JYUnity

Julkisesta keskustelusta saattaa saada sen kuvan, että ei ole olemassa ongelmaa, jota tekoälyllä ei voitaisi ratkaista. Asia ei kuitenkaan ole aivan näin.

Ihmisten mielikuvat tekoälystä ovat helposti värittyneitä tieteiskirjallisuudesta tutuiksi tulleilla vahvoilla tekoälyillä, jotka kykenevät inhimilliseen päätöksentekoon ja jäljittelemään ihmisen ajattelua.

Tästä kuitenkin ollaan tällä hetkellä kaukana.

Sen sijaan olemme oppineet käyttämään heikkoa tekoälyä. Nämä ovat lähtökohtaisesti koulutettu ratkaisemaan yhtä tiettyä ongelmaa. Esimerkiksi heikko tekoäly voidaan opettaa tunnistamaan käsinkirjoitettuja kirjaimia. Tällöin tekoälylle näytetään iso määrä kuvamuodossa olevia käsinkirjoitettuja kirjaimia ja vastaavasti kerrotaan mitä kirjainta kyseinen kuva vastaa. Kouluttamisen yhteydessä säädetään tekoälyyn sisällytettyjä painokertoimia siten, että tekoäly kykenee yhdistämään tietyn näköiset kuvat tiettyyn kirjaimeen.

Tekoäly on approksimaatio kuvauksesta

Matemaattisesti tekoälyssä on kyse kuvauksesta lähtöjoukosta maalijoukkoon. Aivan kuten funktio ƒ (x) = sin (x) kuvaa kaikkia reaalilukuja x välille [−1,1]. Heikon tekoälyn sisällä nämä kuvaukset ovat yleensä huomattavasti monimutkaisempia ja niiden määrittäminen ei ole suoraviivaista. Tästä syystä johtuen tekoälyä on pidettävä arviona, approksimaationa, todellisesta kuvauksesta.

Esimerkiksi keinotekoiset neuroverkkomallit koostuvat useista yhdistetyistä kuvauksista, jolloin niissä voi olla miljoonia säädettäviä kertoimia. Jo 1980-luvun loppupuolella todistettiin, että tietyt reunaehdot täyttävä kuvaus voidaan approksimoida tämän kaltaisella neuroverkolla. Koska tekoälyt opetetaan tietyn lähtöaineiston perusteella, niin niiden kyky yleistää tulosta on vahvasti sidoksissa tähän lähtöaineistoon. Miten laajaa se on? Miten laadukasta se on? Kuinka monta alkiota siinä on?

Mallintamisen hyödyt käyttöön

Datan kerääminen tekoälyn opettamiseksi nousee tärkeään asemaan. Kerääminen on monissa sovelluksissa hidasta, aikaa vievää ja kallista. Heikonkin tekoälyn laajamittaisen hyödyntämisen näkökulmasta olisikin hyvä miettiä ratkaisuja tähän ongelmaan. Laskennallinen tiede ja matemaattinen mallintaminen antavat meille tietyissä asioissa työkaluja tämän kysymyksen ratkaisemiseen.

Matemaattisten mallien avulla voimme simuloida ilmiötä, jonka tekoälylle haluamme opettaa.

Tällöin tietokone pystyy tuottamaan laajan aineiston, jonka kaikki parametrit tunnemme. Esimerkiksi voimme mallintaa ensin valon kulkua puun lehdessä, sitten puussa, metsässä ja kuinka se siroaa sieltä pois. Opettamalla tekoäly approksimoimaan tämän simulaation käänteiskuvausta, voimme määrittää kuvasta lehden biofysikaalisia ja -kemiallisia parametreja. Hyödyntämällä tätä tietoa voimme simuloida uutta opetusaineistoa jo kerätyistä kuvista.

Vaihtoehtoisesti käänteiskuvausta voidaan hyödyntää selittämään miksi jokin tekoälyalgoritmi toimii kuten toimii. Esimerkiksi puulajien, puiden terveyden tai vaikka ihosyövän tunnistaminen. Perinteinen matemaattinen mallintaminen yhdistettynä tekoälytutkimukseen pystyy tarjoamaan uusia ulottuvuuksia monille tieteen ja yhteiskunnan aloille. Vaikka tekoälytutkimus itsessään on tällä hetkellä trendikästä, niin olisi syytä pitää arvossaan myös perinteisempi laskennallinen tiede, joka pitää sisällään aiheita matemaattisesta mallintamisesta ja simuloinnista tieteelliseen laskentaan.

Jyväskylän yliopiston IT-tiedekunnan spektrikuvantamislaboratorio tekee tutkimusta tämän tematiikan parissa. Tutkimuksemme pitää sisällään niin matemaattista mallintamista, tekoälymenetelmien kehittämistä kuin myös yritystä hyödyntää valon sirontaa erilaisissa sovelluksissa. Parhaillaan kuvatun kaltaisia asioita tutkitaan Jyväskylän yliopistossa Suomen Akatemian rahoittamissa hankkeissa: Kompleksisten pintojen kerroksellinen spektrikuvantaminen (SICSURIFIS) ja Autonominen UAV spektrometriaan perustuva puun kunnon analysaattori (ASPECT).

Dosentti Ilkka Pölönen
Kirjoittaja on SICSURFIS ja ASPECT hankkeiden vastuullinen johtaja