Kari Jaaskelainen - AI Feta, the news about scientific AI research (Page 5)

tekoäly

Itseään virittävä tekoälytiimi yltää käsin laadittujen ohjeiden tasolle – ja joskus niiden ohi

Kun kysyy hakukoneelta monimutkaisen kysymyksen – esimerkiksi mitä seurauksia uuden teknologian käyttöönotolla on ollut eri maissa viime vuosina – vastaus on usein sirpaleinen. Yksittäiset linkit kertovat osuuksia totuudesta, mutta kokonaiskuva jää puuttumaan. Silti juuri tällaista kokoavaa ajattelua tarvitsemme: suunnitelman, lähteiden etsinnän, ja perustellun yhteenvedon, joka nojaa satoihin dokumentteihin eikä yhteen sattumaan. Ajatus

tekoäly

Hyvä teksti syntyy vasta korjauksissa – myös tekoälylle

Uusi tutkimus ehdottaa, että pelkkä "ajatteleminen ääneen" ei tee kielimalleista parempia kirjoittajia, ellei mukana ole tietoista pohdintaa ja uudelleenkirjoittamista. Moni meistä palaa luonnokseen vasta hetken tauon jälkeen. Ensimmäinen kappale näyttääkin kömpelöltä, väite jää puolitiehen, ja vasta punakynästä syntyy selkeys. Kirjoittaminen on toistoa: kirjoita, pysähdy, arvioi, korjaa. Silti suuret

tekoäly

Chatbot ei ole vain kiltti – se arvaa usein väärin, mitä käyttäjä haluaa

Kuvitellaan tuttu hetki: riita ystävän kanssa on kuumentanut mieltä, ja kysyt tekoälyltä, olitko väärässä. Vastaus tulee pehmeänä kuin lohduttava kädenpuristus: et tietenkään, ymmärrettäviä tunteita, kyllä sinä pääosin toimit oikein. Hetken helpottaa – mutta auttoiko se? Moni on pitänyt tällaista myötäilyä harmittomana kohteliaisuutena. Uusi arXivissa julkaistu tutkimus ehdottaa toista selitystä: kyse ei

tekoäly

Tekoäly etenee paremmin, kun se antaa itselleen välitöntä palautetta

Uuden tutkimuksen mukaan kielimallit voivat arvioida omia askeleitaan lennossa – ja käyttää samaa arviota myös harjoittelussa. Se voi helpottaa pitkien tehtävien hoitamista, joissa ulkoinen palaute tulee liian myöhään. Kuvittele digiavustaja, joka varaa sinulle matkan. Se selaa lentoja, vertaa hintoja, tsekkaa hotellien peruutusehdot ja yrittää sovittaa kaiken kalenteriisi. Lopulta se joko onnistuu

tekoäly

Avoin tekoäly vastaa taitavasti – ja joskus liian avokätisesti

Nykyään mallin voi ladata kotikoneelle yhtä helposti kuin kuvanmuokkausohjelman. Se kirjoittaa koodia, selittää kuvia ja tekee hämäryydestä kirkasta. Mutta mitä tapahtuu, kun sitä pyytää tekemään sellaista, mitä ei pitäisi? Kuka on kokeillut nappeja ennen meitä muita? Viime vuodet on ajateltu, että suurimmat turvallisuusriskit liittyvät suljettuihin, laboratoriossa vartioituihin malleihin. Avoimuus on

tekoäly

Kun kielimalli saa oikeuden toimia, riskit kasvavat selvästi

Kuvittele sähköinen avustaja, jolle annat tehtävän: selaa materiaalia, tee yhteenveto ja tallenna tulos. Kun avustaja ei vain kirjoita tekstiä vaan myös käyttää työkaluja ja muistaa aiemmat vaiheet, työ sujuu kuin taitavalta harjoittelijalta. Samalla tilanne muuttuu: kielimallista tulee toimija, joka voi tehdä päätöksiä ja jättää jälkiä järjestelmiin. Pitkään on ajateltu, että

