Tekoäly

Olemus ja merkitys

Tekoälyn (artificial intelligence, AI) avulla koneet voivat oppia kokemuksen perusteella, mukautua uusiin tilanteisiin ja suorittaa inhimillisiä tehtäviä. Useimmat suositut esimerkit tekoälyn käytöstä – shakin peluusta kuljettamattomiin ajoneuvoihin – perustuvat pitkälti syväoppimiseen ja luonnollisen kielen käsittelyyn. Teknologioiden avulla tietokoneita voidaan opettaa suorittamaan tiettyjä tehtäviä, joissa ne käsittelevät suuria tietomääriä ja tunnistavat niistä hahmoja.

Tekoälyn historia

Tekoäly, artificial intelligence, mainittiin englanniksi ensi kerran jo vuonna 1956. Nykypäivänä sana on kaikkien huulilla tietomäärien kasvun, algoritmien kehittymisen sekä laskentatehon ja tallennuskapasiteetin parantumisen vuoksi.

Varhainen tekoälytutkimus 1950-luvulla keskittyi ongelmanratkaisun ja symbolisten menetelmien kaltaisiin aiheisiin. Yhdysvaltain puolustusministeriö kiinnostui asiasta 1960-luvulla ja alkoi opettaa tietokoneita jäljittelemään perustason inhimillistä ajattelua. Esimerkiksi ministeriön erityisten tutkimushankkeiden osasto DARPA toteutti 1970-luvulla katuverkoston kartoitushankkeita. DARPA kehitteli myös älykkäitä henkilökohtaisia avustajia jo vuonna 2003 eli kauan ennen kuin Siri, Alexa ja Cortana tulivat tutuiksi.

Varhaisvaiheen kehitystyö tasoitti tietä automaatiolle ja formaaliselle päättelylle, joita tietokoneissa käytetään nykyään – esimerkkeinä mainittakoon päätöksenteon tukitoiminnot ja älykkäät hakutoiminnot, joilla voidaan täydentää ja lisätä inhimillisiä kykyjä.

Hollywood-elokuvissa ja tieteiskirjallisuudessa tekoäly näyttäytyy ihmisen kaltaisina robotteina, jotka valtaavat maailman. Tämänhetkisellä kehitystasollaan tekoäly ei kuitenkaan ole läheskään niin pelottavaa tai edes fiksua. Tekoäly on osoittautunut erittäin käyttökelpoiseksi välineeksi kaikilla toimialoilla. Lue lisää tekoälyn moderneista sovelluksista terveydenhoidossa, vähittäiskaupassa ja monessa muussa toiminnassa.

Chess board and Neural Network graphic

1950–70-luku

Neuroverkot

Neuroverkkojen varhainen kehitystyö herätti innostusta ”ajattelevia koneita” kohtaan.

Shapes and arrow graphic with classical and modern machine learning

1980–2010-luku

Koneoppiminen

Koneoppiminen nousee suosioon.

Binary code on dark background with magnifying glass graphic

Nykyhetki

Syväoppiminen

Syväoppimisen läpimurrot antavat vauhtia tekoälybuumille.


SAS on sisällyttänyt ohjelmistotuotteisiinsa tekoälyä jo vuosikaudet. Autamme nykyisin asiakkaitamme kaikilla toimialoilla hyötymään tekoälyn kehittymisestä. Sulautamme kone- ja syväoppimista sekä muita tekoälytekniikoita SAS-ohjelmistoihin jatkossakin. Jim Goodnight, CEO, SAS in meeting Jim Goodnight CEO SAS

Tekoäly ja koneoppiminen

Videolla luodaan pikasilmäys tekoälyn ja koneoppimisen väliseen suhteeseen. Sillä kuvataan molempien teknologioiden toimintaa esimerkkien ja hauskojen huomioiden avulla.

Jaa yleistajuinen video myös ystävillesi, jotta hekin saavat tietää, mistä tekoälyssä oikein on kyse!


