Tekoälyratkaisun älykkyys useimmiten opitaan datasta koneoppimisen avulla. Ratkaistavasta ongelmasta riippuu, mikä koneoppimisen muodoista sopii ratkaisun pohjaksi parhaiten. Erilaisissa koneoppimisen muodoissa on omat vahvuutensa, mutta myös heikkoutensa. Oheisessa taulukossa on lyhyesti kuvattu tyypillisimmät koneoppimisen muodot, niiden toimintaperiaate, sekä merkittävimmät haasteet turvallisen kehittämisen kannalta.
Yleisin koneoppimisen muoto on ohjattu oppiminen, jossa tekoälylle annetaan opetusdatan muodossa esimerkkejä syötteistä ja ihmisten tuottamia haluttuja tuloksia. Tässä asetelmassa oppimisen onnistuminen riippuu lähes täysin siitä, mitä opetusaineistona annettu esimerkkidata sisältää (1).
Taulukko 3: Koneoppimisen muodot ja niiden yleisimmät haasteet turvallisen kehittämisen kannalta.
Oppimisen muoto | Periaate, esimerkkejä ja yleisimmät haasteet |
|---|---|
Ohjattu oppiminen | Tekoälylle annetaan esimerkkejä sekä syötteestä, että halutusta lopputuloksesta. Tekoälyn tehtävä on oppia ennustamaan uusille syötteille paras mahdollinen lopputulos.
Esimerkkejä ohjatusta oppimisesta ovat automaattinen päätöksenteko, suositukset, kuvantunnistus, luokittelut, kategorisoinnit, sekä jatkuva-arvoisen muuttujan (esim. tulot, kesto) ennustaminen.
Merkittävimmät haasteet liittyvät siihen, ovatko tekoälyn opetusdatasta oppimat ja tuottamat vastaukset reiluja vai esiintyykö niissä mahdollisesti syrjintää (1). |
Ohjaamaton oppiminen | Tekoälyn opettamisessa ei ole käytettävissä oikeita vastauksia. Tekoälyn on opittava esimerkiksi ryhmittelemään aineiston näytteet samankaltaisuuden mukaan.
Esimerkkejä ohjaamattomasta oppimisesta ovat asiakasanalyysit, segmentoinnit, klusterointi (ryhmittely) ja moniulotteisin datan dimensionaalisuuden pienentäminen.
Merkittävimmät haasteet liittyvät esimerkiksi henkilöistä kerättyjen aineistojen analyyseihin: riittävän tarkan analyysin saavuttaminen voi edellyttää laajahkoja tietoaineistoja. Lisäksi aineistot voivat todellisuudessa kuvata todellista ilmiötä hyvinkin puutteellisesti, vaikeuttaen tulosten tulkintaa. |
Vahvistusoppiminen | Tekoäly, toimii itsenäisenä agenttina, joka opetetaan ennustamaan optimaalinen toiminta agentin havaitsemassa tilanteessa.
Esimerkki mahdollisesta vahvistusoppimisen soveltamisesta on autonomisen auton ohjaus kamera- ja tutkainformaation perusteella. Pitkälle kehittyneet kielimallit voivat hyödyntää vahvistusoppimista sanojen generointiin tekstimuotoisessa kontekstissa.
Merkittävimmät haasteet turvallisen kehittämisen kannalta liittyvät agentin opettamisessa tarvittavan palkinnon määrittämiseen: mitä opettamisessa pidetään onnistumisena. |