Tekoälyllä kohti ketterää digisalamointia

Tekoälyn avulla erilaisten tietojärjestelmien toiminnallisuutta voidaan laajentaa käsittämään inhimillisiksi katsottavia taitoja, kuten omatoimista päättelyä, oppimista ja suunnittelemista. Tekoäly osaa työskennellä väsymättömästi oppimallaan rajatulla alueella. Oppiminen tapahtuu joko asiantuntijan sanoittaman eli leimaaman aineiston avulla tai itseoppivasti. Itseoppivuus toteutuu annetun säännöstön ja datan avulla tai tutkimalla ympäristöä käytettävissä olevilla tunnistimilla ja toimilaitteilla.

Tekoälyn tuottaminen esimerkiksi koneoppimisen avulla on vaativa laskentatehtävä, jossa tyypillisesti tarvitaan runsaasti dataa ja laskentatehoa. Kun tekoälymalli on saatu opetettua, voidaan se siirtää suoritettavaksi päätelaitteisiin, esimerkiksi kannettaviin tietokoneisiin, älypuhelimiin ja vaikkapa ympäristöään tarkkaileviin ajoneuvoihin. Tekoäly ei ole käyttöönoton jälkeen samalla tavalla lopullinen kuten perinteinen, versioitava tietokoneohjelma, vaan se kehittyy koneoppimisen avulla käytön myötä.

Kuva 1. “Tekoälysipuli”, jossa esitetään tekoälyn ja koneoppimisen välinen suhde. Tekoälyn mahdollistavia tekniikoita ovat datan pohjalta rakentuva koneoppiminen ja edelleen sen erityismenetelmänä syväoppiminen. Kuva: Aarne Klemetti.

Tekoäly on poikkeuksetta erikoistunut oppimaansa ympäristöön: shakkitekoäly on voittamaton shakinpeluussa, mutta ei osaa ajaa autoa. Vastaavasti kuva-analyysitekoäly, joka tunnistaa luotettavasti ihosyövän valokuvien perusteella, ei tiedä, mikä on auton rekisterikilpi. Keskeinen kysymys on se, mitä, miten ja millä aineistolla tekoälyn annetaan oppia.[2] Puuttumatta eettisiin näkökulmiin on tärkeää, että aineiston valinnasta päättävä asiantuntija rajaa tehtävät selkeisiin kokonaisuuksiin: ei kannata pyrkiä kovin kattavaan tekoälyyn, koska se on todennäköisesti liian laaja opetettavaksi ja hallittavaksi. Sen sijaan joukko testatusti toimivia, rajattuja tekoälyjä nostaa tuottavuutta ja päätöksenteon luotettavuutta merkittävästi.[3]

Digi-Salamassa tekoäly ja koneoppiminen automaatiossa oli omana teemanaan. Tavoitteena oli ymmärtää ja oppia soveltamaan tarvittavia toimintamalleja, datan keruuta ja muokkausta sekä koneoppimisen periaatteita suhteessa tavoitteisiin. Lisäksi pyrittiin saavuttamaan näkemys siitä, millä tasolla valittujen kohdeyritysten tekoälyosaaminen on ja miten mahdollisiin tarpeisiin voidaan vastata opetussuunnitelmissa.

Tekoäly ja YK:n kestävän kehityksen tavoitteet

Yhdistyneiden kansakuntien jäsenmaat sopivat vuonna 2015 Agenda 2030:stä, jossa pyritään edistämään kestävää kehitystä aikavälillä 2016-2030. Suunnitelma jaettiin 17 tavoitteeseen, jotka ohjaavat kestävän kehityksen edistämistä.[4]

Tekoäly voidaan nähdä mahdollistavana tekijänä näiden tavoitteiden saavuttamisessa. Koko tavoitteisiin pyrkimisen prosessin ajan pitää kerätä ja analysoida dataa, jonka avulla voidaan luoda älykkäitä malleja päätöksenteon tueksi. Esimerkiksi voidaan ottaa älykäs talotekniikka, jonka optimointi säästää energiaa, tuottaa ilmakehään vähemmän hiiliyhdisteitä ja parantaa sisätiloissa oleskelun laatua – vaikuttaa siis osaltaan myös terveyteen.

Kestävään kehitykseen liittyvät tekoälymallit eivät synny tyhjästä ja ilman laskentaa. Laskenta on usein niin vaativaa, että siinä tarvitaan supertietokoneen laskenta- ja tallennuskapasiteettia useiden päivien ajan. Se puolestaan kuluttaa myös energiaa. Tutkimuksissa on kehitetty erilaisia mittaustapoja tekoälyyn liittyvien laskentatarpeiden energiankulutuksen huomiointiin. Tarvittavia algoritmeja voidaan optimoida käytön myötä vastaavalla logiikalla kuin itse tekoälyäkin.

Vaatimuksia koulutukselle

Tekoäly ja koneoppiminen ovat monimutkaisia asioita, joiden tuotantomittaisen soveltamisen hidastavana tekijänä on useimmiten puutteellinen osaaminen. Tätä paikatakseen yritykset pyrkivät kouluttamaan henkilöstöään ja toisaalta ulkoistamaan tarvittavia osaamisia. Nämä molemmat vaihtoehdot sopivat luontevasti ammattikorkeakouluympäristöön, koska opiskelijaryhmien ja opinnäytetöiden avulla voidaan testata ja kehittää erilaisia konsepteja ja prototyyppejä.

