Tekoäly ei ole taikuutta — näin se oppii

Tekijä: Oluwole Akinwale, Johtaja, Professional Services

Olet luultavasti kuullut ihmisten puhuvan siitä, kuinka “tekoäly oppii”, mutta mitä se oikeastaan tarkoittaa? Miten koneet ylipäätään oppivat?

Vastaus piilee koneoppimisessa — prosessissa, joka opettaa tietokoneita tunnistamaan kaavoja, tekemään päätöksiä ja jopa parantumaan ajan myötä ilman tarvetta ohjelmoida niitä uudelleen alusta alkaen.

Avataan asiaa arkikielellä.

Mikä on koneoppiminen?

Ajattele koneoppimista kuin koiran kouluttamista. Et selitä kaikkea sanoilla – näytät, palkitset ja toistat. Koira oppii käskyt tunnistamalla kaavoja. Koneoppiminen toimii samalla tavalla: annamme tietokoneelle paljon esimerkkejä (dataa), ja se oppii niistä algoritmien (vaiheittaisten ohjeiden) avulla. Lopulta se tulee paremmaksi kaavojen havaitsemisessa, kun syötämme sille lisää dataa. Se on vähän niin kuin sanomme “harjoitus tekee mestarin” – kuulostaako tutulta? Puhutaan nyt neljästä päätavasta, joilla koneet oppivat.

Koneoppimisen 4 päämenetelmää

Me kaikki opimme omalla tavallamme – toiset lukemalla, toiset katsomalla, ja jos olet yhtään niin kuin minä, tarttumalla toimeen ja tekemällä itse. Tekoälyjärjestelmät eivät poikkea tästä paljonkaan. Voimme kouluttaa niitä seuraavilla tavoilla riippuen tehtävästä, jonka haluamme niiden suorittavan.

1. Ohjattu oppiminen

Kuvittele tämä opettajana ohjaamassa oppilastaan näyttämällä tälle esimerkkikysymyksiä yhdessä oikeiden vastausten kanssa. Siten tämä konnektiivisen tekoälyn tyyppi toimii – koulutamme tekoälyä syöttämällä sille paljon merkittyjä esimerkkejä, jotta se oppii mikä on oikein tunnistamalla kaavoja niistä vastauksista.

Kuvitellaan, että haluamme tekoälyn tunnistavan kuvia kissoista ja koirista. Käymme läpi jokaisen valokuvan ja merkitsemme sen – “tämä on kissa”, “tämä on koira”. Sitten syötämme tuhansia näitä merkittyjä kuvia järjestelmään. Nähtyään tarpeeksi monta esimerkkiä kone alkaa itse päätellä, miten ne erotetaan toisistaan.

2. Valvomaton oppiminen

Muistatko ne kerrat, jolloin vanhempasi tai opettajasi antoivat sinun selvittää asiat itse? Vannon, että vihasit sitä! Tämän tyyppinen koneoppiminen toimii samalla tavalla.

Annamme tekoälylle paljon dataa, mutta emme vastauksia – sen täytyy selvittää se havaitsemalla kaavoja tai ryhmiä. Esimerkiksi voimme ajatella – mitä jos syötämme sille tuhansia asiakkaiden ostotietoja ilman tunnisteita? Se saattaa ryhmitellä asiakkaat luonnollisesti heidän ostotottumustensa tai mieltymystensä perusteella – mikä on varmasti ilo markkinointiystävillemme ja tietysti kaikille, jotka käyttävät suositusjärjestelmiä.

3. Vahvistusoppiminen

Kolmen lapsen isänä tämä tuo mieleeni ajat, jolloin vauvani opettelivat kävelemään. Katsoin heidän kaatuvan useita kertoja, mutta joka kerta he sopeutuivat ja kaatuivat uudelleen, ennen kuin lopulta oppivat sen.

