Perinteiset ohjelmistopiirustukset eivät enää riitä kuvaamaan tekoälyjärjestelmiä
Uusi ehdotus paikkaa kuilua ja voi auttaa noudattamaan EU:n tekoälyasetuksen dokumentointivaatimuksia, jotka alkavat purra korkean riskin järjestelmissä elokuussa 2026.
Kuvittele kaupunki, jossa liikennevalot, bussit, pysäköintisovellukset ja vakuutusyhtiöiden riskimallit oppivat jatkuvasti toisiltaan. Yksi palvelu arvioi ruuhkia, toinen ohjaa ajoneuvoja, kolmas hinnoittelee matkoja lennossa. Jos jossakin ketjun kohdassa data alkaa hiljalleen vääristyä – esimerkiksi poikkeuksellinen sää saa kamerat havaitsemaan autoja hatarasti – monet muut päätökset voivat seurata perässä. Ongelma ei ole vain yhdessä ohjelmassa, vaan verkostossa, joka elää datasta.
Ohjelmistomaailmassa on pitkään ajateltu, että hyvillä "piirustuksilla" – arkkitehtuurikuvauksilla – pidetään järjestelmät ymmärrettävinä ja hallittuina. Vakiintuneet mallit, kuten kehittäjille tutut arc42 ja C4, auttavat pilkkomaan kokonaisuuden osiin ja näyttävät, miten palikat keskustelevat. Niiden vahvuus on selkeys. Heikkous on oletus: perinteinen ohjelmisto toimii yleensä ennustettavasti. Tekoäly ei toimi.
ArXivissa julkaistu uusi ehdotus, RAD-AI, väittää tämän kuilun olevan nyt käytännön ongelma. Tekoäly ei ole enää irrallisia sovelluksia vaan "ekosysteemejä": useiden mallien, datavirtojen ja yhteisen infrastruktuurin kudelmia. Ne käyttäytyvät todennäköisyyksien varassa, muuttuvat datan mukana ja elävät kaksinkertaista elämää – sekä ohjelmistona että opittavana mallina. RAD-AI ehdottaa, että vanhoja malleja ei tarvitse heittää pois, mutta niitä pitää täydentää.
Ehdotuksen ydin on kahdessa liikkeessä. Ensinnäkin se lisää arc42-kehykseen kahdeksan tekoälylle olennaista osiota ja laajentaa C4-mallin kaavioita kolmella uudella elementillä. Tarkoitus on tehdä näkyväksi sellaiset asiat, joita tavalliset laatikot ja nuolet eivät kerro: miten ratkaisu muuttuu datan mukana, missä kohdin päätöksiin liittyy epävarmuutta, ja miten koneoppimismallin ja muun ohjelmiston elinkaaret limittyvät. Toiseksi RAD-AI liittää nämä osiot suoraan EU:n tekoälyasetuksen – tarkemmin sen liitteen IV – dokumentointivaatimuksiin, joihin korkean riskin järjestelmien on vastattava 2. elokuuta 2026 alkaen.
Miksi tällä on väliä? Koska sääntely ei katso hyvää tahtoa, vaan paperia. EU edellyttää, että korkean riskin tekoälyjärjestelmistä on olemassa järjestelmällinen tekninen kuvaus: mistä data tulee, miten malli toimii, millaisia riskejä on huomioitu ja miten järjestelmä on testattu. Vakiintuneet dokumentointimallit eivät ole tätä varten rakennettuja. RAD-AI yrittää täyttää aukon.
Tutkijat testasivat ajatusta kahdella tavalla. Ensinnäkin he pyysivät kuusi kokenutta ohjelmistoarkkitehtuurin ammattilaista arvioimaan, kuinka hyvin eri dokumentointitavat auttavat vastaamaan EU-vaatimuksiin. Arvioiden mukaan radikaaleja uudistuksia ei tarvita, mutta laajennuksia kyllä: RAD-AI:n myötä mahdollisuus kattaa asetuksen kohdat parani keskimäärin noin 36 prosentista 93 prosenttiin. Toiseksi he kävivät läpi kaksi tunnettua tuotantojärjestelmää – Uberin Michelangelon ja Netflixin Metaflow’n – ja osoittivat, että perusmallit jättävät järjestelmällisesti huomiotta kahdeksan tekoälylle tyypillistä huolta, jotka RAD-AI nostaa esiin. Puute ei siis ole yrityksestä kiinni, vaan rakenteellinen.
