Kolumnit

Tekoäly 0.2

Robotiikan ja tekoälyn on ennustettu mullistavan teollisuuden ja tuotannon. Robotiikka on tekniikka, jolla saadaan liikuteltua maailmassa olevia kappaleita tai muuttamaan niiden ominaisuuksia – kuten kiinnittämään lypsimiä.

Tekoäly tarkoittaa koneen kykyä oppia ja tehdä johtopäätöksiä ilman erityisen selvää ohjelmistologiikkaa – aivan kuten ihminen, jolta puuttuu etukäteen tehty ohjelmisto. Tällä hetkellä tekoälystä puhuvat viittaavat erityisesti datalla opetettuihin neuroverkkoihin. Neuroverkko on sarja matemaattisia kaavoja, joissa on paljon tuntemattomia kertoimia, ja näiden löytämiseen tarvitaan koneoppimista.

Neuroverkko kuulostaa vaikealta aivotieteeltä. Neuroverkko matkii aivojen neuronien toimintaa. Neuroverkon laskenta on kuitenkin hyvin yksinkertainen ketju yläkoulutasoista matematiikkaa, jossa ei tarvita juuri muuta kuin yhteen- ja kertolaskua – ehkä lisäksi joku pieni eksponenttifunktio. Neuroverkon laskenta onnistuu siis vaikka taskulaskimella, mutta yleensä ketju on niin pitkä, että on parempi taskulaskimen sijaan ohjelmoida laskukaavat vaikkapa exceliin tai sopivaan ohjelmointikieleen.

Neuroverkon opettaminen onkin vaikeampi asia. Edellä kuvatussa yksinkertaisten laskukaavojen ketjussa on lukematon määrä erilaisia kertoimia, joiden numeroarvot puuttuvat. Näiden etsimistä tavalla tai toisella kutsutaan koneoppimiseksi. Viime vuosina on tieteessä saavutettu merkittäviä harppauksia tällä osa-alueella. Harppaus liittyy pääasiassa neuroverkon opettamiseen ns. opetusaineistolla, eli neuroverkolle näytetään vaikkapa valokuva hukkakaurasta, ja kerrotaan että tämä on hukkakaura, ja lisäksi että kuvassa ei ole apinoita. Käyttämällä suurta määrää valokuvia, voidaan neuroverkko opettaa erottamaan hukkakaurat apinoista.

Automaattinen kuvantunnistus on yksi suosituimmista koneoppimisen sovelluksista, mutta vastaavasti neuroverkko voidaan opettaa tunnistamaan äänisignaaleista esim. ihmisten ääniä. Ihmisten tunnistaminen automaattisesti valvontakamerakuvista on tänä päivänä mahdollista – ja jos ihmisiä kuvataan valvontakameroilla kaikkialla, voidaan meidän kaikkien liikkumisesta saada tietoa erilaisiin järjestelmiin.

Maatalousalalla on monia sovelluskohteita, ja yritykset jo kehittävät tuotteita. Esimerkiksi rikkakasvin taimen tunnistaminen valokuvasta automaattisesti on mahdollista älypuhelimella tai erilaisten kasvitautien tunnistus kasvin lehdestä ovat rajallisia ja mahdollisia sovelluksia. Tekoäly on kuitenkin kovin alhaista tasoa, sillä se perustuu vain siihen aineistoon, jolla se on opetettu.

Opetusaineistoa pitääkin olla runsaasti, jotta neuroverkko saadaan opetettua tekemään luotettavia "johtopäätöksiä". Runsaasti voi tarkoittaa miljoonia valokuvia, joista jokainen on ihmisen luokittelema ja kuvasta osoitetaan neuroverkolle opetettava kohde. Tällaisen opetusaineiston kerääminen on yleensä valtava työ ja liiketoiminnan arvo voi olla datassa – ei siis siinä yläkoulutason matematiikassa.

Edellä mainitut sovellukset ovat juuri niin älykkäitä kuin opetusdatalla on opetettu. Kuvaan ilmestyvät uudet kohteet, joita ei ole opetettu, ovat edelleen tuntemattomia tai tulos voi olla satunnainen. "Tekoälyllä" varustettu rikkaruohonkitkentärobotti ei tiedä mitä tehdä esimerkiksi peltohiirelle – se saatetaan luokitella rikkaruohoksi, kasviksi tai maaperäksi.

Kirjoittaja toimii maatalouskoneautomaation professorina Münchenin teknillisessä yliopistossa.