Me Werdiassa pyrimme tarkastelemaan ilmiöitä jalat maassa ja — vaikka teknologiaosaajia olemmekin — ensisijaisesti asiakkaidemme liiketaloudellisista lähtökohdista. ”Tekoälyn” ympärillä on käynyt kuhina jo muutaman vuoden, joten muutama analyyttinen huomio innostuksen syistä ja potentiaalisista liiketoiminnallisista mahdollisuuksista on paikallaan. Alkajaisiksi on tarpeen todeta:

• Tekoäly on löyhästi määritelty käsite. Biologinen älykkyys ymmärretään yleisimmin kykynä oppia tai sopeutua olentojen selviytymistä edistävällä tavalla. Tekoälystä puhuttaessa tarkoitetaan tänä päivänä karkeasti teknologioita, joilla matkitaan yhtä tai muutamaa aiemmin pelkästään ihmiselle ominaista kykyä. Klassisen älykkyyden puuttuminen tekoälynä markkinoidusta teknologiasta ei toki tarkoita, etteikö se avaisi hyvinkin kiinnostavia mahdollisuuksia.
• Tekoälyteknologiat eivät ole uusi keksintö. Aihepiiriin liittyvät perustavaa laatua olevat keksinnöt ovat monet 1950-luvulta. Käytännön sovellutuksia on nähty 1980-luvulta alkaen (Video 1), erityisesti puolustusteollisuudessa. Laskentatehon kasvun tuoma matalampi kynnys näiden kehittämiseen, muut parannukset laitteistoissa kuten digitaalisessa kuvantamisessa, sekä Googlen kaltaisten jättiyhtiöiden resurssit panostaa tuotekehitykseen ovat hyviä selittäviä tekijöitä buumin synnylle. Mutta kyse on myös lumipalloefektistä, jota ei voi selittää täysin rationaalisin argumentein. Lukuisia uusia sovellutuksia olisi teknologian näkökulmasta voitu tuoda markkinoille jo aiemmin olennaisesti vastaavina.

Video 1. Nuori Steve Jobs esittelee Macintosh-tietokoneen puheominaisuuksia.

Tekoälyksi luonnehdittavia, toisiinsa löyhästi kytkeytyvistä sovellusalueista keskeisimpiä ovat:

• Koneoppiminen, jonka karkea synonyymi on mallivapaa ennustaminen. Neuroverkot ovat keskeinen koneoppimisteknologian osa-alue. Kuten nimikkeestäkin voi päätellä, neuroverkot ovat tekoälynä markkinoiduista teknologioista lähimpänä biologiaa: ne matkivat biologisten aivojen toiminnan perusmekanismeja käsiteltäessä sellaisia ongelmia, jotka ovat algoritmien ulottumattomissa. Matkittavana eivät ole erityisesti ihmisaivot, jotka eivät neuroverkkojen näkökulmasta poikkea millään tavoin muiden eläinlajien harmaista elimistä. ”Syvällä oppimisella” tarkoitetaan monikerroksisia neuroverkkoja, jotka pystyvät sopeutumaan aiempaa vaativampiin tehtäviin.
• NLP eli luonnollisen kielen prosessointi. Tähän lukeutuvat tekstin tai puheen tulkitseminen, tuottaminen ja konekääntäminen. Teknologisesta näkökulmasta koneen tapa prosessoida kieltä on malliperusteista eikä suoranaisesti matki ihmisaivoja.
• Konenäkö eli digitaalisten kuvien tulkitseminen on myös varsin vakiintunut sovellusalue. Tässä käytetään usein sekä perinteisiä algoritmeja että koneoppimista. Varhaisimpia ja vakiintuneimpia konenäön sovelluksia on optinen tekstintunnistus (OCR).

Generatiivinen AI on kattotermi sovelluksille, jotka ”luovat” sisältöä kuten kirjoitelmia ja kuvia. Tarkemmin ottaen tämä tapahtuu hakemalla ja yhdistelemällä algoritmien ja koneoppimisen avulla palasia suurehkoista tietokannoista. Generatiivinen AI ei välttämättä poikkea tässä suhteessa valtavasti ihmisistä: ”Ei mitään uutta Auringon alla”, alkaa Vanhan Testamentin Saarnaajan kirja. Generatiivisen AI:n suurin vahvuus on sen käytettävissä olevan datan keskitetty luonne: tietokannat ovat hyvin pieniä verrattuna ihmisten kollektiiviseen kapasiteettiin, mutta sisältö on koko ajan helposti käytettävissä.

Viekö AI ihmisiltä työpaikat tällä vuosikymmenellä? Tähän on helppo vastata: varmasti joiltain, aivan kuten hiilipaperi ja myöhemmät kopiointiteknologiat tekivät tarpeettomaksi asiakirjojen jäljentämisen ihmistyönä. Tällä kertaa vaikutukset eivät rajoitu yksittäisiin toimenkuviin, jotka tulevat vain katoamaan. AI nostaa rimaa siinä mikä katsotaan inhimillistä taitoa ja luovuutta osoittavaksi. ”AI-taide” tulee tuskin syrjäyttämään maalaustaiteen vanhoja ja tulevia klassikoita (Kuva 1): mutta vaikkapa kuvittajilta ja sarjafiktion kirjoittajilta vaaditaan jatkossa kekseliäämpiä tuloksia kuin tänä päivänä. Useimmat selviytyjät ottavat AI:n vaihtelevassa määrin apulaisekseen. Tilaa jää yleensä myös pienelle joukolle ”artisaaneja”, joiden ”kuluttajistumattomat” asiakkaat arvostavat nimenomaisesti autenttista ihmistyötä. Liiketalouden kielellä he näkevät siinä lisäarvoa. Kasvava haaste on, miten tällainen kysyntä ja tarjonta löytävät toisensa isoja toimijoita hellivässä huomiotaloudessa: toivottavasti AI auttaa tulevaisuudessa ratkaisemaan tämän ongelman.

Kuva 1. Yksityiskohta ranskalaisen Paul Gauguinin (1848-1903) maalauksesta D’où venons-nous? Que sommes-nous? Où allons-nous? (Mistä tulemme? Keitä olemme? Mihin menemme?) Teos ei liene klassikko teknisen erinomaisuuden puolesta. Aikalaiskriitikot eivät nähneet teoksessa luovaa merkityssisältöä: sitä kutsuttiin jopa epämääräiseksi tai verrattiin koristemaalauksiin. Maalauksen tunnettuus 125 vuotta luomisensa jälkeen osoittaa heidän epäonnistuneen arvioissaan.

Keskustelussa huomio kiinnittyy helposti ChatGPT:n kaltaisiin massiivisiin, täysin tuotteistettuihin sovellutuksiin. Omasta näkökulmastamme haluamme muistuttaa koneoppimisen ja muiden teknologioiden olevan kustannustehokkaasti valjastettavissa kaiken kokoisiin sovelluskohteisiin. ML.NET (Kuva 2) ja Azure AI sisältävät valikoiman helposti räätälöitävissämme olevia ratkaisuja. Soita ja kerro meille tarpeestasi, tai jätä yhteydenottopyyntö.

Kuva 2. Visual Studioon integroituva ML.NET Model Builder tarjoaa helposti hyödynnettävän valikoiman erilaisia koneoppimis- ja konenäkömalleja.