Tässä blogissa keskustellaan tekoälystä, sen käytöstä ja siihen liittyvästä tutkimuksesta. Aloitin väitöskirjatutkimuksen generativiisesta tekoälystä viime vuonna (2022), mutta informaatioteknologian graduni käsitteli jo sitä mitä COVID-diagnoosia tekevältä tekoälyltä vaaditaan.
COVID-aiheinen työni vahvisti aikaisempaa epäluuloani tekoälyn suhteen. Suurin osa mediassa hehkutetuista COVIDiin liittyvistä tekoälysovelluksista oli täysin sopimattomia lääketieteelliseen käyttöön. Selkein puute oli tekoälyn kehittäjien tietämättömyys lääketieteen alalta ja kiire saada työt julkaistua ilman kunnollista testausta.
Perinteisesti tekoäly koulutetaan puhtaasti käyttäen "dataa", joka sisältää ainoastaan yksittäisiä "tietopisteitä". Yksittäinen tietopiste antaa kasan arvoja jotka liittyvät jotenkin toisiinsa, esimerkkeinä tästä käyvät yksittäinen kuva ja auton tekniset tiedot. Koulutettaessa tekoälyä se käy läpi tätä dataa etsien miten näiden tietopisteiden antamat arvot riippuvat toisistaan. Kuvien kohdalla se esimerkiksi oppii että jos kuvassa on avattuja sateenvarjoja niin siinä on myöskin vesisadetta, taikka jos siinä on ruohoa niin siinä on myös lampaita. Tämä on ongelma kun tekoälylle annetaan kuva joka ei vastaakkaan näitä opittuja tilanteita, esimerkiksi aurinkovarjo, taikka linnut istumassa nurmella.
Oma tutkimukseni pyrkii antamaan tekoälylle muutakin tietoa, jolla voimme estää tälläisen virheellisen oppimisen. Yksi näistä tiedoista on syy-seuraus -suhde, joka on monesti tiedossa: sateenvarjo ei aiheuta sadetta, mutta sade lisää sateenvarjojen esiintyvyyttä. Toinen tieto on matemaattiiset kaavat, tiedämme yleensä kuinka fysiikan tulee käyttäytyä tilanteessa ja voimme laittaa sen ennakkotietona tekoälylle.
Tarkoituksenani on kirjoittaa tätä blogia pari kertaa viikossa, mutta nyt on juurikin apurahojen hakukausi niin aika on tiukassa helmikuun loppuun saakka.
