Join to hear the AI news first!

Tekoälyavustaja on taitavimmillaan, kun se ponnistelee vain silloin kun päätös on aidosti vaikea

Kuka tahansa on klikkaillut verkkopalvelussa väärää nappia ja huomannut olevansa takaisin lähtöruudussa. Ihminen oppii nopeasti: selvässä tilanteessa ei jäädä märehtimään, epävarmassa pysähdytään ja tarkistetaan. Sama periaate alkaa hiipiä myös verkkosivuilla toimiviin tekoälyavustajiin. Vielä hiljattain ajateltiin, että tekoälyn suoritusta voi parantaa yksinkertaisesti antamalla sille enemmän ”miettimisaikaa” joka vaiheessa. Kun malli kirjoittaa,

Kielimallin huomio toimii yllättävän hyvin pitkien tekstien hakijana

Moni tuntee tilanteen: edessä on 180-sivuinen raportti, ja pitäisi löytää vastaus yhteen täsmäkysymykseen. Hakutoiminto löytää kymmeniä osumia, mutta oikea kohta on aina sen taulukon alaviitteessä tai liitteessä, johon teksti viittaa. Sama ongelma vaivaa myös älykkäitä keskustelubotteja. Ne lupaavat lukea pitkät tiedostot, mutta harhailevat helposti väärään kappaleeseen tai vastaavat luottavaisesti hutiin.

Koneesta tulee tarkempi, kun sille antaa hetken miettiä

Moni kuvankäsittelysovellus lupaa taikoja yhdellä napilla: poista kahvikuppi pöydältä, kirkasta kasvot, vaihda tausta. Usein tulos on kelvollinen – kunnes pieni yksityiskohta lipsahtaa. Nenäkatse jää epätarkaksi, varjo unohtuu tai reunaan jää outo haamu. Taustalla on tyypillinen tapa, jolla tekoälyä on käytetty: se antaa vastauksen kerralla, ilman että pysähtyy tarkistamaan itseään. Ajatus, että

Robotti tekee oikean teon useammin, kun sen yrityksiä punnitaan käyttöhetkellä

Kotirobotille sanotaan: laita muki tiskikoneeseen. Se tarttuu kippoon, tuijottaa konetta, avaa väärän oven – ja pysähtyy. Mitä jos se tässä kohtaa ei vain arvaa uudelleen, vaan pysähtyy tarkistamaan, kuinka hyvin sen seuraava yritys oikeasti vastaa annettua ohjetta? Robotiikassa on pitkään ajateltu, että varmin tie parempiin tekoihin on kouluttaa isompia malleja yhä

Lakineuvova tekoäly toimii paremmin, kun se pysähtyy tarkistamaan jokaisen askeleen

Uusi tutkimus viittaa siihen, että pelkän oikean vastauksen tavoittelu ei riitä: virheitä vähentää, kun koneelta vaaditaan myös sääntöjenmukaista ja todennettua päättelyä. Kuvitellaan tilanne: kysyt verkosta, mitä lakia pitäisi soveltaa, ja saat vakuuttavan vastauksen pykäläviitteineen. Teksti kuulostaa oikealta, mutta vasta myöhemmin selviää, että se viittasi väärään lakiin. Ongelma ei ole harvinainen

Ihmiset haluavat neuvoja – mutta hyötyvät eniten, kun tekoäly neuvottelee heidän puolestaan

Kuvittele kolmen hengen kimppakämppä, jossa pitäisi päättää, kuka maksaa mitäkin ja kuka saa suurimman huoneen. Kaikki haluavat reilun ja nopean sopimuksen, mutta kukaan ei mielellään luovu ohjauksesta. Jos tarjolla olisi tekoäly, ottaisitko sen neuvoja, pyytäisitkö sitä kommentoimaan viestiluonnoksiasi – vai antaisitko sen hoitaa neuvottelun puolestasi? Useimmat meistä valitsevat ensimmäisen. Neuvoja kuulostaa

Pienempi hermoverkko, nopeampi arvio: hirmumyrskyn voima voidaan laskea suoraan satelliitissa

Kun myrsky alkaa kiehua lämpimällä merellä, rannikkokaupungit jäävät odottamaan: kuinka kovaa tuuli käy, kääntyykö rintama, milloin on pakko lähteä? Satelliitit katsovat ylhäältä tauotta, mutta varoituksiin päätyvä arvio myrskyn voimakkuudesta on usein pitkän ketjun tulos. Kuvat siirtyvät alas maahan, raskaiden mallien laskenta vie aikaa, ja ihminen tarkistaa tuloksen. Jokainen minuutti on

Lyhyet käskyt, raskaat koneet – kuvien ymmärtäminen ei ehkä tarvitse jättimäistä kielipäätä

Arki on täynnä lyhyitä pyyntöjä koneille: “korosta koira”, “poista tausta”, “etsi liikennemerkki”. Silti niiden tulkitsemiseen valjastetaan usein valtavia kielimalleja. Uusi tutkimus väittää, että juuri tässä kohdassa paisuttelu on turhaa. Kun ihminen ohjaa kuvatyökalua tekstillä, viesti on tavallisesti lyhyt ja ytimekäs. Ei romaania, vaan pari sanaa: kohde ja ehkä tarkenne. Silti

Tekoäly kompastuu alakoulun kuviin

Aidosta koemateriaalista koottu vertailu osoittaa, että kuvaa ja tekstiä yhdistelevät mallit pärjäävät laskemisessa mutta sekoavat, kun kuviota pitää kääntää, peilata tai taittaa – eikä tämä ole harmiton puute luokassa. Keittiön pöydällä on läksypaperi täynnä nuolia, kolmioita ja tähtiä. Tehtävä kysyy, miltä kuvio näyttää peilin kautta tai mihin kohtaan paperia reikä osuu,

Käännösalan ammattilainen tarvitsee nyt myös tekoälyn lukutaitoa

Kun kääntäjä ymmärtää, miten kone päättää sanansa, hän voi arvioida sen työtä – ja omaansa – paremmin. Moni on napauttanut selaimessa Käännä-nappia ja hämmästellyt, miksi kone valitsi juuri tuon sanan. Sama hetki toistuu ammattikääntäjän työpöydällä: teksti syntyy vauhdilla, mutta jokin sävy, termi tai viittaus lipsahtaa harhaan. Syy ei ole taikuudessa tai virheessä,

Kun tekoälyt toimivat ryhmänä, luottamus ja säännöt kannattaa opettaa – ei kirjoittaa käsin

Oppiva logiikka lupaa tehdä monen tekoälyn yhteistyöstä selitettävämpää ja helpommin korjattavaa, kun luottamus, syyt ja säännöt oppivat suoraan datasta. Kuvitellaan arkinen tilanne ohjelmistotalossa: joukko tekoälyjä hoitaa asiakastukea. Yksi luokittelee viestit, toinen ehdottaa vastauksia, kolmas päättää, milloin siirtää asian ihmiselle. Eräänä aamuna kasa tikettejä on merkitty väärin kiireellisiksi. Kuka toimi väärin

Pelkkä käytös ei paljasta, miksi tekoäly voi olla vaarallinen

Moni testaa uutta tekoälyapuriaan samalla tavalla: esittää kiusallisia kysymyksiä ja katsoo, lipsahtaako vastaus vaaralliselle puolelle. Jos malli kieltäytyy, se tuntuu turvalliselta. Jos se neuvoo pahanteossa, hälytyskellot soivat. Mutta pinnalta katsominen kertoo vain, mitä malli teki – ei miksi se teki niin, eikä miksi se joskus lipsahtaa. Vuosia vallinnut käytäntö on ollut