TUTUSTU mitä me osaamme ja teemme
TUTUSTU mitä me osaamme ja teemme

Close

Palvelut

Ota yhteyttä

KAHVIA VAI TEETÄ? Piipahda luonamme.
Tekoälyefekti valloittaa nyt ja tulevaisuudessa

Blogi maaliskuuta 04, 2019

Tekoälyefekti valloittaa nyt ja tulevaisuudessa

Tekoälyefekti on termi, jota käytetään tekoälyn määritelmän eräänlaiselle aikasidonnaisuudelle. Asiat, jotka ovat tekoälyä tänään, eivät välttämättä ole sitä enää huomenna. Ajan kuluessa tietyn tyyppiset sovellukset yleistyvät ja arkipäiväistyvät ja niistä aletaan tekoälyn sijasta puhua vain algoritmeina, aivan kuin kyseessä olisi kaksi eri asiaa. Tekoälyefekti on puraissut ison osan pois esimerkiksi joidenkin suosittelualgoritmien yleisestä imagosta. Harva ajattelee olevansa tekemisissä hienostuneen tekoälyn kanssa, kun Netflix ehdottaa sarjoja jotka voisivat kiinnostaa juuri sinua.

Neuroverkkomallit tekoälysovellusten taustalla

Kun puhutaan tekoälyn taustalla pyörivistä algoritmeista, alkaa useimmilla vilahdella silmissä sellaisia termejä kuin neuroverkko tai deep learning. Tämä on toki täysin ymmärrettävää. Viittaahan koko termi jo lähtökohtaisesti aivojen rakenteeseen ja moni yleisen hypekynnyksen ylittänyt tekoälysovelluskin perustuu jonkinlaiseen neuroverkkomalliin. Neuroverkkojen hyödyntämistä pohtiessaan on kuitenkin syytä muistaa, että kyseessä ei missään nimessä ole optimaalinen ratkaisu jokaiseen vastaan tulevaan ongelmaan. Vaikka neuroverkko teoriassa pystyykin mallintamaan minkä funktion tahansa, se ei tarkoita, että niin pitäisi silti tehdä. Kookkaan neuroverkon kouluttaminen on resursseja (myös henkisiä) kuluttavaa puuhaa. Monesti täysin samaan lopputulokseen päästäänkin huomattavasti näppärämmin lähestymällä ongelmaa kokonaan toisesta näkökulmasta.

Pätevien neuroverkkoarkkitehtuurien esiintulo

Hype ei kuitenkaan ole syntynyt tyhjästä. On monia sovelluskohteita, joissa erilaiset neuroverkkoarkkitehtuurit ovat osoittautuneet erityisen päteviksi ja lisää ilmaantuu jatkuvasti. Tässä välissä lieneekin hyvä nostaa esiin näistä muutama.

Esimerkiksi konvoluutioneuroverkkojen rakenne saa ne soveltumaan erityisen hyvin visuaalisen datan luokitteluun ja analysointiin. Siinä missä perinteisen neuroverkon alimman kerroksen neuronit olisivat kukin yhteydessä kuvan jokaiseen pikseliin, hyödynnetään konvoluutioverkoissa saman tyyppistä ajatusta, jolla myös biologinen näköaivokuori visuaalista syötettä käsittelee. Kukin neuroni siis saa käsiteltäväkseen vain osan näköaistimuksesta. Tämä on monestakin syystä hyvä asia kuvien käsittelyssä, mutta eräs suurimmista hienouksista on, että näin voidaan tehokkaasti löytää erilaisia alueellisia kuvioita. Verkon alimmat kerrokset siis pystyvät näppärästi tunnistamaan esimerkiksi kulman tai suoran viivan, joiden perusteella seuraavat kerrokset saattavat tunnistaa esiintyykö kuvassa neliö, kolmio vai naapurin koira.

Älykäs kielen käsittely LSTM-verkon avulla

Myös aikasarjadatan tai luonnollisen kielen käsittelyä varten on olemassa soveltuvia neuroverkkoarkkitehtuureita. LSTM-verkko pyrkii muiden rekurrenttien verkkojen tavoin toteuttamaan työmuistin, jonka avulla mm. tekstin käsittelyyn saadaan hieman ihmismäistä ulottuvuutta. Verkolle voidaan näin syöttää tekstiä sana kerrallaan siten, että aiemmat sanat eivät täysin unohdu. Näin voidaan rakentaa kielen kääntäjiä, ennustavia tekstinsyöttöjä tai syöttää verkolle esimerkiksi sähköposteja, jotka se lajittelee haluttuihin kategorioihin. Mahdollisuuksia on monia. Tavalliselle luokittelijamallille teksti pitää usein syöttää kokonaisuudessaan yhtenä vakiopituisena vektorina, jonka kukin alkio kuvaa tietyn ennakkoon määritetyn sanan esiintymistä tekstissä. Tämä perinteinen menetelmä on monessa käytännön sovelluksessa täysin riittävä, mutta LSTM:n avulla saadaan paremmin huomioitua myös sanojen keskinäinen järjestys ja esimerkiksi tulostettua ennusteita kunkin sanan jälkeen erikseen.

Edellä kuvatut arkkitehtuurit ovat saavuttaneet tietyssä mielessä jo standardin aseman ja niihin pohjaavia sovelluksia otetaan joka hetki käyttöön yrityksissä ympäri maailmaa. Neuroverkoilla pystyy toki tekemään käsittämättömän määrän muitakin asioita, esimerkiksi hyödyntämään niitä AlphaGo:n tapaan vahvistusoppimisessa, generoimaan täysin uusia valokuvia, tai keinotekoisesti parantamaan kuvien ja videoiden resoluutiota. Kyseessä on eräs maailman aktiivisimmista tutkimusaloista, ja uusia kiinnostavia käyttötapauksia ilmaantuu jatkuvasti.

Tekoälyefekti tulee jäädäkseen

Neuroverkkosovellukset tulevat kuitenkin ajan myötä kokemaan saman kohtalon kuin muutkin tekoälysovellukset. Tekoälyefekti tulee puraisemaan niitä yhtä voimakkaasti kuin kaikkea muutakin. Niin on monien neuroverkkosovellusten kohdalla toki jo tapahtunutkin. Älykkään käytöksen ja aivojen välinen yhteys vaikuttaa kuitenkin niin itsestään selvältä, että itse neuroverkkojen käsite saattaa olla vakiintunut tekoälyn synonyymiksi pidemmäksikin aikaa. Tässä vaiheessa on kuitenkin hyvä hieman muistella, mistä neuroverkoissa pohjimmiltaan onkaan kysymys. Nykypäivän neuroverkkojen yhtenevyydet biologisten aivojen toiminnan kanssa ovat nimittäin lopulta melko pinnallisia. Esimerkiksi ulkolämpötilaa ennustava neuroverkko voisi muodostaa ennusteensa seuraavasti: y = h(h(h(XW₁ + b₁)W₂ + b₂)W₃+b₃), missä h(z) = ₑᶻ ⁄ ₑᶻ₊₁. Hiemankin kyynisempi henkilö voisi todeta, että tuossahan on kysymyksessä vain epälineaarinen regressio. Hän on aivan oikeassa.

 

saska tirronen

AI Consultant, Information Management, Enfo.

AI 24/7 Automatisoi liiketoimintasi tekoälyn avulla