Haasteet, jotka hidastavat AI:n kaupallisten sovellusten yleistymistä

Tekoälyyn (AI) kohdistuvat suuret odotukset. Kuitenkin tekoälyyn perustuvat sovellukset yleistyvät hitaasti monella alueella ja olemassa olevat sovellukset ovat ominaisuuksiltaan melko rajoittuneita. Mikä hidastaa tekoälyn kaupallisten sovellusten yleistymistä ja miksi?

Tällä hetkellä kaksi tärkeintä tekoälyn kaupallisten sovellusten voittokulkua hidastavaa tekijää ovat: 

  • Haaste 1: Tekoälyn ajatuksen seuraaminen on vaikeaa, eli sen tekemiä päätöksiä ei voida perustella luotettavasti.
  • Haaste 2: Yksinkertaistenkin tehtävien opettamiseen tekoälylle tarvitaan valtava määrä dataa.

Se, miten tekoälyn kaupallisten sovellusten tulevaisuudessa käy, riippuu näiden haasteiden ratkaisemisesta.

Lue myös kirjoituksemme siitä, miten tekoäly tulee muuttamaan asiantuntijatyötä.

Haaste 1: Tekoälyn ajatuksen seuraaminen on vaikeaa

Tiedämme jo melko paljon ihmisaivojen ja ajattelun rakenteista. Ihmisen ajattelua ei ole kuitenkaan mahdollista mallintaa täsmällisten sääntöjen avulla.

Ajatteluumme liittyy paljon sellaista, mitä emme osaa kertoa. Esimerkiksi tietyn sovellusalueen asiantuntijan kognitiivisia eli ajattelun rakenteisiin liittyviä toimintoja on usein mahdotonta jäljitellä perinteisten, sääntöpohjaisten tekoälyjärjestelmien avulla. Asiantuntija itsekään ei pysty kertomaan kaikkea sitä, mitä tietää tai miten toimii. Tätä kutsutaan Polanyin paradoksiksi.

Monet nykyiset tekoälyjärjestelmät perustuvat koneoppimiseen. Ne pystyvät löytämään kerätystä datasta automaattisesti hyvinkin monimutkaisia riippuvuussuhteita.

Edelleen haasteena on kuitenkin se, miten järjestelmän toimintaa visualisoidaan ja sen vasteita perustellaan. Juuri nämä seikat ovat elintärkeitä monilla sovellusalueilla, esimerkiksi liikenteessä, lääketieteessä ja finanssisektorilla.

Ajatellaanpa esimerkiksi tekoälyyn perustuvaa luottokelpoisuutta arvioivaa järjestelmää. Sen syötteenä on monenlaista tietoa liittyen henkilön luottohistoriaan. Ulostulona henkilölle annetaan vain luottokelpoisuutta kuvaava luku. Sekä henkilön itsensä että luottokelpoisuutta arvioivan tahon kannalta olisi hyvä, että järjestelmä pystyisi erittelemään, mitkä seikat luottohistoriassa vaikuttivat sen tekemään päätökseen luottokelpoisuudesta.

Haaste 2: Yksinkertaistenkin tehtävien opettamiseen tekoälylle tarvitaan valtava määrä dataa

Viime vuosina erityisen aktiivinen koneoppimisen alue on ollut syväoppiminen, jossa riippuvuuksia mallinnetaan laskennallisten graafien avulla. Ne pohjautuvat huomattavasti yksinkertaistettuun malliin hermoston toiminnasta ja niiden avulla on saavutettu erinomaisia tuloksia. Toisinaan, rajatuissa tehtävissä, ne jopa ylittävät ihmisen suorituskyvyn. Oppiakseen monimutkaisia riippuvuuksia ne vaativat kuitenkin valtavan määrän dataa.

Esimerkki syväoppivista järjestelmistä ovat konvoluutioverkot, jotka pyrkivät mallintamaan ihmisen näköjärjestelmää ja tulkitsemaan kuvia. Konvoluutioverkon alimmat kerrokset oppivat erottamaan kuvista yksinkertaisia piirteitä, esimerkiksi reunaviivoja. Korkeammalla olevat kerrokset hyödyntävät alla olevia kerroksia tunnistaessaan monimutkaisempia muotoja, esimerkiksi ihmisen kasvoja.

