Tekoälyn toiminta on simppelimpää kuin tieteiselokuvafani kuvittelisi. Yksinkertaistettuna tekoäly haarukoi suuresta datamäärästä yhteneväisyyksiä ja mittailee ominaisuuksia ennalta määrättyjen parametrien perusteella. Siten tekoälyä voi käyttää työkaluna vaikkapa rekrytoinnissa, luotonmyöntämisessä tai syöpädiagnoosissa – mutta ei ilman ihmisen apua. Helsingin yliopiston tekoälyn ja koneoppimisen professori Petri Myllymäki puhui aiheesta Finanssiala ry:n työyhteisöjen monimuotoisuutta käsitelleessä pyöreän pöydän webinaarissa perjantaina.
”Tekoäly ei ole samalla lailla ajatteleva olento tai entiteetti kuin ihminen. Huolet koneiden kapinasta tai terminaattoreista eivät ole mitenkään relevantteja”, Myllymäki muistuttaa.
Neuroverkot ovat jo vuosikymmeniä vanha idea. Nyt vain dataa on moninkertaisesti enemmän ja tietokoneiden laskentateho on riittävän suurta neuroverkkojen syvällisemmälle hyödyntämiselle.
Miten tekoäly sitten vaikkapa erottaa kissaa esittävän kuvan koiraa esittävästä? Ihminen osaa kokemuksensa perusteella hetkessä erottaa kissan koirasta, mutta johtopäätöksen perustelu on vaikeampaa. Neuroverkko toimii hieman samaan tapaan.
”Tekoälylle näytetään suuri joukko kuvia, joista puolet on luokiteltu kissoiksi ja puolet koiriksi. Kone oppii erottamaan kummankin kategorian kuvista yksityiskohtia ja säätämällä parametrejään se sitten oppii erottamaan uusista kuvista, esittävätkö ne kissaa vai koiraa. Kyseisellä datalla tehty oppiminen pätee kuitenkin vain kissan ja koiran tapauksissa. Jos halutaan erottaa toisistaan vaikkapa orava ja rotta, täytyy kerätä vastaava määrä dataa. Mitä enemmän dataa, sen tarkempi tulos.”
Kuvia tunnistavaa tekoälyä käytetään esimerkiksi syöpädiagnoosien apuna, kun käydään läpi valtavaa määrää magneettikuvia. Tekoäly ei väsy, kyllästy tai sen silmät eivät ala harittaa, joten se saattaa löytää sadoista kuvista sellaisia, joissa on syytä epäillä syöpää.
Naiset ulos ja vanhoille ei luottoa
Suuryritys voi käyttää kuvien tunnistamisen kaltaista mekanismia vaikkapa uusien työntekijöiden rekrytoinnissa. Tekoälylle syötetään 30 vuoden ajalta dataa, millaisia ominaisuuksia valituilla työntekijöillä on ollut. Siten tekoäly haarukoi satojen hakemusten ja ansioluetteloiden joukosta sellaiset, jotka kannattaa ottaa lähempään tarkasteluun. Tämä säästää aikaa ihmisaivoilta.
”Tällaisessa tekoälyn käytössä historiatietoon perustuva valinta on kuitenkin ongelmallinen. Jos yritykseen on palkattu kuluneen 30 vuoden aikana pääasiassa miehiä, tekoäly suosii miesten hakemuksia. Tämä vääristää tuloksia. Sukupuolen poistaminen datassa olevista piirteistä ei kuitenkaan auta, sillä sukupuoli voi ilmetä monesta muustakin piirteestä, kuten pituudesta, harrastuksista tai armeijan käymisestä. Jos kaikki korreloivat piirteet poistettaisiin, katoaisi samalla paljon tärkeää informaatiota.”
Koneen päätös ei perustu pohtimiseen vaan laskemiseen, ja se heijastaa suoraan aineistoa. Tekoälyn datan pohjalta tekemän päätöksen ongelma on myös se, että tekoäly ei perustele päätöstään tai erittele, mitkä seikat tällä kertaa johtivat lopputulokseen. Siksi on äärimmäisen tärkeää, että kone ei tee päätöksiä yksin.
”En oikeastaan edes puhuisi päätöksestä, sillä kyse on yksinkertaisesti laskutoimituksen lopputuloksesta.”
Myllymäki kertoo tapauksesta, jossa vakavarainen iäkäs mies tilasi remonttitarvikkeita luotolla. Luottoyhtiö eväsi hakemuksen asiakkaan luottokelvottomuuden takia. Asiakkaan yhteydenoton jälkeen selvisi, että neuroverkko oli datan pohjalta vetänyt johtopäätöksen, että tietyn iän ylittäneelle asiakkaalle ei kannata myöntää luottoa, koska riski on liian korkea. Lopulta luotto myönnettiin.
”Surkuhupaisuudestaan huolimatta tapaus oli tekoälytutkimuksen kannalta positiivinen: En tiedä, miten luottoyhtiössä saatiin selville, että juuri ikä torppasi luottohakemuksen, mutta tekoälyn kehittäjät voivat ottaa tapauksesta oppia.”
Tekoälyn hyödyt ovat kiistattomat. Niille ei kuitenkaan pidä sokeutua. Tekoäly voi auttaa ihmistä päätöksenteossa, mutta lopullisen päätöksen luotonannosta, rekrytoinnista tai syöpädiagnoosista on oltava inhimillisen pohdinnan tulos, ei koneen suorittama laskutoimitus.
”On hyvä, jos tekoäly haarukoi tietoa ja ilmoittaa tapauksista, joita kannattaisi tutkia tarkemmin. Tärkeä kehityskohde tekoälyjärjestelmille olisi se, että ne selittäisivät toimintojansa. Lopullisen päätöksen tekijän olisi syytä tietää, mistä yksityiskohdista tai tekijöistä koneen laskutoimituksen lopputulos johtuu”, Myllymäki summaa.