, simulaatioita ja analyysejä suureenkin tietomäärään perustuen, mikä saattaa auttaa suurienkin yhteiskunnallisten kysymysten ratkaisemisessa. Jo tälläkin hetkellä yhä älykkäämpi tietotekniikka vaikuttaa kaikkeen ympärillämme: opiskelijoihin, yrityksiin ja yhteiskuntaan. Eikä ole syytä olettaa, että kehitys pysähtyisi tähän.

Väestörakenteen muuttuessa ja esimerkiksi tehdas- ja maataloustyön houkuttelevuuden vähentyessä robotiikka ja tekoäly voivat hyvinkin tuoda helpotusta tiettyjä aloja uhkaavaan työvoimapulaan (Stanford University 2016, 4–5; Suomen tekoälyaika 2017, 12–13; Floridi ym. 2018, 691–692; Rouhiainen 2018, 27–28, Edelläkävijänä tekoälyaikaan 2019, 23; Tekoälyajan työ 2018, 36–37). Ammattikorkeakoulussa on tärkeä tiedostaa nämä tekoälykehitykseen kytkeytyvät uudet liiketoiminta- ja prosessimahdollisuudet, jotta emme kouluta esimerkiksi tradenomi- ja restonomiopiskelijoitamme tekemään sellaisia rutiinitehtäviä, jotka tekoäly voi heiltä viedä.

Jatkuva oppiminen nousee ensiarvoisen tärkeäksi, ja tässä meillä korkeakoulutoimijoilla on keskeinen rooli. Koulutusorganisaatioiden on huolehdittava siitä, että kansalaisyhteiskunnan jäsenillä on mahdollisuus hankkia tarvitsemaansa osaamista joustavasti ja itselleen oikeaan aikaan. Tämä haastaa meidät ajattelemaan koulutuksen rakenteita ja opetusta uudella tavalla. Oletettavasti valinnaisuutta ja erilaisia lyhyempiä koulutuksia tulee lisätä. Ja jos tähänkin saakka opiskelijakunta on ollut ammattikorkeakoulussa varsin heterogeenista, tulee se jatkossa olemaan sitä yhä enenevässä määrin työelämänsä jo aloittaneiden täydentäessä osaamistaan jatkuvasti työuran varrella.

Tekoäly voi mahdollistaa opiskelijoiden yksilöllisten tarpeiden tunnistamisen entistä tehokkaammin. Samalla tekoäly mahdollistaa entistä laajemman henkilökohtaistamisen esimerkiksi erilaisten interaktiivisten, opiskelijan edistymistä seuraavien työkalujen avulla (Stanford University 2016, 7; Rouhiainen 2016, 50.). Esimerkiksi ohjauksessa tekoäly voi tunnistaa vaikkapa verkkokurssilta opiskelijat, jotka etenevät keskimääräistä nopeammin tai hitaammin, jolloin opettajan on mahdollista kohdistaa oikea-aikaisia ohjausresursseja juuri näihin opiskelijoihin. Tekoälyä voitaneen tulevaisuudessa hyödyntää opetuksen lisäksi arvioinnissa ja palautteen antamisessa, jolloin opiskelijoille hyöty näyttäytyy kenties suurempana nopeutena ja toiminnan läpinäkyvyytenä.

Tekniikan ammattilaisten lisäksi myös tekoälyä hyödyntävillä aloilla tulee ymmärtää tekoälyn vaikutukset. Työ- ja elinkeinoministeriö toteaa julkaisussaan Tekoälyajan työ (2018, 39), että tekoälykoulutusta on tarjolla melko hyvin teknisille ja matemaattisille aloille, mutta tekoälyä soveltavilla aloilla koulutuksessa ja osaamisessa on vielä selkeitä puutteita. Aiempaa monialaisemman tekoälyosaamisen kehittymistä on useissa ammattikorkeakouluissa pyritty tukemaan erillisinä toimenpiteinä. Viime kädessä suuri merkitys on kuitenkin sillä, miten itse miellämme asian oppilaitosten sisällä. Jos me näemme tekoälyn vain jonkinlaisena teknisenä ilmiönä, sen käsittely jää lähinnä sivulauseeksi. Todellisuudessa tekoäly on kaikkialla, ja sitä kannattaisi hyödyntää yhä useammassa yhteydessä, samoin kuin vaikkapa sähköisiä työvälineitä. Sen lisäksi, että koulutuksen sisällöissä huomioidaan tekoälyn vaikutukset, olisi hyvä kiinnittää huomiota myös tulevaisuuden keskeisten, inhimillisten työelämätaitojen kehittämiseen. Tällaisia ovat esimerkiksi resilienssi, tunne- ja sosiaalinen älykkyys, luovuus, kommunikaatiotaidot sekä kulttuurien ymmärrys (Tekoälyajan työ 2018, 42.; Rouhiainen 2016, 72–82.)

Maailma muuttuu, ja meidän työmme muuttuu siinä mukana. Oleellista on se, että ymmärrämme muutoksen merkityksen ja vaikutukset kaikessa mitä teemme – tekoäly on kaikille toimijoille tukiäly, eikä sitä pitäisi jättää vain teknisten alojen ammattilaisille. Me opettajat joudumme niin ikään opettelemaan uutta sekä haastamaan omaa käsitystämme opettajuudesta. Tämän voimme tehdä uteliaana ja avoimin mielin. Ilmiön ymmärtäminen on avain siihen, että voimme realistisesti arvioida tekoälyyn liittyviä mahdollisuuksia ja uhkia.