Oppiakseen tunnistamaan esimerkiksi valokuvasta kissan, konvoluutioverkko vaatii opetusdataksi kymmeniä tuhansia erilaisia valokuvia kissoista. Pieni lapsihan oppii tunnistamaan kissan kertavilkaisulla!

Vaikka laskentaresursseja on nykyään runsaasti saatavilla, valtavien opetusaineistojen koostaminen ja käsitteleminen tekevät syväoppimiseen perustuvien järjestelmien kehittämisestä erittäin työlästä. Samalla se estää järjestelmien automaattisen sopeutumisen uusiin tehtäviin.

Miten tekoälyn kehittämisen haasteita ratkotaan?

Tämän hetken eräät merkittävimmistä menetelmätutkimuksen suuntauksista tutkivat juuri näitä kahta edellä kuvattua haastetta.

Lupaavia tuloksia ajattelun mallintamiseen on saatu esimerkiksi kapseliverkoista [1] ja malleista, jotka eksplisiittisesti mallintavat muistin toimintaa (Differential Neural Computer [2]). Tulokset ovat olleet lupaavia, tosin menetelmät vaativat vielä paljon laskentatehoa toimiakseen.

Myös selitettävissä olevan tekoälyn (eXplainable AI, XAI) ympärillä tapahtuu paljon. Siihen liittyy sekä menetelmällistä tutkimus- ja kehitystyötä että yhteiskunnallista pohdintaa aiheen ympärillä. Kantava ajatus menetelmäkehityksessä on se, että tekoälyjärjestelmän syötteestä pyritään löytämään seikat, jotka eniten vaikuttavat järjestelmän ulostuloon. Hyvänä esimerkkinä tästä toimivat itseajavat autot: mihin piirteisiin niihin kytketyistä antureista kerätyssä datassa ohjauspäätökset perustuvat? [3]. Aiheen ympärille on perustettu tutkimusohjelmia [4] ja tekoälyn antamien päätösten perusteltavuus nähdään jopa yksityisyyden suojaan verrattavissa olevana asiana [5].

Jos lainsäädäntö asettaa selkeät raamit tekoälyn käytölle ja teknologia mahdollistaa tekoälypohjaisten järjestelmien toimimisen näiden raamien sisällä, luottamus järjestelmiä kohtaan lisääntyy ja tulemme varmasti näkemään uusia sovelluksia hyvinkin nopeasti.

 

Kirjoittanut Ville Könönen

 

Mitä AI:n kaupalliset sovellukset tarkoittavat sinun yrityksessäsi? Ota yhteyttä ja keskustellaan tekoälyn mahdollisuuksista!

 

Viitteet:

[1] Sabour, S., Frosst, N., Hinton, G. E.: Dynamic Routing Between Capsules. 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA.
[2] Graves, A., Wayne, G., Reynolds, M., Harley, T., Danihelka, I., Grabska-Barwińska, A., Colmenarejo, S. G., Grefenstette, E., Ramalho, T.: Hybrid computing using a neural network with dynamic external memory. Nature (2016). 538: 471–476
[3] Bojarski, M., Yeres, P., Choromanska, A., Choromanski, K., Firner, B., Jackel, L. D., Muller, U.: Explaining How a Deep Neural Network Trained with End-to-End Learning Steers a Car. NVIDIA (2017)
[4] Explainable Artificial Intelligence. DARPA
[5] Responsible AI: Why we need Explainable AI. Accenture. Available on YouTube. Retrieved on 20th March 2018.

Mitä seuraavaksi

Viimeisimmät projektimme

Microsoft – Innovatiivista markkinatutkimusdatan analyysia

Microsoft – Innovatiivista markkinatutkimusdatan analyysia

Vaikka markkinatutkimukset eivät olekaan mikään uusi juttu, markkinatutkimusdatan monipuolinen ja innovatiivinen analysointi siten, kuin Microsoftin Data & Analytics Platform -tiimi dataansa pureksii, on niin Suomessa ku...

Tulevat tapahtumat

Leading SAFe with SAFe Agilist Certification | Helsinki 25.-26.8.2020

Leading SAFe with SAFe Agilist Certification

Helsinki 25.-26.8.2020

Kaksipäiväinen kurssi antaa perustiedot Scaled Agile Frameworkin, lean-ajattelun ja ohjelmisto- ja palvelukehityksen ohjauksen pääperiaatteista ja niiden hyödyntämisestä suurissa yrityksissä. Kurssi tarjoaa työkaluja ja ...
Sign up

Tilaa tarinat