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/