Kirjoittajat

Katri Heikkinen, KTM, DI, lehtori, Haaga-Helia, katri.heikkinen(at)haaga-helia.fi

Anna Sivonen, KTM, lehtori, Haaga-Helia, anna.sivonen(at)haaga-helia.fi


Edelläkävijänä tekoälyaikaan. Tekoälyohjelman loppuraportti (2019). Työ- ja elinkeinoministeriön julkaisuja 2019:23. Valtioneuvoston hallintoyksikkö, Julkaisutuotanto. Helsinki.

Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P. & Vayena, E. (2018). AI4People – An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds and Machines 2018:28, 689–707.

Rouhiainen, L. (2018). Artificial Intelligence : 101 things you must know today about our future. CreateSpace.

Stanford University (2016). Artificial Intelligence and Life in 2030. One Hundred Year Study on Artificial Intelligence: Report of the 2015-2016 Study Panel. Stanford University. Stanford. California.

Suomen tekoälyaika. Suomi tekoälyn soveltamisen kärkimaaksi: Tavoite ja toimenpidesuositukset (2017). Työ- ja elinkeinoministeriön julkaisuja 2017:41. Valtioneuvoston hallintoyksikkö, Julkaisutuotanto. Helsinki.

Tekoälyajan työ. Neljä näkökulmaa talouteen, työllisyyteen, osaamiseen ja etiikkaan (2018). Työ- ja elinkeinoministeriön julkaisuja 2018:19. Valtioneuvoston hallintoyksikkö, Julkaisutuotanto. Helsinki.

Muuttaako tekoäly osaamistarpeet?

Kirjoittaja: Maarit Virolainen.

Heikon ja vahvan tekoälyn1 yhdistäminen erilaisiin palvelu- ja teollisen tuotannon muotoihin muuttaa työelämää. Rajatuissa tehtävissä teollisuudessa ja palveluissa hyödynnettävän heikon tekoälyn ja palautetta syötteenä käyttävien uudelleensuuntautuvien teknisten prosessien yhdistelmät yleistyvät tulevaisuudessa. Kuluttajapalvelujen muutosta on jo luonnehtinut esimerkiksi siirtymä yksittäisten tuotteiden tai palveluiden myymisestä tuote- ja palvelukokonaisuuksien tarjontaan ja niin sanotun alustatalouden nousu (Baines, Lightfood, Benedittini & Kay 2009). Ihmisten ja tekoälyn odotetaan muodostavan yhdessä tuotantoyksiköiden, palvelusovellusten ja asiantuntijoiden ekosysteemejä (Zhong, Xu, Klotz & Newman 2017).

Tulevaisuuden työtä muuttavia teknologisia innovaatioita ovat esimerkiksi erilaisten sensoreiden hyödyntäminen, esineiden internet (Internet of Things, IoT), älykäs tuotanto, data-analytiikka, pilvipalvelut, -tuotanto, -laskenta, tai -tulostus, 3D-printtaus, ja kyberfyysiset järjestelmät, kuten eksoskeletonit2. Pilvipalvelut ovat pilvessä eli internetissä tarjottavia palveluita. Pilvilaskenta, -tuotanto ja -tulostus viittaavat tietotekniikan ja internetin käyttöön tavaroiden tai palveluiden hallinnoinnissa, tuottamisessa ja toimittamisessa. Nämä voidaan yhdistää esimerkiksi kolmiulotteisten esineiden tulostamiseen.

Edellä kuvattuun laajaan muutokseen viitataan usein yhteiskunnallisessa keskustelussa teollisen tuotannon neljäntenä vallankumouksena ja 4.0-liitteellä. Esimerkiksi Saksassa työ- ja sosiaaliministeriö on pyrkinyt jäsentämään muutoksen vaikutuksia väestön osaamistarpeisiin raportissa Arbeiten 4.0 (Hoppmann ym. 2017). Myös Suomessa on meneillään Suomen Akatemian yhteydessä toimivan strategisen tutkimusneuvoston hanke Valmistus 4.0 eli MFG 4.0.

Ammattikorkeakoulujen kannalta teollisuus 4.0:n tulo edellyttää sen jäsentämistä, miten muutokset vaikuttavat osaamistarpeisiin. Koulutuksen tutkimuksessa on pidetty tärkeänä moni- ja laaja-alaisten, transversaalien taitojen omaksumista (Guile 2002; Trilling & Fadel 2009; Winch 2013, 2015). Lisäksi tarvitaan tietoa koulutusalakohtaisten taitovaatimusten muutoksista. Erityisesti tekniikan ja muiden alojen yhteistyön vahvistamiseen tarvitaan lisää näkemystä.

