koneoppiminen - AI Feta, the news about scientific AI research

tekoäly

Pieni koodirivi voi kääntää tutkimustuloksen – eivätkä tarkastajat aina huomaa sitä

Kuvitellaan tavallinen tutkimusilta: tutkija ajaa kokeensa, katsoo tuloksia ja huokaisee tyytyväisenä. Kaikki näyttää järkevältä. Koodi on siisti, kaaviot vakuuttavia. Mutta entä jos jokin vähäpätöiseltä näyttävä asetus tai huomaamaton pätkä arviointikoodia onkin käännetty niin, että tulos näyttää paremmalta kuin onkaan – ilman että kukaan huomaa? Olemme tottuneet ajattelemaan, että vertaisarviointi, toistettavuus ja

tekoäly

Faktaverkko auttaa tekoälyä selittämään päätöksensä tehtaassa

Tuotantolinjalla vilahtaa punainen varoitus. Koneoppimismalli arvioi, että seuraava erä saattaa mennä pieleen. Pysäytetäänkö linja vai jatketaanko ja toivotaan parasta? Päätös maksaa joko aikaa tai laatua. Kysymys, jonka kaikki haluavat kuulla ennen painavaa ratkaisua, on yksinkertainen: miksi malli ajattelee näin? Vuosia on uskottu, että riittävästi dataa ja kaavioita tekee koneoppimisesta läpinäkyvää.

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

Kielimalli auttaa keksimään uusia oppimissääntöjä tekoälylle

Tekstin tuottamiseen koulutettu malli voi ohjata esiin oppimisstrategioita, jotka pärjäävät kilpailukykyisesti vakiomenetelmille – ja haastaa käsityksen siitä, kuka oikeastaan suunnittelee tekoälyn. Kuvittele pelaavasi uutta videopeliä. Aluksi hahmo putoaa kuiluun kerta toisensa jälkeen. Pian huomaat, että lyhyt odotus ennen hyppyä auttaa. Muutat toimintaasi, ja tulos paranee. Oppimisessa tärkeintä ei ole vain se,

tekoäly

Opittavat sanavihjeet voivat tehdä kuvantunnistuksesta vähemmän ympäristöriippuvaista

Kokeile näyttää puhelimellesi keittiöstäsi kuva ja pyydä sitä nimeämään esineitä. Usein tulos on hyvä – kunnes valot ovat oudot, esine on leluksi muotoiltu versio tai kuva on mustavalkoinen luonnos. Silloin varmaakin varmempi tekoäly alkaa haparoida. Sama ilmiö näkyy verkkokaupoissa, joissa tuotteet tunnistetaan automaattisesti: studiokuvissa malli on pätevä, käyttäjän hämärässä otoksessa ei

tekoäly

Pieni neuroverkko voi usein oppia tekemään samat päätökset kuin satunnaismetsä

Monen yrityksen datahankkeissa on tuttu näky: vuosien aikana on kertynyt joukko erilaisia koneoppimismalleja. Yhdessä nurkassa pyörii vanha mutta luotettava luokittelija, toisessa uudempi neuroverkko. Jokainen toimii omalla tavallaan, omilla kirjastoillaan ja omilla temppuillaan. Kun järjestelmää pitäisi nopeuttaa, siirtää puhelimeen tai vain pitää paremmin hallussa, tämä kirjavuus tekee työstä yllättävän vaikeaa. Ajatusmalli

tekoäly

Lääkärin päätösohjelmissa korrelaatio ei riitä – tarvitaan syy ja seuraus

Vastaanotolla kiireinen lääkäri klikkaa potilastietojärjestelmän välilehtiä ja saa ruudulle luvun: ”36 prosentin riski komplikaatioihin.” Luku kuulostaa täsmälliseltä, mutta ratkaiseva tieto puuttuu. Mitä olisi odotettavissa, jos hoito A valittaisiin? Entä jos jätettäisiin lääke aloittamatta ja seurattaisiin tilannetta? Nykyiset päätösohjelmat kertovat usein, millaisten potilaiden kohdalla jokin tapahtui aiemmin – ne eivät yhtä hyvin

tekoäly

Tekoälykuvien pahin kompastuskivi on ollut sijainti – nyt sitä mitataan tarkasti

Jos pyydät tekoälyä piirtämään kuvan, jossa punainen muki on sinisen kirjan päällä vasemmassa alakulmassa ja vihreä kynä oikealla, lopputulos on usein kuin kiireessä katettu pöytä: tavarat ovat suunnilleen siellä päin, värit melkein oikein – mutta muki löytyy keskeltä, kirja kääntyy nurin ja kynä unohtuu taustalle. Yksityiskohdat eivät pysy paikoillaan. Vuosien ajan

tekoäly

Yksi yhteinen kieli voi riittää tekoälyn kuvien tekemiseen

Kun pyydät tekoälyä piirtämään kissan parvekkeella, taustalla tapahtuu paljon enemmän kuin pelkkä maalaus. Nykyiset kuvageneraattorit on tavattu opettaa kahdessa erillisessä koulussa: ensin niille opetetaan oma, tiivis “salakieli” kuville, ja vasta sen jälkeen ne opetetaan käyttämään tätä kieltä uusien kuvien luomiseen. Tuore tutkimus ehdottaa, että samaan tulokseen voisi päästä yhdellä ja

tiede

Oppimalla ohjattu vedenalainen robotti löysi telakan – myös oikeassa vedessä

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

tekoäly

Kun tekoäly lakkaa kyselemästä, se lakkaa myös oppimasta

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

tekoäly

Parempi tulos syntyy, kun tekoäly yrittää samaa tehtävää monta kertaa

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,