Mitä tekoäly oikeasti on? Selkeä selitys ilman hypeä

Sana tekoäly on 70 vuodessa ehtinyt tarkoittaa shakkiohjelmaa, roskapostisuodatinta, kasvojentunnistusta ja chattibottia. Se on markkinointitermi yhtä paljon kuin tekninen termi. Siksi kysymykseen "mitä tekoäly on" ei voi vastata yhdellä lauseella ilman, että vastaus on joko liian ympäripyöreä tai suoraan väärä.

Tässä artikkelissa puretaan käsite osiin niin, että osaat lukea tekoälystä kertovan uutisen tai tuote-esittelyn ja päätellä, mistä oikeasti puhutaan.

Määritelmä, joka ei ole ympäripyöreä

Klassinen määritelmä kuuluu: tekoäly on koneen kyky suorittaa tehtäviä, jotka ihmiseltä vaativat älykkyyttä. Määritelmä on huono, koska se siirtää ongelman sanaan "älykkyys" eikä kerro mitään siitä, miten kone tekee sen.

Käytännöllisempi määritelmä on tämä:

Tekoäly on ohjelma, joka tuottaa syötteestä tuloksen ilman, että ohjelmoija on kirjoittanut sääntöä juuri sitä syötettä varten.

Tavallinen ohjelma on resepti: jos summa ylittää tuhat euroa, pyydä vahvistus. Ihminen on kirjoittanut jokaisen säännön. Tekoälyohjelmassa ihminen kirjoittaa vain rakenteen ja oppimissäännön, ja itse säännöt muodostuvat aineistosta. Tästä seuraa kaikki muu: miksi tekoäly osaa asioita joita kukaan ei ohjelmoinut, miksi se epäonnistuu odottamattomasti ja miksi sen käytöstä on vaikea todistaa etukäteen.

Kolme kerrosta: tekoäly, koneoppiminen, syväoppiminen

Nämä kolme termiä sekoitetaan jatkuvasti keskenään. Ne ovat sisäkkäisiä.

Kaikki syväoppiminen on koneoppimista, ja kaikki koneoppiminen on tekoälyä. Toisin päin ei päde. Reittiopas, joka laskee lyhimmän reitin Dijkstran algoritmilla, on tekoälyn perinteistä haaraa mutta ei opi mitään.

Neljäs termi, generatiivinen tekoäly, on poikkileikkaus: se tarkoittaa malleja, jotka tuottavat uutta sisältöä (tekstiä, kuvaa, ääntä) sen sijaan että luokittelisivat olemassa olevaa. ChatGPT:n kaltaiset kielimallit ovat generatiivista syväoppimista.

Miten malli "oppii"

Oppiminen kuulostaa mystiseltä. Se on lukujen säätämistä.

1. Malli on funktio. Se ottaa sisään numeroita (kuvan pikselit, sanan tunnisteet) ja antaa ulos numeroita (todennäköisyys, että kuvassa on kissa).
2. Funktiolla on parametreja. Nykyisissä suurissa malleissa niitä on miljardeja. Aluksi ne ovat satunnaisia, joten malli antaa satunnaisia vastauksia.
3. Vastausta verrataan oikeaan. Ero lasketaan luvuksi, jota kutsutaan häviöksi tai virheeksi.
4. Parametreja siirretään hieman siihen suuntaan, joka pienentää virhettä. Tämä toistetaan miljoonia tai miljardeja kertoja.

Lopputulos on parametrijoukko, joka tuottaa opetusaineiston kaltaisiin syötteisiin hyviä vastauksia. Kukaan ei valinnut yhtäkään yksittäistä parametria käsin, eikä kukaan pysty lukemaan niistä, mitä malli "ajattelee". Tästä johtuu koko tekoälyn selitettävyysongelma.

Opetuksen jälkeen mallia käytetään päättelyyn (inference): parametrit ovat lukittuina, ja malli vain laskee vastauksen. Kun kysyt chatbotilta kysymyksen, se ei opi kysymyksestäsi. Malli päivittyy vasta, kun se opetetaan uudelleen.