Tekniikan alan, erityisesti informaatioteknologian insinöörien osaamistarpeita on hahmotettu saksalaisessa tutkimushankkeessa kirjallisuuskatsauksen ja kansainvälisten asiantuntijoiden fokusryhmähaastatteluiden avulla (Prifti, Knigge, Kienegger & Kremar 2017). Haastatteluissa höydynnettiin skenaarioita tulevaisuuden työprosesseista ja -tuotteista. Tuloksissaan tutkijat jakoivat tunnistetut osaamistarpeet kahdeksaan laajaan alueeseen alla olevan kuvion 1 mukaisesti.

Kuvio 1. Valmistus 4.0 ja laaja-alaiset osaamisalueet (muokattu Prifti, Knigge, Kienegger, & Kremar 2017, 56–57 pohjalta)

Tutkijat liittävät tekniikan alan spesifit taitotarpeet teknologian soveltamiseen. Näitä taitotarpeita ovat esimerkiksi teknologinen lukutaito, markkinointi sosiaalisessa mediassa, tietoturvallisuus, järjestelmien rakentaminen ja kehittäminen, erilaisten teknologioiden yhdistäminen, mobiiliteknologia, sensoreiden ja upotettujen järjestelmien tuntemus, robotiikka, tekoäly, ennakoiva ylläpito, mallintaminen ja ohjelmointi, data-analyysi ja tulkinta sekä pilviarkkitehtuurit. (Emt., 56.) Myös muihin alueisiin, kuten johtaminen ja päätöksenteko tai yhteistyö, liittyy tulosten mukaan monia tarkennettuja osaamistarpeita. Ne olivat kuitenkin selkeästi monialaisempia ja yleisempiä.

Suomalaisesta näkökulmasta nämä tulokset haastavat pohtimaan, miten ammattikorkeakoulujen tekemä monialainen yhteistyö työelämän kanssa mahdollistaa teknologian tuomien osaamistarpeiden tunnistamisen. Kun yhdysvaltalaistutkijat pohtivat tekoälyn työhön tuomien muutosten ennakointia, he totesivat, että tietojen kerääminen ja analysointi vaatisi – ironista kyllä – tekoälyä (Frank ym. 2019). Kaikkia ennakointiin tarvittavia tietoja voisi olla haastavaa hankkia ja jäsentää kustannustehokkaasti. Siksi osaamistarpeiden ennakoinnin lähtökohdaksi suositeltiin varautumista samalla myös odottamattomiin tulevaisuusskenaarioihin.

Paikallisten kehityskulkujen tarkastelu yhteistyössä työelämän kanssa näyttää myös tutkimuksen näkökulmasta hyvältä lähtökohdalta, kun halutaan varautua teknologian tuomiin muutoksiin. Monet ammattikorkeakoulut ovat jo proaktiivisesti edenneet tässä suunnassa. Esimerkiksi Metropolia kehittää avoimia robottialustoja ja laajennetun todellisuuden hyödyntämistä ja JAMK:ssa kehitetään monialaisesti teollisuusrobotiikan hyödyntämistä tuotannossa. Lisää esimerkkejä löytyy AMK-kentältä ja niitä myös kaivataan.

1Heikolla tekoälyllä tarkoitetaan rajatuissa tehtävissä hyödynnettävää koneiden tai neuroverkkojen oppimista niiden keräämän datan avulla. Tavanomaisesti olosuhteiden muutos edellyttää koneen uudelleenohjelmointia. Vahvalla tekoälyllä viitataan teknologisiin ratkaisuihin, jotka pystyvät suoriutumaan useista tehtävistä erilaisissa ympäristöissä, mikä vaatii ongelmanratkaisua ja yllättäviin tilanteisiin sopeutumisen mahdollistavaa analytiikkaa. Vahvaa tekoälyä edustaisivat esimerkiksi itseohjautuvat autot. Vahvan tekoälyn määrittelytavoista kiistellään samoin kuin siitä onko sitä vielä pystytty kehittämään. (Goertzl 2014).

2Moniin (visioituihin) teknologisiin muutoksiin ei ole vakiintuneita suomenkielisiä termejä. Eksoskeletonilla esimerkiksi tarkoitetaan ihmisvartaloa myötääviä rakenteita, joilla saadaan lisää voimaa, tukea tai tarkkuutta vaikkapa nostoihin ja toistoihin esimerkiksi rakennustyömaalla tai autonrakennuksessa.

Kirjoittaja

Maarit Virolainen, FT tutkija, Koulutuksen tutkimuslaitos Jyväskylän yliopisto, maarit.ha.virolainen(at)jyu.fi


Baines, T. S., Lightfood, H.W., Benedittini, O. & Kay, J.M. (2009). The servitization of manufacturing. A review of literature and reflection on future challenges. Journal of Manufacturing Technology Management, 20 (5), 547–567.

Frank, M. R., Autor, D., Bessen, J.E., Brynjolfsson, E., …& Rahwan, I. (2019). Toward understanding the impact of artificial intelligence on labor. PNAS (Proceedings of the National Academy of Sciences of the United States of America), 116 (14), 6531–6539. Haettu 12.9.2019 osoitteesta https://www.pnas.org/content/116/14/6531

Goertzel, B. (2014). Artificial general intelligence: Concept, state of the art, and future prospects. Journal of Artificial General Intelligence, 5(1), 1–46.

Guile, D. (2002). Skill and work experience in the European Knowledge Economy. Journal of Education and Work 15, (3), 251–276.