Yksi konkreettinen esimerkki avaa eroa. Ajatellaan älykästä liikkumisen ekosysteemiä, jossa malli ennustaa bussien saapumisaikoja ja toinen optimoi liikennevaloja ennusteiden perusteella. Jos ensimmäinen malli alkaa hiljalleen aliarvioida ruuhkia, myös toinen malli tekee entistä rohkeampia päätöksiä väärän kuvan pohjalta. Tätä hiipivää virheen kasaantumista tutkijat kutsuvat "kaskaadikiipeämiseksi" – ajatus on yksinkertainen: pieni vinouma yhdessä kohdassa kertautuu, kun muut päätökset nojautuvat siihen. Perinteisessä dokumentoinnissa tämä ketju jää näkymättömäksi. RAD-AI pyrkii kirjaamaan sekä riippuvuudet että sen, miten mallit voivat muuttua ajan myötä. Samalla dokumentointiin lisätään tieto siitä, että eri osilla voi olla eri sääntelyvelvoitteet: esimerkiksi liikennevaloja ohjaava malli voi kuulua korkeampaan riskiluokkaan kuin matkustajille suunnattu sovellus, vaikka ne jakavat dataa ja vaikuttavat toisiinsa.
On silti syytä pitää pää kylmänä. RAD-AI on kehys, ei laki eikä valmis standardi. Tulokset ovat lupaavia, mutta alustavia: kuuden asiantuntijan arviot ja kaksi laajaa esimerkkialustaa antavat suuntaa, eivät vielä takeita. Ehdotusta ei ole toistaiseksi testattu kattavissa viranomaisarvioissa, eikä se sano paljonkaan muiden kuin EU:n vaatimusten kattamisesta. Myöskään käyttöönoton kustannuksista ja käytännön sovitettavuudesta eri organisaatioihin ei ole vielä näyttöä. On mahdollista, että osa toimijoista kokee lisäosiot raskaiksi tai päällekkäisiksi muiden laadunhallintaprosessien kanssa.
Toisaalta aikataulu ei armahda. EU:n tekoälyasetuksen korkean riskin järjestelmiä koskevat vaatimukset astuvat voimaan elokuun alussa 2026. Monet organisaatiot ovat vasta jäsentämässä, mitä kaikkea pitää kirjata ja miten. RAD-AI:n kaltaiset, taaksepäin yhteensopivat lisäykset voivat olla käytännöllinen kompromissi: niiden pitäisi sopia olemassa oleviin tapoihin sen sijaan, että kaikkea muutettaisiin kerralla.
Tärkein oivallus on ehkä tämä: tekoälyn riskit eivät ole enää yhdessä mallissa tai yksittäisessä virheessä, vaan siinä, miten kaikki vaikuttaa kaikkeen. Jos yhteinen kieli ja selkeät kaaviot eivät tavoita tätä, hyvänkin koodin päälle rakentuu sokea piste. RAD-AI väittää, että aukko on paikattavissa ilman suurta kulttuurimurrosta – lisäämällä osiin näkyviin sen, mikä on tähän asti jätetty rivien väliin.
Jäljelle jää kysymys: kuka ehtii ensin, teollisuus vai sääntely? Jos yhteinen dokumentointitapa vakiintuu nopeasti, se voi vähentää muistikatkoksia, helpottaa valvontaa ja ehkäistä onnettomuuksia. Jos ei, valmistuuko seuraava älykaupunki edelleen piirustuksilla, jotka kertovat vain puolet tarinasta?
Paper: https://arxiv.org/abs/2603.28735v1
Register: https://www.AiFeta.com
tekoäly dokumentointi sääntely EU-ohjeistus ohjelmistokehitys turvallisuus