Tekoälyn merkitys

  • Tekoäly automatisoi toisteista oppimista ja tietojen seulontaa. Se eroaa laitteistopohjaisesta robotiikkaan perustuvasta automaatiosta siten, että manuaalisten tehtävien automatisoinnin sijaan tekoäly suorittaa toistuvia tietokonepohjaisia tehtäviä suurilla tietomäärillä luotettavasti ja väsymättä. Tässä automaatiossa ihmisiä tarvitaan järjestelmän asetusten tekemiseen ja oikeiden kysymysten esittämiseen.
  • Tekoäly lisää aiempiin tuotteisiin älykkäitä ominaisuuksia. Useimmiten tekoälyä ei voi ostaa yksittäisenä sovelluksena, vaan aiempia tuotteita parannetaan lisäämällä niihin tekoälyominaisuuksia. Esimerkiksi Siri oli uuden Apple-tuotesukupolven lisäominaisuus. Automaatiota, myyntialustoja, botteja ja älykoneita voidaan yhdistää valtaviin tietomääriin kaikenlaisen kotona ja työpaikalla käytettävän teknologian kehittämiseksi – turvallisuustiedustelusta ja sijoitusanalytiikkaan.
  • Tekoäly oppii ja mukautuu progressiivisten oppimisalgoritmien avulla ja antaa datan hoitaa ohjelmoinnin. Se havaitsee tietomassasta rakenteita ja säännönmukaisuuksia, joiden avulla algoritmi oppii luokittelijaksi tai ennustajaksi. Algoritmi voi esimerkiksi opettaa itsensä yhtä hyvin pelaamaan shakkia kuin suosittelemaan tuotteita verkkokaupoissa. Mallit mukautuvat aina, kun niihin syötetään uutta dataa. Back propagation -tekniikkaa hyödyntävässä tekoälyssä malli saa uuden tilaisuuden muuttua oppimisen ja tietojen lisäämisen avulla, jos sen antama ensimmäinen vastaus ei ole oikea.
  • Tekoäly analysoi dataa laajasti ja syvällisesti useita piilokerroksia sisältävien neuroverkkojen avulla. Viisi piilokerrosta sisältävän petostentunnistusjärjestelmän luominen olisi jokunen vuosi sitten ollut käytännössä mahdotonta, mutta tilanne on muuttunut laskentatehon valtavan kehityksen ja tietomassojen ansiosta. Syväoppimismallien opettamiseen tarvitaan erittäin suuria tietomääriä, sillä data itsessään on niiden oppimateriaalia. Mitä enemmän tietoa malleihin voidaan syöttää, sitä tarkempia niistä tulee.
  • Syvien neuroverkkojen ansiosta tekoälyllä päästään nykyisin uskomattoman tarkkoihin tuloksiin. Esimerkiksi Alexan, Google-haun ja Google Kuvien käyttö perustuu syväoppimiseen, ja palveluiden tarkkuus paranee sitä mukaa kuin niitä käytetään. Lääketieteessä tekoälytekniikoita syväoppimisesta kuvaluokitteluun ja kohteentunnistukseen käytetään syöpälöydösten tekemiseen magneettikuvista, ja niiden tarkkuus on vastaava kuin huippukoulutuksen saaneella radiologilla.
  • Tekoälyn avulla tiedoista saadaan irti kaikki mahdollinen. Itseoppivia algoritmeja käytettäessä datasta itsessään voi tulla henkistä omaisuutta. Vastaukset ovat olemassa datassa – täytyy vain käyttää oikeanlaista tekoälyä niiden löytämiseksi. Koska datan merkitys on nykyisin suurempi kuin koskaan aikaisemmin, se voi tuoda kilpailuetua. Kun kaksi kilpailevaa yritystä käyttää samanlaisia teknisiä ratkaisuja, se voittaa, jolla on paras data.

WildTrack and SAS: Saving endangered species one footprint at a time.

Flagship species like the cheetah are disappearing. And with them, the biodiversity that supports us all. WildTrack is exploring the value of artificial intelligence in conservation – to analyze footprints the way indigenous trackers do and protect these endangered animals from extinction.