Hoppmann, N., Huber, M., Mikfeld, B., Neufeind, M., P… & Zirden H. (toim.). (2017). Arbeit weiterdenken. Werkheft 03.Berlin: Bundesministerium für Arbeit und Soziales. Haettu 12.9.2019 osoitteesta https://www.arbeitenviernull.de/fileadmin/Downloads/BMAS-Werkheft-3.pdf

Prifti, L.; Knigge, M.; Kienegger, H.; Krcmar, H. (2017). A Competency model for ”Industrie 4.0” employees. Teoksessa Leimeister, J.M. & Brenner, W. (Toim.): Proceedings der 13. Internationalen Tagung Wirtschaftsinformatik (WI 2017), St. Gallen, s. 46–60.

Trilling, B. & Fadel, C. (2009). 21st century skills. Learning for life in our times. San Fransisco: Jossey-Bass.

Winch, C. (2013). Three different conceptions of know-how and their relevance to professional and vocational education. Journal of Philosophy of Education, 47(2), 281–298.

Winch, C. (2015). Towards a framework for professional curriculum design. Journal of Education and Work, 28(2), 165–186.

Zhong, R.Y., Xun, X., Eberhard K., & Newman S. T. (2017). Intelligent manufacturing in the context of Industry 4.0: A Review. Engineering 3 (5), 616–630. Haettu 12.9.2019 osoitteesta http://dx.doi.org/10.1016/J.ENG.2017.05.015

Tekoäly tulee myös korkeakoulukirjastoihin

Kirjoittaja: Pirjo Kangas.

Tekoäly on viime aikoina herättänyt keskustelua myös kirjastoalalla. Esimerkiksi Helsingin kaupunginkirjaston uusi tekoälyä hyödyntävä logistiikkajärjestelmä on saanut keväällä 2019 runsaasti mediahuomiota (esim. Paastela 2019, Tivi 2019). Keskustelua on käyty ammattilaisten kesken myös seminaareissa, esimerkiksi Helsingin kaupunginkirjaston valtakunnallisten kehittämispalvelujen, Kansalliskirjaston ja Suomalaisen Kirjallisuuden Seuran järjestämässä Tekoäly tuli töihin! -päivässä.

Tekoäly tuo uudenlaisia mahdollisuuksia esimerkiksi tiedonhakuun, aineistojen sisältöjen läpikäymiseen sekä uusien sisältöjen löytämiseen. Kirjastojen käytössä on jo tällä hetkellä muutamia tekoälyä hyödyntäviä työkaluja. Suomalaisten korkeakoulukirjastojen kannalta tällä hetkellä ajankohtaisimpia ovat tieteellistä tiedonhakua uudella tavalla hahmottava Iris.AI sekä Kansalliskirjaston kehittämä sisällönkuvailupalvelu Annif.

Uudenlaista tiedonhakua

Iris.AI:n ilmaisversioon voi kuka tahansa luoda tunnukset. Palvelun kattavampi premium-versio on ollut viimeisen vuoden sisällä testikäytössä muutamissa suomalaisissa korkeakouluissa, ja järjestelmä on herättänyt kiinnostusta asiakaskunnassa. Iris.AI hyödyntää avoimia tutkimusartikkeleja sisältävää core.ac.uk -tietokantaa ja täten sen sisältö painottuu tieteelliseen ja englanninkieliseen aineistoon.

Tiedonhaun kannalta Iris.AI:ssa on uutta se, että tietoa haetaan kokonaisen tekstin, esimerkiksi tiivistelmän tai tutkimussuunnitelman avulla eikä käyttäjän tarvitse muotoilla hakusanoja tai -lausekkeita.

Automaattinen sisällönkuvailu auttaa opiskelijoita

Sisällönkuvailupalvelu Annif puolestaan asiasanoittaa sille tarjottuja tekstejä. Annifia voi kokeilla syöttämällä kyseessä olevan tekstin Annifin verkkosivuilta löytyvälle lomakkeelle. Esimerkiksi Humakin tänä vuonna ilmestyneen julkaisun ”Nuorten kertomuksia nuorisotyön merkityksellisyydestä: tarinallisen arvioinnin opaskirja” lyhyen kuvaustekstin perusteella Annifin ehdottamat kolme keskeisintä asiasanaa olivat arviointi, nuorisotyö ja nuorisotyöntekijät.

Palvelu on tehty ennen kaikkea tukemaan kirjastojen työtä aineistojen löydettävyyden parantamiseksi, mutta Annifin verkkolomaketta voisi kokeilla käyttää myös hyödyksi informaatiolukutaidon opetuksessa. Annifin ehdotusten avulla on mahdollista auttaa opiskelijoita hahmottamaan tekstien keskeisiä käsitteitä esimerkiksi vertailemalla opiskelijoiden tekemiä sanaehdotuksia Annifiin antamiin asiasanoihin.

Annif on kytketty Jyväskylän yliopiston julkaisuarkisto JYXiin (Jyväskylän yliopisto 2018). Kun opiskelija tallentaa opinnäytetyönsä JYXiin, Annif tekee tekstin pohjalta automaattisia asiasanaehdotuksia, joista tallentaja voi valita sopivimmat. Annifin nykyversion tekemistä ehdotuksista opiskelijat hyväksyivät käyttöön noin puolet (Suominen 2019, 15–16). Tämä saattaa olla tulevaisuutta myös ammattikorkeakoulujen opinnäytetöitä ja julkaisuja sisältävässä Theseus-palvelussa.

