tekoäly
Kuvittele, että yrität suunnitella lääkkeen kuin rakentaisit LEGOista. Palikoita on paljon, mutta monet niistä ovat rikki: nupit eivät sovi, renkaat eivät sulkeudu, osat jäävät ylijäämiksi. Tältä on usein tuntunut myös tietokoneiden ehdottamien molekyylien kanssa – ne näyttävät paperilla lupaavilta, mutta rikkovat kemian perussääntöjä. Vuosien ajan käytännön nyrkkisääntö on ollut, että tietokone
tekoäly
“Nosta muki pöydältä.” Kuulostaa viattomalta pyynnöltä, jonka kuka tahansa ihminen hoitaisi huomaamatta. Mutta jos keittiössä häärää palvelurobotti, tehtävä voi mennä kirjaimellisesti rikki: robotti tarttuu reunalla keikkuvaan mukiin, työntää sen vahingossa lautasen kanssa törmäyskurssille ja lasi särkyy lattialle. Sanoissa kaikki oli oikein – toiminta ei. Tämä arjen esimerkki paljastaa ongelman, joka on
tekoäly
Moni lääkäri tunnistaa tilanteen: potilaan tiedosto on puolillaan tyhjiä kohtia. Yksi laboratorioarvo jäi ottamatta, toinen on mitattu eri laitteella, kolmas puuttuu kokonaan kiireen takia. Silti päätöksiä on tehtävä – ja yhä useammin avuksi ehdotetaan algoritmeja. Mutta mitä jos malli vaihtaa mieltään aina, kun jokin sarake jää tyhjäksi? Terveydenhuollon tekoälyyn on pitkään
tekoäly
Kun suoratoistosovellus ehdottaa uutta sarjaa tai verkkokauppa nostaa esiin kengät, joista saattaisit pitää, taustalla pyörii usein yllättävän monimutkainen palapeli. Tutkijat kokeilevat toisaalla malleja pienillä aineistoilla ja nopeilla testeillä. Yrityksissä taas järjestelmät pitää sovittaa tuhansiin koneisiin ja miljooniin käyttäjiin. Harva huomaa, että näiden kahden maailman välillä katoaa usein sekä tulosten vertailtavuus
tekoäly
Uusi ehdotus mittaa koneita sillä, miten ne oppivat pelaamaan ihmisten keksimiä pelejä – ja ensimmäiset tulokset kertovat isosta kuilusta ihmisiin. Puhelimen sovelluskaupassa uutuuspeli lupaa viiden sekunnin opittavuuden. Sormella pyyhkäistään vasemmalle ja oikealle, rytmi löytyy, ja pian huomaat ennakoivasi, mitä kulman takana odottaa. Tällainen sujuvuus on ihmiselle hämmästyttävän helppoa. Mutta entä koneelle?
tekoäly
Kuvittele kirjoittavasi hakukenttään: ”Mitä minun kannattaa katsoa Tokiossa kolmen päivän matkalla?” Ennen sait listan linkkejä. Uutena vastauksena voi tulla sujuva selostus, jossa ehdotetaan reitti, avataan aukioloajat ja kerrotaan, miksi jokin kaupunginosa on iltaisin parhaimmillaan – ja teksti on koottu useista lähteistä hetki sitten. Sama palvelu saattaa vielä lopuksi tiivistää linkkien sisällön
tekoäly
Kokeile huviksesi: kirjoita nimesi juttelevalle tekoälylle ja kysy, mitä se olettaa sinusta. Moni saa vastaukseksi asioita, joita ei koskaan ole kertonut koneelle: sukupuolen, äidinkielen, ehkä hiustenvärin. Osa osuu oikeaan, osa menee pieleen – mutta tunne on sama kuin kuuntelisi tuttua, joka luulee tietävänsä sinusta enemmän kuin haluaisit. Pitkään olemme tottuneet ajatukseen,
tekoäly
Moni on huomannut, että teksti paranee, kun sen antaa levätä ja käy vielä kerran läpi: muoto hioutuu, turha toisto vähenee, ajatus kirkastuu. Uusi ajatus tekoälyn käytöstä ehdottaa jotakin samansuuntaista koneille: entä jos valmis kielimalli saisi pienen lisäkierroksen omaa harkintaa ilman, että sitä opetetaan uudelleen? Vallitseva käsitys on ollut, että tekoälymallin
tekoäly
Puhelimesi tekstinsyöttö ehdottaa sanaa juuri, kun olet kirjoittanut seuraavan kirjaimen. Joskus osuma on hämmästyttävä, joskus laite tuntuu jäävän jumiin siihen, mitä juuri kirjoitit. Sama ilmiö, vain valtavasti monimutkaisempana, elää suurissa kielimalleissa, jotka laativat sähköposteja, koodaavat ja vastaavat kysymyksiin. Moni ajattelee, että tällaiset mallit yksinkertaisesti katsovat aiempia sanoja ja päättävät, mikä
tekoäly
Kun tekoälylle annetaan ei liian helppoja eikä liian vaikeita tehtäviä, se oppii päättelyä tehokkaammin – ja samaan laskentabudjettiin mahtuen. Jokainen opettaja tunnistaa hetken, jolloin oppilas joko pitkästyy liian helpoista tehtävistä tai lannistuu liian vaikeista. Paras oppiminen tapahtuu jossakin välissä: kun tehtävä on juuri ja juuri omien kykyjen ylärajoilla. Sama arkinen viisaus
tekoäly
Kuvittele, että kysyt tutulta tekoälyapulaiselta yksinkertaisen kysymyksen ja saat vastauksen, joka kuulostaa oudosti väärältä – tai peräti vaaralliselta. Ensimmäinen reaktio on inhimillinen: kuka tämän sille opetti? Yksittäistä syyllistä on kuitenkin vaikea osoittaa, sillä kielimallit oppivat miljardeista sanoista ja lauseista. Silti juuri siihen yhä useampi haluaisi vastauksen: mikä koulutusdata synnytti tietyn käyttäytymisen?
tekoäly
Moni on kokeillut tätä: kopioi tekoälylle pitkä ketju sähköposteja, muistiinpanot ja kalenterin, ja pyydä siitä räätälöity yhteenveto – toiveissa, että mitä enemmän taustaa mallille antaa, sitä paremmin se ymmärtää sinua. Intuitio on vahva: laajempi kuva, parempi tulos. Entä jos käykin päinvastoin? Tuore arXiv-julkaisu tarjoaa epämukavan vastauksen. Sen mukaan kielimallit näyttävät menettävän