Tekoälyn nykyisyys

Tutustu tekoälyyn eri toimialoilla

Kurkista tekoälyä hyödyntävään sairaalaan ja myymälään sekä puhuvaan ennakoivan analytiikan järjestelmään. Harvard Business Review -lehden englanninkielisessä artikkelissa paneudutaan tekoälyyn ja sen tekijöihin sekä kerrotaan, miksei Sirin kuullen saisi kiroilla.

Tekoäly ja esineiden internet

Olemme tiedon ympäröimiä. Esineiden internet (IoT) ja anturit voivat kerätä suuria datamääriä, ja tekoäly puolestaan pystyy tunnistamaan datasta hahmoja ja automatisoimaan tehtäviä. Siitä koituu monenlaista liiketoiminnallista hyötyä.

Ota tekoäly osaksi analytiikkaasi

Jotta tekoälystä olisi todellista hyötyä, sen käyttöstrategian on sovittava yhteen yrityksen yleisen liiketoimintastrategian kanssa. Ihmisten, prosessien ja teknologian yhteen sovittamiseen on aina kiinnitettävä huomiota.

Hypen erottaminen todellisuudesta

Tekoäly auttaa sulauttamaan ”koneisiin yhä enemmän älyä”, mutta se ei suinkaan ole valloittamassa maailmaa. Tätä mieltä on SASin operatiivinen johtaja ja teknologiajohtaja Oliver Schabenberger.

Tekoälyn käyttötavat

Toimialalla kuin toimialalla kaivataan kipeästi tekoälyominaisuuksia. Erityisen kiinnostavia ovat kysymyksiin vastaavat ratkaisut, jotka soveltuvat oikeudellisten neuvojen antamiseen, patenttihakuihin, riskeistä ilmoittamiseen ja lääketieteelliseen tutkimukseen. Muita tekoälyn käyttökohteita

Terveydenhoito

Tekoälysovelluksilla voidaan edistää yksilöllistä lääkitystä ja tulkita röntgenkuvia. Henkilökohtaiset terveysapulaiset voivat ohjata kohti terveitä elämäntapoja muistuttamalla lääkkeiden ottamisesta, liikunnan harrastamisesta tai ravinnon terveellisyydestä.

Vähittäiskauppa

Tekoälyn voimalla verkkokauppaostosten tekoa voidaan tehostaa antamalla henkilökohtaisia suosituksia ja esittelemällä kuluttajalle eri tuotevaihtoehtoja. Tekoäly tuo parannuksia myös varastojen ja myymälätilan hallintaan.

Tuotantoteollisuus

Tekoälyllä voidaan analysoida tehtaan IoT-tietovirtoja, jotka siirtyvät yhdistetyistä laitteista verkkoon. Käyttöasteen ja kysynnän ennustamiseen käytetään esimerkiksi takaisinkytkeytyviä neuroverkkoja (RNN-verkkoja), jotka ovat jaksottaista dataa käsitteleviä syväoppivia neuroverkkoja.

Pankkiala

Tekoäly lisää ihmisten toiminnan nopeutta, tarkkuutta ja tehokkuutta. Rahalaitoksissa tekoälyteknologialla voidaan tunnistaa todennäköisesti vilpillisiä maksutapahtumia, pisteyttää luottohakemuksia nopeasti ja täsmällisesti sekä automatisoida paljon käsityötä vaativia tiedonhallintatehtäviä.