Kirjallisuusvinkkejä botilta

Helsingin keskustakirjasto Oodissa kirjavinkkejä voi saada henkilökunnan lisäksi myös botilta. Mobiilisovelluksen avulla toimivat kirjastosuosittelijat, nimeltään esimerkiksi “Romanttinen kyynikko” tai “Puutarhuri punkkari,” tarjoavat asiakkaille omaan profiilinsa sopivia sisältöjä. Suosittelijan taustalla toimiva tekoäly mahdollistaa sen, että suosituksia tarjotaan myös genrerajojen yli eikä ainoastaan tietyn asiasanavalikoiman piiristä. (Headai 2019)

Botin tekemät ehdotukset perustuvat kuuden profiilin joukosta valittuun vaihtoehtoon eivätkä ole personoituja. Nykymuodossaan botin ehdotukset eivät auta käyttäjää kartuttamaan kirjallisuuden tuntemusta tietystä alasta perustuen tämän aiemmin lukemaan aineistoon, mutta samantapaista työkalua voisi hyvinkin kuvitella käytettävän suosittelemaan opiskelijalle tai korkeakoulun henkilökunnan jäsenelle uusia ja myös yllättäviä sisältöjä omaan ammattialaan liittyen.

Kirjoittaja

Pirjo Kangas, FM, Informaatikko, Humanistinen ammattikorkeakoulu, pirjo.kangas(at)humak.fi


Headai (2019). Asiakastarina: Oodi. Medium.com 14.3.2019. Haettu 16.8.2019 osoitteesta https://medium.com/headai-customer-stories/customer-story-oodi-1d1ef2554bb6

Jyväskylän yliopisto (2018). Julkaisuarkisto JYX uudistuu. Jyväskylän yliopisto: Avoimen tiedon keskus, blogi. Haettu 16.8.2019 osoitteesta https://osc.jyu.fi/fi/blogi/julkaisuarkisto-jyx-uudistuu

Paastela, K. (2019). Tekoäly tuo kirjastoihin käyttäjien haluamia kirjoja – ”Jos alueelle muuttaa paljon lapsiperheitä alkaa kokoelma muuttua lainausten pohjalta”. Helsingin uutiset. Haettu 16.8.2019 osoitteesta: https://www.helsinginuutiset.fi/artikkeli/629451-tekoaly-tuo-kirjastoihin-kayttajien-haluamia-kirjoja-jos-alueelle-muuttaa-paljon

Suominen, O. (2019). Annif: DIY automated subject indexing using multiple algorithms. LIBER Quarterly, 29(1), pp.1–25. Haettu 16.8.2019 osoitteesta http://doi.org/10.18352/lq.10285

Tivi 2019. ”Maailman toimivin kirjasto” – Helsinki hankki 0,9 miljoonalla tekoälyyn pohjaavan ratkaisun. Tivi 14.5.2019. Haettu 16.8.2019 osoitteesta https://www.tivi.fi/uutiset/maailman-toimivin-kirjasto-helsinki-hankki-0-9-miljoonalla-tekoalyyn-pohjaavan-ratkaisun/658b7915-7331-4c19-88e5-94ad04c17a8d

Tekoälyn hyödyntämiseen liittyviä tietosuojakysymyksiä

Kirjoittajat: Kari Kataja & Maria Rehbinder.

Koneoppimista ja tekoälyä käytetään hyväksi korkeakoulujen hallinnossa, opetuksessa sekä tutkimus-, kehitys- ja innovaatiotoiminnassa. Näin voidaan esimerkiksi tehostaa toimintaa tai löytää kokonaan uusia tapoja hyödyntää tietomassoja. Tässä lyhyessä puheenvuorossa nostetaan esiin keskeisimpiä tekoälyn soveltamiseen liittyviä tietosuojakysymyksiä.

Mikäli tekoälyn avulla käsitellään henkilötietoja sisältäviä aineistoja, tulee tietosuoja-asiat ottaa huomioon jo suunnitteluvaiheessa. Henkilötietojen käsittelyn tulee olla asianmukaista ja sen tulee perustua selkeään tarpeeseen. Lisäksi henkilötietojen käsittelyn minimoinnin periaatteen tulee toteutua. Myös muut tietosuoja-asetuksen periaatteet tulee ottaa huomioon. Paras tulos saadaan, kun tietosuojavastaava otetaan mukaan suunnitteluun mahdollisimman aikaisessa vaiheessa.

Tekoälyn prosessoitavaksi annettu henkilötietojen käsittely tulee kuvata mahdollisimman läpinäkyvästi, selkeästi, helposti hahmotettavasti ja tiiviisti. Henkilötiedon luovuttajan tai rekisterissä olevan on kyettävä ymmärtämään kuvaus. Siitä tulee käydä ilmi, mitä tietoja analyysissa otetaan huomioon ja mihin tekoälyn avulla saatua analyysia käytetään. Myös henkilötietojen käsittelyn logiikasta tulee kertoa rekisteröidyn kannalta merkityksellistä tietoa.

