Tekoäly ja Koneoppiminen

Nykypäivänä tekoälystä saa lukea suunnilleen joka toinen päivä lehdessä, ja moni jopa vuorovaikuttaa yksinkertaisten tekoälyjen kanssa. Mistä tekoälyssä oikein on kyse? Joko automaattinen robottipalvelija on pian keittiössä kokkaamassa ja olohuoneessa siivoamassa?

Julkaistu

24.03.-22

Lukuaika

4 min

Tekoälyn historiaa

Älylliseen päätöksentekoon kykenevät koneet ovat kiinnostaneet ihmisiä jo kauan ennen kuin kukaan oli edes suunnitellut todellista tietokonetta. Ajattelevat koneet ovat kuuluneet osaksi useiden kulttuurien mytologiaa, ja ovatpa ajattelevat koneet olleet filofosofien ja tutkijoidenkin ajatuksissa jo kauan. Kuuluisa tiedemies Pascal tuumasi 1600-luvulla (Pensees, 1669):

Aritmeettinen kone voi suorittaa askareita, jotka muistuttavat enemmän ajattelemista kuin eläimien toimet. Mutta siitä huolimatta emme voi olettaa tällaisella koneella olevan omaa tahtoa, toisin kuin eläimillä.

Tekoälyllä on siis pitkä ja mielenkiintoinen historia. Homma lähti toden teolla käyntiin kuitenkin vasta 1950-luvulla, kun jokseenkin järkeviä tietokoneita alkoi tulla markkinoille.

Alkuvuosina pöhinä oli kova, ja yleisen ihmistä vastaavan tai paremman tekoälyn ajateltiin olevan jo lähes kulman takana. Optimististen alkuvuosien jälkeen tuli kuitenkin selväksi, että ihmisen kaltaisen älykkyyden saavuttaminen tietokoneella on huomattavasti oletettua mutkikkaampi tehtävä, ja sekä rahoitus että into loppuivat tiedeyhteisöltä.

Tietokoneiden ja algoritmien jatkuva kehittyminen vuosikymmenien saatossa on kuitenkin tuonut tekoälyn taas pinnalle. Aivan kuten 1950-luvulla, nyt on ruvettu saavuttamaan nopeita voittoja ja tekoäly on edistynyt pitkin harppauksin.

Ensimmäinen nykyisen aallon kuuluisa riemuvoitto saavutettiin, kun IBM:n tekoäly Deep Blue voitti vuonna 1997 legendaarisen shakkimestarin Garry Kasparovin ottelussa. Shakkia oli pitkään pidetty eräänlaisena merkkipaaluna tekoälyn edistymisessä, sillä se vaatii paitsi taktista silmää ja laskentatehoa, niin myös pitkäaikaisempaa strategista ajattelua. Häviö tuli järkytyksenä Kasparoville itselleenkin:

..näimme jotain, mikä ylitti villeimmätkin odotukset tietokoneiden strategisesta kyvystä arvioida siirron pitkäaikaisia asemallisia seurauksia. Tietokone ei tehnyt lyhytaikaiseen etuun johtavaa siirtoa --- se osoitti hyvin inhimillistä vaaran aistimista.

Tekoäly ja koneoppiminen
Kuva 1: Garry Kasparov pelaamassa shakkia
Tekoäly ja koneoppiminen
Kuva 2: Osa Deep Blue tietokonetta


Kovasta pelitaidostaan huolimatta Deep Blue käytti kuitenkin edelleen melko yksinkertaista logiikkaa, nojaten lähinnä tietokoneiden ylivertaiseen laskentatehoon varsinaisen strategisen ymmärryksen sijaan.

Vielä shakkiakin monimutkaisempi peli on Go, jossa mahdollisten siirtosarjojen määrä on merkittävästi suurempi kuin shakissa. Siinä pelikenttä on niin iso ja tilanteet sen verran mutkikkaita, että suoraviivainen laskentateho ei riittänyt parhaiden ihmismestarien voittamiseen. Vuonna 2016 joutui kuitenkin parhain Gon ihmispelaaja Lee Sedol taipumaan Googlen omistaman Deep Mindin AlphaGo -ohjelmalle. Vaikka aikaisemmin Go-ohjelmat eivät olleet yleensä voittaneet yhtäkään peliä ihmismestareita vastaan, AlphaGo voitti Lee Sedolin peräti lukemin 4-1: ihmisten aikakausi on Gossakin loppunut.

