9 artikkelia
Mitä tekoäly on
Tekoälyn peruskäsitteet: koneoppiminen, syväoppiminen, generatiivinen tekoäly, AGI, mallit ja palvelut. Mistä oikeasti puhutaan, kun puhutaan tekoälystä.
Hallusinaatiot ja virheet
Miksi tekoäly keksii asioita, keksityt lähteet, tietokatkos, laskuvirheet ja kalibraatio. Miten tarkistat vastauksen käytännössä.
Artikkelit
- Miksi tekoäly keksii asioita? Hallusinaatiot selitettynäTekoäly keksii asioita, koska se on opetettu tuottamaan sujuvaa tekstiä eikä tarkistamaan totuutta. Näin tunnistat riskialttiit kysymykset ja tarkistat ne.
- Näin tarkistat tekoälyn vastauksen: viisi käytännön askeltaTekoälyn vastausta ei tarkisteta lukemalla se uudelleen. Näin mitoitat tarkistuksen seurauksen mukaan, erotat väitteet muotoilusta ja tarkistat lähteet ja luvut.
- Keksityt lähteet ja linkit: miksi tekoäly sepittää viitteitäLähdeviite näyttää oikealta, koska malli tuottaa sen muodon eikä sisältöä. Näin tunnistat sepitetyn viitteen, tarkistat sen minuutissa ja pyydät oikeat lähteet.
- Miksi tekoäly laskee väärin? Matematiikka ja kielimallin rajatKielimalli ennustaa merkkejä eikä laske. Näin numeroiden pilkkoutuminen tuottaa virheitä, milloin laskin tai koodityökalu korjaa ne ja mitä kannattaa aina tarkistaa.
- Tiedon katkaisupäivä: miksi tekoäly ei tunne viime viikkoaMalli tietää vain siihen asti, mihin sen opetusaineisto ulottuu. Näin katkaisupäivä toimii, miksi malli silti vastaa varmasti ja milloin verkkohaku korjaa asian.
- Kun tekoäly on väärässä ja varma: varmuuden lukeminenSujuva sävy ei kerro oikeellisuudesta. Näin mallin varmuus syntyy, miksi se ei vastaa osumatarkkuutta ja miten pyydät mallia erottamaan tiedon arvauksesta.
- Tekoälyn vinoumat: mistä syrjivät ja vinot vastaukset syntyvätVinouma ei ole mallin mielipide vaan aineiston ja optimoinnin jälki. Näin se syntyy, missä tilanteissa se muuttuu vahingolliseksi ja miten sen voi itse havaita.
- Miksi tekoäly on aina samaa mieltä? Mielistely selitettynäMalli on opetettu miellyttämään vastaajaa. Näin myötäily syntyy ihmispalautteesta, milloin se vääristää vastauksen ja miten kysyt niin, ettei sitä pääse tapahtumaan.
Kielimalli tuottaa aina jonkin vastauksen. Sen tehtävä on jatkaa syötettä todennäköisellä tekstillä, eikä työhön kuulu vaihetta, jossa valmis väite tarkistettaisiin jotain tietolähdettä vasten. Siksi virheellinen vastaus näyttää yhtä sujuvalta kuin oikea, eikä sujuvuudesta voi päätellä mitään.
Virheet eivät silti jakaudu tasaisesti. Ne kasautuvat harvinaisiin yksityiskohtiin, tarkkoihin lukuihin, päivämääriin, lähdeviitteisiin ja tuoreisiin tapahtumiin, koska juuri näissä kohdissa todennäköinen jatko ja tosiasia eroavat helpoimmin toisistaan. Kun tiedät, missä riski on suurin, voit kohdistaa tarkistamisen sinne etkä koko tekstiin.
Tämä kokonaisuus rakentuu sen ajatuksen varaan, että tekoälyn käyttö on riskin hallintaa eikä luottamuskysymys. Kaiken tarkistaminen veisi enemmän aikaa kuin asian selvittäminen alusta itse, joten hyödyllisin taito on tunnistaa ne kohdat, jotka tarkistetaan aina. Sama taito auttaa myös arvioimaan, milloin virheellä ei ole väliä ja vastauksen voi ottaa vastaan sellaisenaan.