Ennen henkilötietojen käsittelyn aloittamista on myös tehtävä päätös siitä, pitääkö tehdä tietosuoja-asetuksen mukainen henkilötietojen käsittelyn vaikutustenarviointi eli DPIA (Data Processing Impact Assessment). Vaikutustenarvioinnin tekeminen on todennäköisesti tarpeen muun muassa siksi, että tekoälyn voidaan tulkita olevan tietosuoja-asetuksen 25 artiklan mukaista ”uutta teknologiaa”.

Lähtökohtaisesti rekisteröity ei saa joutua sellaisen automaattisen päätöksenteon kohteeksi, jolla on oikeusvaikutuksia tai joka muulla tavalla vaikuttaa häneen merkittävästi (Tietosuoja-asetus 2016/679, artikla 22). Tästä periaatteesta voidaan poiketa vain, jos päätös on välttämätön rekisteröidyn ja rekisterinpitäjän välisen sopimuksen täytäntöönpanon kannalta, käsittely on oikeuden tai lainsäädännön perusteella mahdollista tai rekisteröidyltä on tähän nimenomainen suostumus. Rekisteröidyllä on myös oikeus kieltää automaattinen päätöksenteko ja kyseenalaistaa tekoälyn tekemä päätös. EU:n tietosuojaviranomaisista koostuva European Data Protection Boardin edeltäjä Working Party 29 (2018) on antanut profiloinnista ja automaattisesta päätöksenteosta sekä täytäntöön panemisesta tarkemmat ohjeet.

Henkilötietojen käsittely on otettava huomioon myös tekoälyn käyttöön liittyvissä sopimuksissa. Henkilötietoja käsittelevien alihankkijoiden kanssa tulee olla sopimus, jonka sisältöä säätelevät tietosuoja-asetuksen artiklan 28 vaatimukset. Erityisesti on syytä tarkastella henkilötietojen siirtoja, mikäli tekoälyyn liittyvä palvelu sijaitsee EU- tai ETA -alueen ulkopuolella.

Kirjoittajat

Kari Kataja, DI, FM, KTM, KM, Tietosuojavastaava ja tietojärjestelmäpäällikkö, korkeakoulujen tietosuojavastaavien verkoston työvaliokunnan puheenjohtaja, Hämeen ammattikorkeakoulu, kari.kataja(at)hamk.fi

Maria Rehbinder, OTK, Senior Legal Counsel, Certified Information Privacy Professional (CIPP/E), Tieteellisen tutkimuksen tietosuojaryhmä (TUTTI) jäsen, Aalto-yliopisto, maria.rehbinder(at)aalto.fi


Darst, R ja Rehbinder, M. (2018). CS-E3210 Machine Learning: Basic Principles – Ethics and the GDPR. Haettu 15.8.2019 osoitteesta https://www.youtube.com/watch?v=aE8PePfUR9Y

EU:n yleinen tietosuoja-asetus 2016/679, Haettu 15.8.2919 osoitteesta https://eur-lex.europa.eu/legal-content/FI/TXT/?uri=CELEX%3A32016R0679

Working party 29 (2018). Suuntaviivat automatisoiduista yksittäispäätöksistä ja profiloinnista asetuksen (EU) 2016/679 täytäntöön panemiseksi. Haettu 15.8.2919 osoitteesta https://ec.europa.eu/newsroom/article29/item-detail.cfm?item_id=612053

Abstracts 3/2019

Editorial: Getting more from artificial intelligence through cooperation

Katri Kulmuni, Minister of Economic Affairs

When did you last look up information from a book, buy a travel ticket from the ticket desk, or send someone a letter? It’s probably been a while. These were everyday things when we were children, but now they seem remote. Digitalisation, artificial intelligence and the data-based information economy have shaped our society massively and continue to shape it at a staggering rate.

Changes become possibilities when one knows how to take hold of them and use the new tools available in an effective way. Finland has committed to promoting a sustainable and competitive digital economy in a humane and ethical way. For example, we want to harness artificial intelligence for the task of mitigating climate change, as part of our journey towards a carbon neutral economy.

Technological expertise has a key role in these developments. In addition, cooperation between different sectors is needed for the implementation of both services which utilise artificial intelligence and broad, society-wide operational reforms. Artificial intelligence must not simply remain as a concept which is added to different projects to make them look good or because it is assumed that it is needed in everything new. The objectives must be clear: technical improvements that make it into production, business models that bring added value to trade and industry and greater well-being for society, and different kinds of self-learning algorithms which can be used to support work tasks in different professional fields.

We need developer communities which are committed to shared objectives and which see the opportunities of artificial intelligence through the lens of a society which is healthy and environmentally sustainable. At their best, such communities give birth to whole ecosystems which bring together developers from many different fields. Developers get energy from creatively solving problems. The development work brings together expertise from the different stages of the service value chain under construction, from the technical implementation right through to the user experience.

In all this, one key group of actors are universities of applied sciences which serve as catalysts within their region. Indeed, I want to challenge all universities of applied sciences to bring together multidisciplinary developer communities from within their region of operations and to promote the rapid implementation of digital technology in the public and private sectors and the different spheres of civil society. I believe that far more can be obtained that at present through cooperation between companies and institutes of higher education.