Miksi tekoäly vaikuttaa ymmärtävän

Ihmisellä on vahva taipumus tulkita sujuva kieli merkiksi ymmärryksestä. Se on hyvä nyrkkisääntö ihmisten kanssa, koska ihminen, joka puhuu sujuvasti aiheesta, yleensä tietää siitä jotain.

Kielimallin kohdalla oletus pettää. Sujuvuus ja oikeellisuus ovat sille kaksi eri asiaa: sujuvuus on suoraan se, mitä malli on optimoitu tuottamaan, ja oikeellisuus on sivutuote siitä, että opetusaineistossa oli enimmäkseen totta. Kun aineistossa oli aukko, malli tuottaa yhtä sujuvaa tekstiä, joka on väärin. Tästä syntyvät hallusinaatiot.

Käytännön sääntö: arvioi tekoälyn vastausta samoin kuin arvioisit tuntemattoman ihmisen väitettä netissä. Sujuvuus ei ole todiste.

Kapea tekoäly ja yleinen tekoäly

Julkisessa keskustelussa sekoittuu kaksi täysin eri asiaa.

• Kapea tekoäly (narrow AI) tekee yhtä tehtävää: tunnistaa kasvot, kääntää tekstiä, suosittelee videoita. Kaikki nykyiset järjestelmät ovat tätä, myös laajakäyttöiset kielimallit, jotka tekevät yhtä tehtävää (seuraavan merkkijonon ennustamista) hyvin monenlaisiin syötteisiin.
• Yleinen tekoäly (AGI) tarkoittaisi järjestelmää, joka oppii uusia tehtäviä yhtä laajasti kuin ihminen. Sitä ei ole olemassa, eikä alalla ole yksimielisyyttä siitä, milloin tai millä menetelmällä se syntyisi.

Kun uutisessa puhutaan "tekoälystä, joka voi ohittaa ihmisen", kannattaa tarkistaa kummasta on kyse. Yleensä kyse on kapeasta tekoälystä yhdessä mitattavassa tehtävässä.

Miksi malli on vinoutunut, vaikka kukaan ei halunnut sitä

Vinouma (bias) on tekoälykeskustelun väärinymmärretyimpiä käsitteitä. Se ei tarkoita, että joku olisi ohjelmoinut malliin mielipiteen. Se tarkoittaa, että malli on oppinut aineiston säännönmukaisuudet, myös ne joita kukaan ei tarkoittanut opetettavaksi.

Mekanismi on suora seuraus oppimisesta. Malli pienentää virhettä opetusaineistoa vastaan. Jos aineistossa tietyn ryhmän tapaukset ovat harvinaisia, virheen pienentäminen niiden kohdalla vaikuttaa lopputulokseen vähän, ja malli oppii ne huonommin. Tämä ei vaadi ketään pahantahtoista, vain epätasaisen aineiston.

Vinouma syntyy kolmesta eri kohdasta, ja niitä kannattaa pitää erillään:

1. Aineiston vinouma. Aineisto ei edusta sitä joukkoa, johon mallia sovelletaan. Työhakemuksia arvioiva malli, joka on opetettu menneillä rekrytointipäätöksillä, oppii toistamaan niiden päätösten kaavan.
2. Merkintöjen vinouma. Ihmiset ovat merkinneet opetusaineiston, ja heidän tulkintansa siirtyy malliin. Sama teksti voidaan merkitä loukkaavaksi tai neutraaliksi merkitsijästä riippuen.
3. Käytön vinouma. Malli toimii kohtuullisesti keskimääräisessä tapauksessa, mutta sitä käytetään reunatapauksissa, joissa se ei ole koskaan ollut hyvä.

Käytännön seuraus on tämä: kysymys "onko tämä malli puolueeton" on väärä kysymys. Oikea kysymys on "kenen kohdalla tämä malli on huonompi, ja mitä siitä seuraa heille". Sama logiikka on kirjoitettu EU:n tekoälyasetuksen korkean riskin luokitteluun: mitä suurempi vaikutus yksilön oikeuksiin, sitä enemmän valvontaa vaaditaan.