Working together with AI infographic

Yhteistyössä tekoälyn kanssa

Tekoälystä ei ole tulossa ihmisen korvaajaa. Se vie inhimillisiä kykyjämme askeleen pidemmälle ja tekee meistä entistä parempia siinä, mitä teemme. Tekoälyalgoritmit oppivat eri tavalla kuin ihmiset, joten niillä voi tarkastella asioita eri näkökulmasta. Ne havaitsevat suhteita ja hahmoja, joita ihminen ei näe. Ihmisten ja tekoälyn välinen kumppanuus avaa monia mahdollisuuksia – esimerkiksi:

  • Analytiikan käyttöönotto toimialoilla ja osa-alueilla, joilla sitä nykyisin ei juuri hyödynnetä 
  • Olemassa olevilla analyysitekniikoilla, kuten konenäöllä ja aikasarja-analyysilla, saatavien tulosten parantaminen
  • Taloudellisten esteiden poistaminen mukaan lukien kielimuuri ja kääntämisen haastee
  • Nykyisten inhimillisten kykyjen laajentaminen ja tekemisen tason parantaminen
  • Näkökyvyn, ymmärryksen, muistin ja monien muiden seikkojen parantaminen  

Tekoälyn hyödyntämisen haasteet

Tekoäly muovaa kaikkia toimialoja, mutta sen rajat on syytä ymmärtää.

Tekoälyyn liittyy se periaatteellinen rajoitus, että se oppii vain ja ainoastaan datan perusteella. Tämän vuoksi pieninkin epätäsmällisyys tiedoissa vaikuttaa tuloksiin. Lisäksi jokainen ennustamis- ja analyysikerros on lisättävä sovellukseen erikseen.

Nykyiset tekoälyjärjestelmät on opetettu suorittamaan tiettyä tarkoin määriteltyä tehtävää – pokeria pelaava järjestelmä ei osaa pelata pasianssia tai shakkia, eikä petostentunnistusjärjestelmä osaa ajaa autoa tai antaa lainopillisia neuvoja. Terveydenhoitoalan petostentunnistusjärjestelmä ei myöskään tunnista luotettavasti vero- tai takuuhakemuspetoksia.

Toisin sanoen tekoälyjärjestelmät ovat hyvin kapea-alaisesti erikoistuneita. Ne keskittyvät ainoastaan yhteen tehtävään, eikä niiden toiminta ole lähelläkään ihmisen toimintaa.

Itseään opettavat järjestelmät eivät myöskään ole autonomisia järjestelmiä. Elokuvista ja tv:stä tuttu kuvitteellinen tekoälyteknologia on edelleen silkkaa fiktiota. Sellaisista tietokoneista on kuitenkin tulossa arkipäivää, jotka pystyvät käymään läpi monimutkaisia tietoaineistoja sekä oppimaan erikoistuneita tehtäviä ja suorittamaan niitä täydellisesti.

SAS® Visual Data Mining and Machine Learning screenshot on monitor

SAS® in visuaalinen tiedonlouhinta ja koneoppiminen

Tekoäly on yksinkertaistetusti analysoitavien tietojen valmistelua, mallien kehittelyä nykyaikaisin koneoppimisen algoritmein sekä tekstianalyysin suorittamista yhdellä ja samalla tuotteella. Lisäksi SASin yhteyteen voi koodata muita ohjelmointikieliä, kuten Pythonia, R:ää, Javaa tai Luaa.

Tekoälyn toimintaperiaate

Tekoälyssä suuret tietomassat yhdistyvät nopeaan iteratiiviseen käsittelyyn ja älykkäisiin algoritmeihin. Ohjelmistot oppivat automaattisesti datan sisältämien hahmojen ja ominaisuuksien perusteella. Tekoäly on laaja tekniikan ala, joka kattaa monia teorioita, menetelmiä ja teknologioita sekä seuraavat tärkeimmät osa-alueet:

  • Koneoppiminen  automatisoi analyyttisen mallinnuksen. Siinä etsitään neuroverkkojen, tilastotieteen, operaatiotutkimuksen ja fysiikan menetelmin datassa piileviä merkityksellisiä tietoja, ilman että sovellusta on erikseen ohjelmoitu etsimään tietystä paikasta tai tiettyjä asioita.
  • Neuroverkko on koneoppimissovellus, jossa toisiinsa yhdistyneet (neuronien eli hermosolujen kaltaiset) yksiköt käsittelevät tietoa vastaamalla ulkoisiin syötteisiin ja välittämällä tietoja yksiköiden kesken. Prosessissa tietoja käsitellään useaan kertaan, jotta määrittelemättömästä datasta voidaan löytää ja johtaa merkityksiä.
  • Syväoppimisessa valtavat neuroverkot, joissa on useita tiedonkäsittely-yksiköiden kerroksia, tunnistavat monimutkaisia hahmoja. Ne on tehnyt mahdolliseksi laskentatehon valtava kasvu ja opetustekniikoiden kehittyminen. Yleisiä sovelluskohteita ovat kuvan- ja puheentunnistus.
  • Kognitiivinen tietojenkäsittely on tekoälyn osa-alue, jolla pyritään luonnolliseen, inhimillisen kaltaiseen vuorovaikutukseen koneiden kanssa. Tekoälyä ja kognitiivista tietojenkäsittelyä yhdistämällä tavoitellaan tilannetta, jossa kone osaisi tulkita kuvia ja puhetta ja pystyisi simuloimaan inhimillisiä prosesseja vastaamalla kysymyksiin järkevän kuuloisesti.
  • Konenäkö tunnistaa kuvien tai videoiden kuvasisältöjä hahmontunnistuksen ja syväoppimisen avulla. Kun koneet voivat käsitellä, analysoida ja ymmärtää kuvia, ne voivat myös ottaa kuvia tai videokuvaa reaaliaikaisesti ja tulkita ympäristöään.
  • Luonnollisen kielen käsittelyllä (NLP) tarkoitetaan tietokoneiden kykyä analysoida, ymmärtää ja luoda inhimillistä kieltä puhe mukaan lukien. NLP:n seuraava kehitysvaihe on luonnollinen kielellinen vuorovaikutus, jonka ansiosta ihmiset voivat viestiä tietokoneiden kanssa ja suorittaa toimenpiteitä käyttämällä tavallista arkikieltä.


Lisäksi tekoälyn taustalla ja tukena käytetään monia muita teknologioita:

  • Grafiikkasuorittimet ovat tekoälyn toiminnan ytimessä, sillä ne turvaavat iteratiivisen tietojenkäsittelyn tarvitseman suuren laskentatehon. Neuroverkkojen opettaminen vaatii massadataa ja laskentatehoa.
  • Esineiden internetiin liitetyistä laitteista kertyy valtavia määriä tietoa, josta suurin osa on analysoimatonta. Tekoälyä käyttävillä automaatiomalleilla yhä suurempaa osaa siitä voidaan hyödyntää.
  • Edistyksellisiä algoritmeja kehitetään ja yhdistellään uusin tavoin, jotta entistä suurempaa tietomäärää voitaisiin analysoida yhä nopeammin ja monitasoisemmin. Älykäs tietojenkäsittely on avainasemassa harvinaislaatuisten tapahtumien tunnistamisessa ja ennustamisessa, monimutkaisten järjestelmien ymmärtämisessä ja ainutlaatuisten skenaarioiden optimoinnissa.
  • Ohjelmointirajapinnat (API), ovat siirrettäviä koodipaketteja, joiden avulla tekoälyominaisuuksia voidaan lisätä olemassa oleviin tuotteisiin ja ohjelmistopaketteihin. Niillä voidaan esimerkiksi liittää kodin vartiointijärjestelmään kuvantunnistusominaisuuksia, toteuttaa dataa kuvailevia laadunvarmistustoimintoja, poimia sitaatteja ja otsikoita tai löytää datasta kiinnostavia hahmoja ja merkityksellisiä tietoja.

Kaiken kaikkiaan tekoälyllä pyritään kehittämään ohjelmistoja, jotka voivat tulkita syötteitä ja selittää tulosteita. Tekoälyn avulla ohjelmistojen käyttö alkaa muistuttaa inhimillistä vuorovaikutusta, ja se tarjoaa tukea päätöksentekoon rajallisissa tehtävissä. Se ei nykyisellään kuitenkaan korvaa ihmistä – eikä tee niin vielä pitkään aikaan.

Back to Top