Data-based, digital ecosystems must be bold in their approach. They must create an operating culture which supports data-sharing, joint use and integration. They must also be able to recognise whether data is reliable and be able to assess the data’s generalisability and explanatory power. For this reason, it is all the more essential for institutes of higher education to be providing workplaces with experts that have strong media literacy skills and are able to engage in critical reflection on the use of data and artificial intelligence programs as part of decision-making and in guiding their own work.

The authentic energy of a developer culture is created by bringing together people from many fields. By drawing on their expertise within their own field, they can recognise the key challenges and then find solutions for them which also make use of artificial intelligence or big data. Likewise, as cleaner solutions are being developed, for example, in the heating and transport sectors, it is essential that user-orientated thinking is integrated right from the beginning in order to support the implementation of these solutions. The utilisation of artificial intelligence requires, therefore, both technological expertise and people skills. By succeeding in the art of combining solutions from different sectors to create something new, Finland can offer also to other countries the keys to a globally sustainable future.

 

Are we overestimating the effect that AI will have on the labour market?

Alexander Törnroth, M.Sc. (Econ.), AI Accelerator Chief at Finland’s AI Accelerator, HQ at Teknologiateollisuus, alexander.tornroth(at)teknologiateollisuus.fi

During the past years we have seen several pessimistic predictions about artificial intelligence (AI) and the destruction of jobs that an increased adoption of these technologies will bring.

This article suggests, when the four basic rules of digital illusion, heavy capital investments, the difference between performance and competence as well as overestimating current and future AI capabilities are considered, that the predicted effects on the labour market may not be as grand and swift as technological achievements may suggest.

Key words: AI, artificial intelligence, investments, employment, digitalisation

 

Humans in the loupe

Katri Halonen, Dr.Soc.Sc., Lic.Ph., Principal Lecturer, Metropolia University of Applied Sciences, katri.halonen(at)metropolia.fi
Tuire Ranta-Meyer, PhD, Adjunct Professor, Director, Metropolia University of Applied Sciences, tuire.ranta-meyer(at)metropolia.fi

This is an interview of Ville Tuulos who is a software architect in the Machine Learning Infrastructure team at Netflix. He sees AI as a consultant helping us make decisions. In the process, AI can be a tool for creativity but creativity itself can not be automatized.

Key words: data analytics, machine learning, machine learning infrastructure

 

How to distinguish AI from pseudo-AI?

Cimmo Nurmi, Vice President at Satakunta University of Applied Sciences; Adjunct Professor of computational intelligence at the University of Turku; Entrepreneur at CI Computational Intelligence Oy, cimmo.nurmi(at)samk.fi

As the years go by, new buzzwords and industry jargon evolve and their meaning will change. Artificial Intelligence is a good epitome of this. The term AI truly emerged in the early ‘80s when the first academic AI conferences were held. The expectations were high but the results were not that convincing. The public interest soon faded. Artificial intelligence, data analytics and big data rose to public awareness again some three years ago. As an immediate consequence, a huge number of software, IoT and robotics companies changed their marketing vocabulary. Now they are all AI experts in their business area. Their web page once advertised their ERP software to support business growth. Now their artificial intelligence solutions optimally secure and guide the business growth. We should be aware of marketing jargon and carefully study the difference between (real) artificial intelligence and artificial artificial intelligence.

Key words: algorithms, artificial intelligence, computational intelligence, data analytics, education

 

About AI and its ethics in study and career counselling

Mikko Lampi, B. Eng., Chief Development Officer at Metatavu Oy, mikko.lampi(at)metatavu.fi
Piia-Elina Ikonen, M.H.S., Project Manager at South-Eastern Finland University of Applied Sciences, Piia-Elina.Ikonen(at)xamk.fi

This article takes a realistic but optimistic approach in discussing artificial intelligence (AI) in higher education. Finland has declared itself as a future leader in applications of AI as part of a government initiative (2017-2019) by former minister of economic affairs. A multidisciplinary dialogue is critical in understanding AI and in guiding its use and development. The impacts of AI are connected to complex and multidimensional phenomena. Moreover, there are important ethical questions regarding use and development of AI; influenced by coexisting techno-bliss and skepticism. In this article, we discuss the recent developments of AI, related ethical questions and possible future trajectories in context of higher education. There are no easy solutions and answers to provide. However, we encourage and call for discussion, research, and experiments that contribute to better understanding and perspectives in AI and its applications. Finally, we conclude by introducing two projects, in which South-Eastern Finland University of Applied Sciences is involved in exploring the possibilities of AI and its realistic applications in study and career counselling.

