Tekoälykeskustelussa tekoäly ja generatiivinen tekoäly käsitetään usein synonyymeinä. Kun keskustellaan tekoälystä, keskustelija tarkoittaa usein ChatGPT:n kaltaista generatiiviseen tekoälyyn pohjautuvaa chatbottia, jonka käyttö on edelleen vain murto-osa tekoälyn käytöstä. Jokainen kännykkäkameran kuva tai reittioppaan reitti perustuu tekoälyyn, vaikka käyttäjä ei sitä välttämättä tiedosta. Tämän ei-generatiivisen tekoälyn, jota kutsun toiminnalliseksi tekoälyksi, vaikutus on vielä suurempi, vaikka tulevaisuudessa tekoälyt varmaankin täydentävät toisiaan.
Terminologian epämääräisyys laskee keskustelun tasoa. Tekoäly (Artificial Intelligence, AI) on vuosikymmeniä vanha, nopeasti kehittyvä ja vakiintunut teknologia-alue, jolla on monia käyttökohteita. Generatiivinen tekoäly (Generative AI) taas on viime vuosina laajemmin käyttöön otettu teknologia, joka kehittyy hurjaa vauhtia ja on erittäin tehokas tietyissä sovelluksissa, mutta voi yllättäen olla heikko perinteisesti tietokonejärjestelmille vahvoilla alueilla. Nämä kaksi teknologia-aluetta luultavasti sulautuvat toisiinsa monilla eri tavoilla, sillä niiden vahvuudet ovat lähes päinvastaisia toisiinsa nähden.
Tarvitsemme vakiintunutta terminologiaa, jotta keskustelua voidaan käydä ammattimaisesti. Ensimmäiseksi on erotettava generatiivinen tekoäly ja toiminnallinen tekoäly (Operational AI) toisistaan. Näiden luokkien alta löytyy lukuisia alatyyppejä. Haluankin herättää keskustelua siitä, millä termeillä näitä keskustelun määrän perusteella niin rakkaita sovellusalueitamme kutsutaan suomeksi. Tässä on yksi ehdotus taksonomiasta keskustelun pohjaksi.
Generatiivinen tekoäly (Generative AI):
Luova generointi (Creative Generation):
- Käyttötarkoitus: Sisällön luominen, kuten tekstin, kuvien ja musiikin generointi.
- Esimerkki: GPT-4, DALL-E.
- Kuvaus: Generoi uutta dataa mallintamalla olemassa olevaa dataa. Luovan generoinnin avulla tuotetaan dataa, joka muistuttaa sellaista tuotosta, jonka ihminen olisi voinut tehdä. Näin ollen datassa voi myös olla virheitä, epäloogisuuksia ja jopa suoranaisia valheita.
Generatiiviset vastakkaisverkot (Generative Adversarial Networks, GAN):
- Käyttötarkoitus: Realistisen datan, kuten kuvien ja äänen, generointi.
- Esimerkki: Deepfake-teknologia, kuvantunnistuksen parannukset.
- Kuvaus: Kaksi neuroverkkoa kilpailee keskenään; generaattori luo dataa ja diskriminaattori arvioi sen aitoutta, mikä parantaa generaattorin suorituskykyä. Tällaisella lähestymistavalla voidaan mahdollisesti tulevaisuudessa myös parantaa luovan generoinnin lopputulosta. Toisaalta algoritmien vastakkaistoiminnoilla voidaan myös harhauttaa normaalisti luotettava tekoälyjärjestelmä toimimaan tarkoituksensa vastaisesti.
Simuloiva generointi (Simulative Generation):
- Käyttötarkoitus: Simulointien ja ennusteiden luominen.
- Esimerkki: Fysiikan simulaatiot, sääennusteet.
- Kuvaus: Luo simulaatioita mahdollisista tulevaisuuden tapahtumista tai ilmiöistä. Toisin kuin ennakoivassa tekoälyssä, simuloinnissa on tarkoituksena ennustaa asiaa, jollaista ei ole vielä olemassa kuten esimerkiksi rakentamatonta tehdasta tai historiasta poikkeavaa sääilmiötä.
Interaktiivinen generointi (Interactive Generation):
- Käyttötarkoitus: Dynaamisten ja reaktiivisten järjestelmien luominen.