Missä järjestyksessä kannattaa lukea
Aloita artikkelista miksi tekoäly keksii asioita, joka erittelee virheiden tyypit ja niiden syyt. Kun mekanismi on selvä, vastauksen tarkistaminen viidessä askelessa antaa työjärjestyksen, jota voit soveltaa ilman että jäljität koko tekstin lähteisiin.
Sen jälkeen tulevat kolme tavallisinta virheen muotoa. Keksityt lähteet ja linkit kertoo, miksi viite syntyy samalla mekanismilla kuin muukin teksti ja näyttää siksi oikealta. Miksi tekoäly laskee väärin selittää, miksi laskutoimitus ei ole mallille laskemista. Tiedon katkaisupäivä rajaa sen, mitä malli ei voi tietää, vaikka kaikki muu menisi oikein.
Kolme viimeistä artikkelia koskevat vastauksen sävyä, eli sitä osaa vastauksesta, jota lukija tulkitsee huomaamattaan. Kun tekoäly on väärässä ja varma käsittelee sitä, miksi varmuuden sävy ei mittaa oikeellisuutta. Tekoälyn vinoumat kertoo, miten aineiston painotukset siirtyvät vastauksiin, ja mielistely sen, miksi malli myötäilee kysyjän oletusta silloinkin, kun oletus on väärä.
Mikä tässä ei korjaannu odottamalla
Yleisin väärinkäsitys on, että virheet ovat ohimenevä puute, joka häviää seuraavan mallisukupolven myötä. Virheiden osuus on pienentynyt, mutta harvinaisemmasta virheestä tulee samalla vaarallisempi: mitä useammin vastaus on oikein, sitä harvemmin kukaan tarkistaa sen.
Käyttökelpoinen nyrkkisääntö on jakaa tehtävät sen mukaan, mitä virhe maksaa, eikä sen mukaan, kuinka vaikealta tehtävä tuntuu. Ideointi, hahmottelu ja kielen muokkaus kestävät virheitä hyvin, koska virhe näkyy heti tekijälle itselleen. Luvut, lähteet, terveysasiat ja sopimusehdot eivät kestä. Niissä tekoälyä kannattaa käyttää etsimään se kohta, jonka tarkistat muualta, ei antamaan lopullista vastausta. Sääntö ei riipu siitä, mikä malli on käytössä, joten se kestää myös seuraavan päivityksen.
Muut aihekokonaisuudet
9 artikkelia
Suuret kielimallit (LLM)
Mikä LLM on, miten se ennustaa seuraavan tokenin ja mitä perusmalli, chat-malli, päättelymalli ja avoimet painot tarkoittavat.
9 artikkelia
Promptit ja prompt engineering
Promptin rakenne, esimerkit, rajaukset, tulostemuodot, ketjutus ja iterointi. Miten kysyt niin, että saat käyttökelpoisen vastauksen.
7 artikkelia
Tekoäly ja yksityisyys
Mitä syöttämällesi datalle tapahtuu: säilytys, opetuskäyttö, muisti, poisto, EU-siirrot ja yrityskäytön erot.
7 artikkelia
EU:n tekoälyasetus
AI Act: riskiluokat, kielletyt käytännöt, GPAI-velvoitteet, läpinäkyvyys, merkintä, sakot ja aikataulu Suomessa.
7 artikkelia
Tekoälysisällön tunnistaminen
Voiko AI-tekstin, -kuvan tai -äänen tunnistaa? Tunnistimet, vesileimat, C2PA-alkuperätieto ja väärät positiiviset.
7 artikkelia
Mallien ja palveluiden valinta
Miten valitset mallin: päättely, nopeus, hinta, konteksti, työkalut, tietosuoja ja suomen kieli. Myös tunnetuimmat palvelut selitettynä.
5 artikkelia
Kuva-, ääni- ja videogeneraattorit
Miten tekoäly tekee kuvan, äänen ja videon? Näin diffuusiomalli, kuvakehote, äänen kloonaus ja valmiin tiedoston käyttöoikeudet toimivat selkokielellä.
6 artikkelia
Tekoäly työssä ja opiskelussa
Mihin tekoäly sopii työssä ja opinnoissa, mitä sen käytöstä pitää kertoa muille ja kuka vastaa virheistä. Ohjeet kokouksiin, rekrytointiin ja opiskeluun.