Tekoäly vaarantaa demokratian ja parantaa syövän – jos tämän kevään uutisotsikoita on uskominen. Tekoäly vaarantaa demokratian ja parantaa syövän – jos tämän kevään uutisotsikoita on uskominen. Tekoälyn maailmanvalloitus ei ole näköpiirissä, sillä 1970-luvulta asti kehitetyt menetelmät soveltuvat vain hyvin kapeiden ongelmien ratkaisuun kuten vaikkapa syövän tunnistamiseen kuvista. IT-kouluttajat ry:n Tekoäly oppijan sisällä -seminaari keräsi saman pöydän ääreen opettajia ja kouluttajia kaikilta oppiasteilta ja yrityksistä. Tekoälyn nykytilaa ja historiaa koskevien alustusten pohjalta pohdimme, mitä mahdollisuuksia ja uhkia näemme tekoälylle opetuksessa. Tie, tietoverkot, tukiäly Ensinnäkin tukiäly on ymmärrettävä yhteiskunnallisena ilmiönä. Aivan kuten sähkö, tieverkot, tietoverkot ja moni muu perusinfra on muuttanut yhteiskunnan toimintaa, myös tekoäly vaikuttaa toimintaamme yhä enenevässä määrin. Samalla siitä tulee yhä näkymättömämpää, osa maisemaa. Yhteiskunnan kehittäjien on ymmärrettävä, mitä tekoäly tekee ja mitä se ei tee. Tekoäly tekee jo nyt puheentunnistusta, kuvantunnistusta, kielenkäsittelyä ja -kääntämistä, big data -sensoridatan perkausta ja yleensä prosessioptimointia hyvin tuloksin. Vielä kymmenen vuotta sitten haasteena oli datan varastointi ja prosessointiteho, mutta nämä saa nykyisin pilvestä varsin edullisesti. Jopa yksittäinen henkilö voi perustaa firman ja hyödyntää tekoälyä sen palveluissa. Tukiäly työkaverina Haaste tekoälyn hyödyntämisessä on koneoppimisen tarvitseman datan käsittely. Dataa on ensinnäkin saatava jostain. Se on siivottava ja luokiteltava koneoppimista varten. Lisäksi, ”tekoälyn käyttäminen” tai ”deep learning” tai ”algoritmi” ovat pelkkää sanahelinää. Erilaisia koneoppimisen algoritmeja Wikipediakin listaa viitisenkymmentä ja käytännön menetelmiä useita satoja – ja nämä ovat pääsääntöisesti matemaattisesti varsin kiperiä. Data scientist on kysytty ammattilainen ja hänen on hallittava lineaarialgebraa, algoritmisuunnittelua, tietojenkäsittelytiedettä ja ohjelmistoarkkitehtuuria. Siinäpä painopistettä datanomien, it-tradenomien ja insinöörien koulutusohjelmiin. Mutta kaikkien ei tarvitse kouluttaa tukiälyä. Suurin osa meistä toimii tukiälyn kanssa työssä tai vapaa-ajalla. Siksi jokaisen on hyvä ymmärtää, mihin tekoäly pystyy ja millä periaatteilla se toimii. Aivan samoin kuin jokaisen olisi hyvä ymmärtää, mihin tietokoneet pystyvät ja mihin eivät, jotta osaisimme toimia fiksusti tietoyhteiskunnassamme. Siksipä peruskoulussakin computational thinking on pakollinen laaja-alainen osaamisalue. Tukiälylle sopivat ongelmat Kun dataa on paljon ja sitä tulee aina vain lisää, niin ihmisen on vaikea tehdä hyviä johtopäätöksiä toistuvasti tekemättä virheitä. Koneoppimisen eri menetelmillä voidaan tietokone opettaa tekemään näitä päätelmiä jo kertyneen datan avulla. Kone ei tee inhimillisiä virheitä, mutta kykenee yhtä hyviin päätelmiin kuin asiantuntijat. Toistuvasti ja väsymättä. Mutta jos asiantuntijat ovat tehneet vinoutuneita päätöksiä, tukiäly oppii samalla tavalla vinoutuneeksi. Tekoälykäs rekryjärjestelmä voi helposti syrjiä iän tai sukupuolen perusteella. Parhaat tulokset saadaan tilanteissa, joissa voidaan datan kustakin tapauksesta jälkikäteen selvittää, oliko päätös hyvä vai huono. Rekrytoinnissa päätöksen hyvyys on hankala nähdä, mutta shakin pelaamisessa tai kauppojen logistiikan tapauksessa helppo – joko peli voitetaan tai ei, tai kaupan hyllyillä tavara riittää eikä pilaannu. Eettinen ja mukava tukiäly Kun erilaiset tekoälykkäät päättelymekanismit ottavat yhä suurempia osia yhteiskunnan rutiiniasioista hoitoonsa, niin jossain vaiheessa on hyvä miettiä eettisiä sääntöjä tekoälyn käytölle (katso taulukko 1). Tekoäly harvoin tekee päätöksiä täysin eristyksissä. Useimmiten se toimii ihmisen työparina, joten päästään uudenlaiseen käytettävyyden alueeseen: Toisaalta ihmisten on ymmärrettävä tekoälyn rajat ja mahdollisuudet, toisaalta työn tulokset paranevat, jos tekoäly osaa esittää tekemänsä toimintaehdotukset ihmiselle ymmärrettävästi sekä ottaa korjaavaa palautetta ihmiseltä ihmisystävällisellä tavalla. Tekoälystä opetuksessa kerromme lisää IT-kouluttajien sivustolla. Tämä tiivistelmä perustuu seminaarin asiantuntijoiden (Timo Honkela, Tarmo Toikkanen, Harri Ketamo, Tero Toivanen) sekä osallistujien yhdessä tuottamiin ajatuksiin. Teksti: Tarmo Toikkanen, IT-kouluttajat ry:n puheenjohtaja, CSO LifeLearn Platformissa, yrittäjä, opettajankouluttaja, tietokirjailija, psykologi ja softanikkari.

Taulukko 1

1. Quantified impact: Huomioi tekoälyn toiminnan todelliset vaikutukset yhteiskunnassa. 2. Data suitability: Ota huomioon koulutusdatan rajoitukset ja vinoumat. 3. Quantified uncertainty: Tuo esiin kuinka varmoja tai epävarmoja tekoälyn johtopäätökset ovat. 4. Validation and improvement: Tekoälyn suoriutumista on seurattava jatkuvasti ja sitä on jatkokoulutettava. 5. Using communications: Hoida tiedotus sidosryhmille.

Taulukko 1. Lähde: CSIRO Data61

  Linkki Tekoäly oppijan sisällä -seminaarisivulle: itko.tivia.fi/2018/IoT-ja-AI-oppimisessa   Tarmo Toikkanen johdattaa tekoälyyn. Kuva: Eija Kalliala