- Esimerkki: Chatbotit, pelihahmojen tekoäly.
- Kuvaus: Mukautuu käyttäjän toimintaan reaaliajassa. Esimerkiksi asiakaspalveluchatbotit, jotka vastaavat asiakkaiden kysymyksiin, ja pelihahmojen tekoäly, joka reagoi pelaajan toimintoihin ja tekee peliin realistisempia haasteita. Lähitulevaisuudessa myös kokonaisia pelejä maailmoineen voi rakentaa interaktiivisen generoinnin keinoin keskustelemalla pelinrakentajatekoälyn kanssa.
Toiminnallinen tekoäly (Operational AI):
Analysoiva tekoäly (Analytical AI):
- Käyttötarkoitus: Datan analysointi ja ennustaminen.
- Esimerkki: Data-analytiikka, koneoppimisen algoritmit.
- Kuvaus: Käyttää olemassa olevaa dataa mallien ja ennusteiden luomiseen. Analysoiva tekoäly poikkeaa normaalista tietokoneavusteisesta analyysistä siinä, että kaikkia analyysiin käytettäviä algoritmeja ei ole määritelty ennalta vaan järjestelmä oppii analysointitapoja käytettävän datan perusteella.
Optimoiva tekoäly (Optimizing AI):
- Käyttötarkoitus: Prosessien ja järjestelmien optimointi.
- Esimerkki: Logistiikan optimointi, resurssien hallinta.
- Kuvaus: Pyrkii parantamaan tehokkuutta ja vähentämään kustannuksia. Myös optimoiva tekoäly oppii ympäristöstään. Esimerkiksi älypuhelinten navigaattorit muuttavat reittisuunnitelmaa reaaliaikaisen liikennedatan perusteella.
Ennakoiva tekoäly (Predictive AI):
- Käyttötarkoitus: Tulevien tapahtumien ennustaminen datan perusteella.
- Esimerkki: Sääennusteet, taloudelliset ennusteet.
- Kuvaus: Ennustaa tulevia tapahtumia tai trendejä analysoimalla historiallista dataa. Toisin kuin simuloivassa tekoälyssä, ennakoinnissa on tarkoituksena ennustaa asiaa, jollainen on joskus tapahtunut ja luultavasti toistuu jollain aikajaksolla.
Suositteleva tekoäly (Prescriptive AI):
- Käyttötarkoitus: Toimintasuositusten tarjoaminen päätöksenteon tueksi.
- Esimerkki: Suositusjärjestelmät verkkokaupoissa, lääketieteelliset suositukset.
- Kuvaus: Analysoi dataa ja tarjoaa suosituksia, jotka auttavat tekemään optimaalisia päätöksiä. Tyypillisesti suosittelevalle tekoälylle annetaan joku tavoite kuten verkkokaupan konversio, ja se optimoi toimintaansa kuten tuotemainosten näyttämistä tämän tavoitteen tuloksen maksimoimiseksi.
Autonominen tekoäly (Autonomous AI):
- Käyttötarkoitus: Itsestään toimivat järjestelmät.
- Esimerkki: Itseajavat autot, robotiikka, tehtaiden prosessiautomaatio.
- Kuvaus: Tekee päätöksiä ja suorittaa tehtäviä ilman ihmisen väliintuloa. Autonominen tekoäly on toiminnallisen tekoälyn haastavin muoto, sillä sen on toimittava tarkoituksenmukaisella tavalla erittäin suurella todennäköisyydellä. Fyysisen maailman automatisointia on tehty pitkään esim. hisseissä, mutta tekoälyavusteisesti tehtynä haasteena on äärimmäinen luotettavuusvaatimus.
Selkeä terminologia on välttämätöntä ammattimaisessa tekoälykeskustelussa. Erottamalla generatiivinen tekoäly ja toiminnallinen tekoäly toisistaan voimme parantaa ymmärrystä ja edistää teknologian soveltamista tehokkaasti. Kummallakin alueella on omat vahvuutensa ja heikkoutensa, jotka on tärkeää tunnistaa ja ymmärtää.
Valjasta data ja tekoäly käytännön voimavaraksi