Kyse on kokeilemisesta, epäonnistumisesta ja kehittymisestä. Virheet eivät ole takaiskuja – ne ovat ponnahduslauta menestykseen. Tämä ei ole mikään motivaatioteksti, joten palataanpa tekoälyyn. Vahvistusoppiminen on samanlaista kuin yrityksen ja erehdyksen kautta oppiminen, mutta siihen lisätään palkinnot ja rangaistukset. Kuvittele robotti, joka opettelee leipomaan kakun ilman reseptiä.

Ensimmäisellä kerralla se saattaa lisätä liikaa jauhoja tai unohtaa leivinjauheen. Kakusta tulee tiivis tai se ei nouse. Seuraavalla kerralla se korjaa tilanteen – ehkä hieman vähemmän jauhoja, vähän enemmän sokeria. Jokaisella yrityksellä se oppii siitä, mikä meni pieleen, ja pääsee lähemmäksi täydellistä kakkua.

4. Puolivalvottu oppiminen

Hmm! Tämä on kuin suosikkisi grilliseos, mutta siinä on vain kaksi ainesosaa: pihvi ja sausage, kana ja lampaan kyljys, porsaankyljys ja pekoni tai kala ja katkarapu. Osittain ohjattavassa oppimisessa tämä yhdistelmä koostuu ohjauksesta ja arvailusta.

Tässä hyödynnämme ohjatun oppimisen ohjausta yhdistettynä ohjaamattoman oppimisen arvailuun. Syötämme järjestelmään merkittyä dataa (vastauksien kanssa) ja suuremman määrän merkitsemätöntä dataa (ilman vastauksia).

Kuvittele, että olet merkinnyt 100 lääketieteellistä kuvaa joko “kasvain” tai “ei kasvain”, mutta sinulla on 1 000 kuvaa lisää ilman merkintöjä. Tekoäly voi oppia muutamasta merkitystä esimerkistä ja soveltaa sitten tätä oppimista lopun aineiston hahmottamiseen.

Tekoälyn kypsyessä on syntynyt erikoistuneempia oppimisstrategioita, jotka auttavat koneita oppimaan nopeammin, älykkäämmin ja eettisemmin. En vaivaa sinua yksityiskohdilla.

Päätetään nyt siihen, miksi koneoppimisen ymmärtäminen on tärkeää.

Miksi sillä on väliä?

Tekoälyn oppimisen ymmärtäminen ei ole pelkkää teknologiajargonia – se vaikuttaa jokapäiväiseen elämäämme enemmän kuin arvaammekaan:

Personoidut kokemukset
Netflix-suosituksistasi Spotify-soittolistaasi, tekoäly oppii mistä pidät ja tarjoaa sitä lisää. Toivottavasti se tarkoittaa enemmän rahaa minulle. 🙂

Parempi terveydenhuolto
Kuvittele, millainen vaikutus elämäämme olisi sillä, että kouluttaisimme tekoälymalleja lääketieteellisellä datalla, jotta ne voisivat auttaa havaitsemaan sairauksia aiemmin ja ehdottamaan tarkempia hoitoja.

Älykkäämpiä liiketoimintapäätöksiä
Yrityksen omistajana tykkään ymmärtää asiakkaiden käyttäytymistä, ennakoida trendejä ja optimoida toimintaa. Kuulostaa Jira-taulun käyttäjätarinalta. No, tekoäly voi auttaa toteuttamaan kyseisen vaatimuksen myös.

Turvallisempi tekniikka
Itsenäisesti ajavien autojen tai petosten havaitsemisen kaltaisilla aloilla se, miten tekoäly koulutetaan, määrittää, kuinka hyvin se pystyy havaitsemaan vaaran tai epätavallisen toiminnan.

Eettinen vastuu
Tästä aiheesta olen innoissani. Tekoälyn kouluttamisen ymmärtäminen auttaa meitä esittämään oikeita kysymyksiä tietosuojasta, oikeudenmukaisuudesta ja ennakkoluuloista, mikä vaikuttaa meihin kaikkiin.

Lyhyesti sanottuna: Mitä paremmin ymmärrämme, miten tekoäly oppii, sitä paremmin voimme muokata sitä, miten se toimii hyväksemme – ja kanssamme.