Suomen kieli on tekoälylle erityistapaus

Suurin osa suurten mallien opetusaineistosta on englanniksi. Suomenkielistä tekstiä on maailman mittakaavassa vähän, ja se näkyy kolmella tavalla, jotka on hyvä tietää ennen kuin arvioi mallin suomen taitoa.

Kieli pilkkoutuu tehottomasti. Malli ei käsittele sanoja vaan tokeneita, eli sanojen paloja. Tokenointi on opetettu aineistosta, joten englannin yleiset sanat ovat yksi token, kun taas suomen taivutusmuodot ja yhdyssanat pilkkoutuvat useaan osaan. Sama asia vie suomeksi enemmän tokeneita kuin englanniksi, mikä kuluttaa konteksti-ikkunaa ja nostaa kustannusta.

Tieto on ohuempaa. Malli tietää suomalaisista aiheista vähemmän kuin englanninkielisistä vastineista. Suomalainen laki, pieni kunta, paikallinen yritys tai suomalainen erisnimi ovat juuri niitä kohtia, joissa malli täyttää aukon uskottavalla tekstillä. Tästä syystä hallusinaatioriski on suomenkielisissä kysymyksissä keskimäärin suurempi kuin englanninkielisissä.

Sujuvuus ja oikeellisuus eroavat enemmän kuin englannissa. Malli tuottaa nykyään hyvää suomea. Se on eri asia kuin se, että sisältö olisi oikein. Sujuva suomi antaa lukijalle vahvemman vaikutelman asiantuntemuksesta kuin sama sisältö kankeana käännöksenä, joten harha kasvaa juuri silloin kun tarkkuus laskee.

Käytännön ohje seuraa tästä suoraan: kysy suomalaisista faktoista suomeksi vain, jos aiot tarkistaa vastauksen. Käsitteiden selittämiseen ja tekstin muokkaamiseen suomi toimii hyvin, koska niissä mallin pitää osata kieltä, ei tietää faktoja.

Näin tunnistat mistä oikeasti puhutaan

Kun kohtaat tuotteen tai uutisen, jossa lukee "tekoäly", kysy neljä kysymystä.

1. Mitä se ennustaa tai tuottaa? Jos vastausta ei osata sanoa yhdellä lauseella, kyse on todennäköisesti markkinoinnista.
2. Millä aineistolla se on opetettu? Aineisto määrää mallin sokeat pisteet. Suomen kielellä toimivaksi mainostettu malli, joka on opetettu lähinnä englanniksi, käyttäytyy eri tavalla kuin mainos antaa ymmärtää.
3. Mitä tapahtuu, kun se on väärässä? Väärä musiikkisuositus on harmiton. Väärä luottopäätös tai väärä lääketieteellinen tulkinta ei ole. Riski määrää, kuinka paljon valvontaa tarvitaan, ja se on myös EU:n tekoälyasetuksen perusrakenne.
4. Kuka näkee syötteeni? Pilvipalvelussa toimiva malli käsittelee syötteesi palveluntarjoajan palvelimilla. Tämä ratkaisee, mitä sinne kannattaa kirjoittaa. Aihetta käsitellään tarkemmin artikkelissa tekoäly ja omat tietosi.

Mihin tekoäly on oikeasti hyvä

Realistinen kuva syntyy, kun katsotaan tehtävän luonnetta eikä toimialaa.

Tekoäly toimii hyvin, kun tehtävässä on paljon esimerkkejä, siedettävä virhemarginaali ja ihminen tarkistamassa lopputuloksen: tekstin tiivistäminen, käännösluonnokset, kuvien lajittelu, poikkeamien etsintä lokitiedoista, koodin täydennys.

Tekoäly toimii huonosti, kun tehtävä vaatii varmuutta, jäljitettävyyttä tai tuoretta faktatietoa: lakipykälän tarkka sisältö, laskutoimituksen oikeellisuus ilman laskinta, yksittäisen henkilön tiedot, mikä tahansa päätös joka pitää pystyä perustelemaan jälkikäteen.

Tämä jako ei muutu sillä, että mallit paranevat. Se seuraa siitä, miten mallit toimivat.