Kun hissi lähtee liikkeelle, ilmastointi säätää puhallusta tai robotti asettaa ruuvin paikalleen, taustalla on malli siitä, miten kone käyttäytyy. Niitä on perinteisesti rakennettu niin kuin hyviä reseptejä: asiantuntija kerää kokemusta, mittaa, kirjoittaa yhtälöitä ja virittää pitkään. Se vie aikaa – ja jokainen muutos laitteessa tai ympäristössä tarkoittaa uutta työtä. Viime vuosina
Kun robotti-imuri hivuttautuu kotona lataustelakkaansa, kukaan ei pidä hetkeä ihmeenä. Veden alla sama temppu on kaikkea muuta kuin arkipäivää – näkyvyys on huono, virtaukset nykivät, eikä satelliittipaikannus auta. Silti juuri tähän suuntaan on otettu askel, joka voi venyttää vedenalaisten robottien toimintamatkaa ja -aikaa. Vuosia on ajateltu, että vedenalaisen telakoitumisen kaltaiset tehtävät
Kaikki tietävät hetken, kun seisot punaisissa valoissa keskellä yötä, eikä mihinkään suuntaan näy autoja. Tai aamun, jolloin tavallinen risteys puuroutuu yllättäen, koska osa kuljettajista päättääkin kääntyä eri suuntaan kuin yleensä. Liikennevalot ovat sääntöjen koneita, mutta liikenne elää kuin säätila. Pitkään ratkaisuksi on ehdotettu ”älykkäitä” valoja, jotka oppivat liikenteestä ja säätävät
Tutkimus viittaa siihen, että monessa kielimalliin perustuvassa agentissa ongelma ei ole älykkyyden puute vaan väärin jaettu palaute – ja että pieni, suunnan näyttävä vihje voi avata solmun. Oletko huomannut, että jokin älykäs chatbotti antaa itsevarman vastauksen, vaikka olisi pitänyt ensin kysyä tarkentava kysymys? Hetken se kyselee, sitten hiljenee – ja arvaa. Arjessa
Kuvittele valmentavasi abiturienttia. Onko järkevämpää teettää hänellä nopeasti sata erilaista laskua, vai pysäyttää hänet viiden samanlaisen äärelle niin, että hän kokeilee eri tapoja ja oppii virheistään? Sama valinta vaivaa myös tekoälyn kouluttajia – vain että ”yritykset” maksavat rahaa ja sähköä. Suuret kielimallit opetetaan ensin valtavilla tekstimäärillä. Sen jälkeen niitä hiotaan vaiheessa,
Moni tunnistaa tilanteen: sähköpostiin kilahtaa 120-sivuinen pdf, ja pitäisi nopeasti selvittää yksi lause – koskeeko alennus myös jatkotilauksia, tai mikä oli päivitetyn ohjeen voimaantulopäivä. Ajatus on houkutteleva: älykäs avustaja hoitaisi urakan puolestasi, lukisi, etsisi ja vastaisi. Viime kuukausina on puhuttu paljon "agenteista" – tekoälyohjelmista, jotka tekevät monivaiheisia asioita itsenäisesti: hakevat
Pienet satunnaiset säädöt voivat paljastaa valmiit asiantuntijat suuren mallin sisältä – ja joskus korvata raskaan jälkikoulutuksen. Vanhaa radiota virittäessä joskus riittää millin käännös nupista, ja rätinä vaihtuu kirkkaaksi puheeksi. Tekoälyn kanssa saatamme olla samankaltaisen ilmiön äärellä: suuret, valmiiksi opetetut mallit saattavat kätkeä sisäänsä joukon erikoistaitajia, jotka löytyvät pienellä horjutuksella. Vallitseva ajatus
Uusi esijulkaistu tutkimus väittää, että tekoälymalliin voidaan kätkeä haitallinen toiminto, joka pysyy pitkään horroksessa ja aktivoituu vasta viiveen jälkeen. Se tekee havaitsemisesta paljon vaikeampaa kuin tähän asti on uskottu. Kuvittele keskusteluavustaja, joka toimii viikon, kuukauden tai sata viestiä moitteettomasti. Sitten se alkaa yhtäkkiä vastata oudosti – ei siksi, että juuri nyt
Kuvittele uutiskirje, joka järjestää lukemattomat lukijapalautteet heti oikeisiin pinoihin: kiitokset, kantelut, juttuvinkit. Yhtään esimerkkiviestiä ei ole näytetty etukäteen, vain luokkien nimet ja lyhyet kuvaukset. Silti järjestelmä osuu suurimman osan ajasta oikeaan. Vielä hiljattain moni olisi veikannut, että tähän tarvitaan jättimäinen yleiskäyttöinen kielimalli. Uusi vertailu haastaa oletuksen. Yhä useampi tehtävä halutaan
Olet ehkä antanut älykkään avustajan hoitaa sähköpostit, tiivistää raportin ja etsiä taustatietoja yrityksen tietokannasta. Kaikki toimii kuin saumattomassa liukuhihnassa: malli ymmärtää pyynnön, hakee tietoa, kutsuu sovelluksia ja palauttaa vastauksen. Suojaukset estävät sopimattomat pyynnöt ja pitävät luottamukselliset tiedot turvassa – tai niin ainakin toivotaan. Viime kuukausina keskustelu on pyörinyt ennen kaikkea tekoälymallien
Uusi lähestymistapa jakaa muistamisen kahteen lajiin ja näyttää terävöittävän monipuolisten tekoälyjen työkalujen käyttöä sekä toimintaa myös uusissa tilanteissa. Kuka tahansa toimisto-ohjelmia opetellut tietää, että oppiminen tapahtuu kahdessa tasossa. Ensin muistaa yksittäisen niksin – tämän napin takaa löytyy suodatus, tätä valikkoa tarvitaan tulostukseen. Vähitellen rakentuu myös yleisempi toimintamalli: ensin siivotaan data, sitten
Tekoäly oppii yrityksen ja erehdyksen kautta, vähän kuin lapsi pyöräilee kaatuen ja uudelleen yrittäen. Siksi sillä on oltava harjoituspaikka, simuloitu maailma, jossa se saa kokeilla miljoonia kertoja. Monessa laboratoriossa suurin jarru ei olekaan itse äly, vaan se, kuinka nopeasti tuo maailma rullaa. Jos juoksumatto nykii, juoksija ei kehity. Vakiintunut ajatus