Tekoäly tieteenä soveltuu tiedekorkeakoulujen opetusohjelmiin ja tutkimuslaitoksiin – alempien oppilaitosten näkökulmasta tarvitaan pikemminkin sovellusosaamista kautta linjan. Tärkeämpää kuin tekoälyn ja koneoppimisen syvällinen ymmärtäminen on käsittää se, miten näitä teknologioita voidaan käytännössä soveltaa ja millaisia kyvykkyyksiä kannattaa sisällyttää yritysten ja oppilaitosten osaamiseen.

Kustannuksiltaan tekoälyn ja koneoppimisen soveltaminen ei ole enää kynnyskysymys. Avoimen lähdekoodin alustoilla on tarjolla laaja valikoima kehitystyökaluja algoritmeineen. Niiden käyttämisessä tulee poikkitieteellisiin tiimeihin lisätä data- ja tekoälyosaamista sisältöammattilaisten tueksi. Lisäksi korkeakouluilla on pääsy vaativaa laskentaa tarjoaviin supertietokoneympäristöihin, jolloin myös suurten datajoukkojen käsittely ja koneoppiminen on mahdollista toteuttaa skaalautuvasti.

Tärkeämpää kuin jokaisen toimijan ammattimainen tekoälyosaaminen on se, että pystytään tunnistamaan datan eri prosessivaiheiden hallinta: mitä on kerättävä data, mistä sitä voidaan kerätä, mitä sillä voidaan tehdä ja mitä se merkitsee? Näin ollen on syytä ennemminkin tietää, kuka tietää ja mitä pitää tietää, kuin vaatia kaikilta osapuolilta samantasoista teknologista ymmärrystä.

Seuraava askel kohti älykkäämpää automaatiota – toimialasta riippumatta – on sen ottaminen osaksi normaalia toimintaa. Tätä tarkoitusta varten opetussuunnitelmiin kannattaa lisätä ainakin käytännölliset, omaa osaamisaluetta palvelevat kurssit esimerkiksi intensiivitoteutuksina. Lisäksi aiheeseen syvällisempää perehtymistä varten tulee tarjota mahdollisuudet ainakin koodaamiseen ja ohjelmistotuotantoon keskittyville opiskelijoille.

Lähteet:

1. Kuvituskuva Pixabaysta: <https://commons.wikimedia.org/wiki/File:Artificial-Intelligence.jpg>
2. 6 Biggest Limitations of Artificial Intelligence Technology. Verkkosivu. Saatavana osoitteesta:<https://hackernoon.com/the-missing-pieces-6-limitations-of-ai-s85r3upr>.  Luettu 2.12.2021.
3. 5 + 1 myyttiä tekoälystä.  Verkkosivu. Saatavana osoitteesta: <https://www.aaltopro.fi/aalto-leaders-insight/2019/5-1-myyttia-tekoalysta>. Luettu 2.12.2021
4. Kestävän kehityksen tavoitteet. Verkkosivu. Saatavana osoitteesta: <https://www.ykliitto.fi/yk-teemat/kestavan-kehityksen-tavoitteet>. Luettu 2.12.2021.

Lisätietoja aiheesta kiinnostuneille:

1. Tekoäly, Wikipedia. Verkkosivu. Saatavana osoitteessa: <https://fi.wikipedia.org/wiki/Tekoäly>. Luettu 2.12.2021.
2. Koneoppiminen, Wikipedia. Verkkosivu. Saatavana osoitteessa: <https://fi.wikipedia.org/wiki/Koneoppiminen> Luettu 2.12.2021.
3. Metropolia edistää kestävän kehityksen osaamista ainutlaatuisen tekoälyratkaisun avulla. Metropolian ajankohtaisten uutisten verkkosivu. Saatavana osoitteessa: <https://www.metropolia.fi/fi/metropoliasta/ajankohtaista/uutiset/metropolia-edistaa-kestavan-kehityksen-osaamista-ainutlaatuisen-tekoalyratkaisun-avulla>. Luettu 2.12.2021.
4. YK:n arvot tekoälykehityksen tienviittana. Politiikasta-sivuston verkkosivu. Saatavana osoitteessa: <https://politiikasta.fi/ykn-arvot-tekoalykehityksen-tienviittana/>. Luettu 2.12.2021.
5. Eettinen tekoäly ja algoritmit. Helsingin Yliopiston verkkosivu. Saatavana osoitteessa: <https://www.helsinki.fi/fi/ajankohtaista/ihmisten-teknologia/eettinen-tekoaly-ja-algoritmit>. Luettu 2.12.2021.
6. Sivonen, A., Heikkinen, K.: Tekoäly – uhka vai mahdollisuus amk-opettajalle. Verkkosivu Haaga-Helia eSignals. Saatavana osoitteessa: <https://esignals.fi/kategoria/pedagogiikka/tekoaly-uhka-vai-mahdollisuus-amk-opettajalle/#0dde0fb1>. Luettu 2.12.2021.

Kirjoittaja:

Aarne Klemetti työskentelee tutkijaopettajana Metropolia Ammattikorkeakoulussa.