Key words: AI, career, guidance, education development, ethics, RDI, study guidance

 

AI and change in the authorship of art – impacts on the education in cultural management

Laura-Maija Hero, PhD (Ed.), Senior Lecturer in Cultural Management and Project Manager at Metropolia University of Applied Sciences, laura-maija.hero(at)metropolia.fi
Satu Lautamäki, PhD (Marketing), Principal Lecturer in Business for Creative Industries at Seinäjoki University of Applied Sciences, satu.lautamaki(at)seamk.fi
Sanna Pekkinen, Lic. Phil., Senior Lecturer in Cultural Management, Humak University of Applied Sciences, sanna.pekkinen(at)humak.fi
Oona Tikkaoja, MA (Sculpture), MA (Media&Comm.), Senior Lecturer in Cultural Management, Humak University of Applied Sciences, oona.tikkaoja(at)humak.fi
Tomas Träskman, Lic. Phil., Degree Programme Director in Cultural Management, Arcada University of Applied Sciences, tomas.traskman(at)arcada.fi

Technologies enabling and developing artificial intelligence (AI) are difficult to conceive. For creative industries, AI will offer new ways of organizing work, ways of doing and communicating creative work, tools, business models, content, as well as changing consumer behaviour. Therefore, AI is a significant trend for creative intermediaries and creates pressure to redesign the pedagogical curriculum for cultural producers.

In this article, we seek to understand the conditions of cultural management and their relation to the technology by examining art-related cases based on artificial intelligence. This analysis is part of the ESF-funded Creathon-project, which aims to strengthen technological know-how in the creative industries and to develop interfaces between the cultural and ICT sectors at universities of applied sciences. We ask: How can artificial intelligence as an ever-increasing phenomenon affect the pedagogical programme of cultural production? We can conclude that AI brings several competence development needs that should be taken into consideration while designing curricula. Cultural manager students should gain the ability to evaluate the opportunities and constraints of AI, understand the characteristics of software development processes, be trained in multidisciplinary R&D collaboration, understand IPR and copyright law and be prepared for ethics and moral communication.

Key words: AI, art, culture production, University of Applied Sciences

 

Artificial intelligence and screenwriting

 Timo Lehti, MA (Art History), PhD Student, Senior Lecturer in Screenwriting at Metropolia University of Applied Sciences, timo.h.lehti(at)metropolia.fi

Timo Lehti, senior lecturer in screenwriting, discusses the possibilities of artificial Intelligence (AI) writing an original screenplay. There are several examples of AI making art: composing music, doing visual arts and writing short films. But what is the point of using AI in the arts? What is the added value, or problem that AI could solve for humans in screenwriting?

Key words: AI, artificial art, movies, screenplay

 

How to link the added value generated by AI with the society?

Matti Sarén, PhD., President/CEO, Kajaani University of Applied Sciences, matti.saren(at)kamk.fi

Artificial intelligence (AI) and machine learning (ML) are considered to be next major game-changers in the global scale. Finnish national higher-education system supports scientific research and innovation at universities, but the role of universities of applied sciences needs to be recognized more clearly for implementing scientific findings in every-day applications. In this paper the success-story of game education is reflected as a benchmark to build up a degree program education in the field of artificial intelligence and machine learning. The role and the impact of value-adding networks, systematically fostered by universities of applied sciences, are argued to be the means for integrating new technologies for the benefit of our society.

Key words: AI, diversity, network of companies, University of Applied Sciences, value chain

 

Will robots and bot-whisperers displace study counsellors?

Jouni Soitinaho, Principal Lecturer, Head of Master’s Degree Programme at Haaga-Helia University of Applied Sciences

Chat and chatbots are becoming increasingly applicable and successful in customer service jobs across industries. Study guidance and counselling has traditionally relied on personal contacts. The article reflects the application of a chatbot in supporting study counsellors in their routine tasks.

Key words: AI, chatbot, robot, study counsellor, study guidance

 

What parts of your job should be outsourced to a chatbot?

Sakari Koivunen, M.Sc., Senior Lecturer, Turku University of Applied Sciences, sakari.koivunen(at)turkuamk.fi

Dialogue and discussion can be seen as a powerful method for learning. Still, it is rarely possible for the teacher to have one-to-one discussions with students, as study groups tend to be large and schedule is tight. Chatbots are one possible solution to this problem: teachers can outsource simple discussions to bots. When asked, via a chatbot, during an online course, none of the students had previus experience of chatbots in education. The sample was small, but diverse: 16 students from 9 UASs and 3 high schools. Students felt that chatbots are a welcome addition to education and suggested several uses for bots: giving course feedback, getting feedback about assignments, general Q&A and course enrolment. Surprisingly, there is quite little academic research available on the use of chatbots in education.

Key words: chatbot, higher education, technology

 

How Does Artificial Intelligence (AI) Change Future Competence Demands?

Maarit Virolainen, PhD, Post-Doctoral Researcher in the Finnish Institute for Educational Research at the University of Jyväskylä, maarit.ha.virolainen(at)jyu.fi

Artificial intelligence will change the world of work and occupational profiles in the future. It will be combined with various forms of service production and industry. It may become vital even in unexpected jobs, like for a violin player of an orchestra through the co-operation with robots or utilization of software when looking for sheets related to specific tunes. In particular, the combinations of various new technologies may produce unexpected outcomes. The broad societal change is often referred to by the term Industry 4.0. It challenges educational institutions to anticipate competence demands and provide adult education to help adaptation. In the field of technology, many studies have already been completed to explore future competencies. In the article, the identified competence demands are presented and discussed to inspire the curriculum development of the Finnish UAS.

Key words: AI, Industry 4.0, skills anticipation, skills needs, technology