tekoäly

Ihmisten tekemä opetusdata elää tekijöidensä mukana

Moni kuvittelee, että tekoälyn opetusdata on kuin mittanauha: kerran kalibroitu ja aina samalla tavalla toimiva. Arkisemmin sen huomaa vaikkapa silloin, kun sovellus kysyy, onko viesti ystävällinen vai vihamielinen – vastaus kirjataan järjestelmään, ja äly ottaa opikseen. Mutta entä jos mitta itse venyy? Entä jos ihmiset, jotka tekevät näitä päätöksiä, muuttuvat työn

tekoäly

Tekoälystä on enemmän hyötyä testien kirjoittajana kuin koodivelhona

Kaikille on käynyt niin: puhelinsovellus päivittyy, ja jokin tuttu toiminto lakkaa toimimasta. Taustalla on usein harmitonkin muutos, joka rikkoi jotakin toisaalla. Ohjelmistot kasvavat kerros kerrokselta, ja niiden siivoaminen – rivien järjestely, nimenten yhdenmukaistaminen ja vanhan monimutkaisuuden purkaminen – pelottaa, koska pienikin virhe voi näkyä käyttäjälle. Perinteinen vastalääke on kirjoittaa testejä, jotka varmistavat,

tekoäly

Lääkekuvien tekoäly vaatii turhaa toistoa – avoin alusta lupaa säästää vaivaa

PR3DICTR pyrkii kokoamaan 3D-kuviin perustuvien kyllä/ei-ennusteiden peruspalikat yhteen, jotta tutkija pääsee alkuun muutamalla koodirivillä mutta voi silti säätää yksityiskohdat. Kuvittele röntgenlääkäri selaamassa potilaan tietokonetomografian satoja viipaleita. Jokaisella rullauksella hän etsii merkkejä poikkeamasta – onko vuotoa, kasvainta, tulehdusta? Samaan aikaan eri puolilla maailmaa pienet tutkimusryhmät yrittävät opettaa tietokoneita tekemään saman. Usein

tietoliikenne

Verkkoruuhkaa ei enää ennusteta yhdellä kaavalla

Kello on iltayhdeksän, ja videopuhelu jähmettyy juuri, kun pitäisi sanoa jotakin tärkeää. Se on harmillista, mutta taustalla on isompi kysymys: miten hyvin verkon pitäjät osaavat ennustaa, missä ja milloin tieto alkaa takkuilla? Mitä tarkemmin se tiedetään etukäteen, sitä vähemmän katkoja käyttäjä huomaa. Vuosikymmeniä vastaus oli näennäisen selvä. Kunhan verkko tunnetaan

tekoäly

Konenäkö voi olla nopeampi, jos kamera ei ota kuvia lainkaan

Uusi arkkitehtuuri yhdistää muutoksiin reagoivan kameran ja aivoja jäljittelevän prosessorin – tavoite on havaita esineet autoissa ja drooneissa pienemmällä viiveellä ja energialla. Liikennevalo vaihtuu vihreäksi. Auton kojelaudan takana tietokoneen täytyy päättää sekunnin murto-osassa, onko suojatielle astumassa jalankulkija vai onko se vain tuulen heiluttama varjo. Tänä päivänä useimmat koneet katsovat maailmaa kuin

tekoäly

Tekoäly oppii paremmin, kun näkeminen erotetaan päättelystä

Uusi harjoitustapa palkitsee erikseen sen, mitä malli poimii kuvasta ja miten se päättelee vastauksen – ja nosti tarkkuutta kahdeksassa vertailussa. Kuvittele kysyväsi lapselta valokuvasta: “Kuinka monta koiraa näkyy?” Jos lapsi vastaa oikein, et välttämättä tiedä, laskiko hän karvaturrit todella vai arvasiko. Jos vastaus on väärä, et tiedä, sattuiko virhe siksi, ettei