Tekoälyllä on monia mahdollisuuksia

Työ- ja elinkeinoministeriön selvityksen mukaan on tärkeää, että suomalainen teollisuus kehittää ja ottaa rohkeasti käyttöön digitaalisia, tekoälyä hyödyntäviä ratkaisuja ja uusia liiketoimintamalleja.

Päämäärää tukevat suomalaisen teollisuuden erityispiirteet kuten voimakas palveluliiketoiminnan osuus viennistä ja tätä kautta kertyneet datavarannot. On huomattavaa, että yritysten kilpailukyvyn kasvattaminen tekoälyn avulla on ensimmäinen TEM:n tekoälytyöryhmän suosituksista.

Tekoälyn kehittämisessä ja hyödyntämisessä ollaan maailmalla jo pitkällä, mutta data-analytiikan merkityksen kasvaminen on selvä trendi myös Suomen elinkeinoelämässä, mikä näkyy muun muassa datan analysoijien ja vastaavien työpaikkojen lisääntymisenä.

Alan merkityksen kasvamisesta kertovat myös sekä Suomen Akatemian ja Business Finlandin uudet tekoälyohjelmat, että yliopistojen viimeaikaiset tekoälyyn liittyvät panostukset. Kaakkois-Suomen ammattikorkeakoulussa Xamkissa on tehty jo kauan teollisuusyhteistyötä data-analytiikan on-line-sovellusten kehittämiseksi erityisesti prosessiteollisuuden ympäristö- ja energiatehokkuuden parantamiseksi.

Mitä on tekoäly?

Älykkyyden määritelmä ei ole yksikäsitteinen, eikä tekoälyä myöskään aina kyetä määrittelemään eksaktisti. Erään määritelmän mukaan järjestelmä on älykäs, mikäli se täyttää kolme ehtoa: ensinnäkin se pystyy suorittamaan itsenäisesti jonkin toiminnon, toiseksi osaa seurata omaa tilaansa ja toimintaansa, ja kolmanneksi osaa edellisen perusteella muuttaa itsenäisesti toimintaansa tai vähintään raportoida muutostarpeesta.

Laajemmassa merkityksessä tekoälyllä pitäisi olla myös tietoisuus itsestään, mikä on vielä nykytekniikalla vaikea toteuttaa. Käytännössä tekoälypohjainen järjestelmä on algoritmien ja ohjelmistojen yhdistelmä, joka pystyy suoriutumaan tehtävistä jotka edellyttävät kykyä oppia ja soveltaa oppimaansa. Tällaisia tehtäviä ovat muun muassa päättely, päätöksenteko, ennakointi, näkö sekä kommunikointi. Teknisessä mielessä tekoälyjärjestelmää varten tarvitaan kolme asiaa: algoritmeja, dataa ja laskentatehoa.

Tekoälyn perusajatuksena on ollut, että järjestelmä opetetaan esimerkeillä. Tällaisia esimerkkeihin perustuvia algoritmeja ovat erilaiset neuroverkot, joita käytetään paljon tekoälyratkaisuissa.

Big Data opettajan roolissa

Yksi uusi tapa hyödyntää neuroverkkoja on liittää niihin niin sanottu syväoppiminen, jossa järjestelmä opetetaan todella suurella määrällä ennestään tunnettuja tapauksia, niin sanotulla Big Datalla. Lisäksi tekoälyn on käytön aikana seurattava toimintaansa ja sitä kautta sen on saatava palautetta epäonnistumisestaan, jolloin saadaan tarve uuden oppimiselle. Tietenkin tämä opetus voi olla jatkuvaa, jolloin järjestelmä adaptoituu uusiin tilanteisiin välittömästi.

On huomattava, että jatkuva uuden oppiminen voi olla riski vanhojen jo opittujen asioiden muistamiselle. Näin ollen järjestelmään täytyy olla sisään koodattuna sekä lyhyt- että pitkäaikaiset muistit, joiden pitää laajentua oppimisen mukana.

Toisaalta olisi myös tärkeää, että järjestelmän voisi ottaa käyttöön ilman jo kerättyä suurta datamäärää. Näin tekoäly oppisi uudet asiat käytön aikana ja samalla luotaisiin tilanne, jossa kaikkea tietoa ei tarvittaisikaan säilöä periteisiin tietokantoihin. Tällöin uusi data olisi tehokkaasti pakattuna tekoälyn muistiin.

Artikkelin kuvassa on esitelty yhden tekoälyratkaisun pitkäaikaisen muistin rakeenteen muuttuminen datan määrän kasvaessa ja samalla tekoälyn oppimisen edetessä.

Soveltava tekoälytutkimus metsä- ja ympäristöalalla

Kaakkois-Suomen ammattikorkeakoulun Kuitulaboratorion ja Itä-Suomen yliopiston prosessi-informatiikan ryhmän tutkimushankkeissa on ollut jo pitkään mukana älykäs mallinnus ja sitä kautta tekoälyratkaisut.

Toisaalta ryhmien jäsenten ensimmäiset neuroverkkoihin perustuvat julkaisut ovat peräisin jo vuodelta 1995. Aikaisempien teollisuudessa tehtyjen kartoitusten mukaan tekoälyratkaisujen lupaavimpia käytännön sovelluksia ovat esimerkiksi tuotantoprosessien automaattinen seuranta ja ohjaus sekä prosessien parantamiseen tähtäävien suosituksien tekeminen automaattisesti. Lisäksi teollisuutta kiinnostavia tekoälyllä saavutettavia hyötyjä ovat prosessien vikaantumisen, häiriöiden tai huollontarpeen ennakointi sekä tuotantokapasiteetin ja laadun hallinta.

Jatkossa Kuitulaboratorion sekä Xamkin ympäristöturvallisuusalan tutkimuksessa on enemmänkin tilaa soveltavalle tekoälytutkimukselle ja sen teollisuuteen suunnatuille sovelluksille. Teknologiaa saatetaan teollisuuden käyttöön muun muassa Business Finlandin ja teollisuuden rahoittamassa GasOpti-projektissa, jossa keinoälyä ja mallinnustekniikkaa sovelletaan metsäteollisuuden sekä biokaasuteollisuuden prosessien parempaan hallintaan.