Neuroverkot ja koneoppiminen

Tekoäly ja koneoppiminen
Kuva 3: Neuroverkon toimintamalli

AlphaGo onnistui uroteossaan käyttämällä koneoppimisalgoritmeja. Perinteinen lähestymistapa tietojenkäsittelyyn on ihmisjohtoinen algoritmien kehittäminen: ongelman selkiinnyttyä kehitetään algoritmi, joka tavalla tai toisella ratkaisee sen käymällä läpi hyvinmääritellyt askeleet. Mutkikkaissa Gon kaltaisissa peleissä on kuitenkin mahdoton ihmisen kehittää algoritmia, joka pystyy ottamaan huomioon kaikki mahdolliset tilanteet. Koneoppimisen juju on siinä, että se ”oppii pelaamalla”: AlphaGo pelasi miljoonia pelejä itseään vastaan, muuttaen samalla omaa käytöstään pelien lopputulosten perusteella.

Tietokoneen tapauksessa ”oppiminen” tarkoittaa konkreettisesti kuvan kaltaisen neuroverkon painotuslukujen optimointia. ”Neuronien” välillä kulkee signaaleja, ja näillä signaaleilla on jokin painoarvo, eli käytännössä signaalit ovat jotain lukuja. Kun jokin alkutilanne syötetään neuroverkkoon, se muutetaan tällaisiksi signaaleiksi, jotka sitten kimpoilevat pitkin neuroverkkoa, päätyen lopulta viimeiseen neuronikerrokseen. Viimeisessä kerroksessa näkyvä lopputulos riippuu edellämainituista painoarvoista. Lopulta signaali tulkitaan päätökseksi, Gon tapauksessa siirroksi.

Vaikka neuroverkkomenetelmät ovatkin jossain mielessä melko sokeita ratkaisemalleen ongelmalle, ne ovat osoittautuneet erittäin hyödyllisiksi monissa ongelmissa, joissa perinteisen algoritmin kehittäminen on mahdotonta tai hyvin vaikeaa.

Hyvä esimerkki tällaisesta ongelmasta on käsin kirjoitettujen kirjaimien ja numeroiden tunnistaminen. Ihmiselle tämä on tietysti helppo ja intuitiivinen tehtävä, jonka ratkaisuun ei edes tarvitse tietoisesti ajatella. Jos yrittäisit kuitenkin eritellä, miten tarkalleen kirjaimia oikein tunnistetaan, menisi sormi suuhun melko nopeasti: ihmisaivot yksinkertaisesti osaavat tehdä sen ilman näkyvää ”algoritmia”. Neuroverkkomenetelmällä tämän ongelman ratkaisu onnistuu mukavasti. Neuroverkolle ensin syötetään oppimateriaaliksi paljon tekstiä tai kirjaimia, ja sille kerrotaan, mitä merkkijonoa nämä käsinkirjoitetut syötteet vastaavat. Tämän perusteella neuroverkko muokkaa sisäisiä painotuksiaan sellaiseen malliin, että muidenkin kirjaimien tunnistaminen onnistuu.

Muitakin vastaavia kuvantunnistusongelmia on onnistuttu ratkaisemaan koneoppimisalgoritmeilla. Eräs Turun yliopiston luennoitsija mainitsi kehittäneensä joskus ohjelman, joka tunnisti tuotantolinjalla liukuvia kalalajeja.

Moni nykyajan menestystarina tekoälyssä perustuu nimenomaan koneoppimismenetelmiin: esimerkiksi itseään ajavat autot pohjautuvat monimutkaiseen versioon tästä menetelmästä.

Tulevaisuudesta

Pöhinä on jälleen kova tekoälyn ympärillä. Vaikka menestys onkin ollut huimaa, on ihmisen kaltainen älykkyys ollut ”kymmenen vuoden päässä” jo useamman vuosikymmenen.

Kuten alussa nähtiin, jo 400 vuotta sitten suitsutettiin aritmeettisten koneiden hämmästyttäviä kykyjä. Tietoverkoissa liikkuvan datan määrä on jatkuvassa kasvussa, ja sen seulomiseen tarvitaan yhä parempia algoritmeja, joten voidaan olettaa, että tekoälynkin kehitys tulee jatkumaan. Nimestään huolimatta keinotekoiset neuroverkot ovat kuitenkin huomattavasti yksinkertaisempmia kuin ihmisten aivoista löytyvät neuroverkot, ja lisäksi se mitä ”ihmisenkaltainen ajattelukyky” tarkalleen ottaen edes tarkoittaa on hiukan epäselvää. Kysymys älykkäästä koneesta on kenties hiukan samanlainen kuin kysymys sukellusveneen uimakyvystä.

Viitteet

Kuvat
Garry Kasparov pelaa shakkia. (CC BY-SA 3)
Wikipedia

IBM Deep Blue (CC BY 2)
Wikipedia

Kahden kerroksen neuroverkko (CC BY-SA 4)
Wikipedia