Author Archives: Lauri Jarvilehto

Tekoäly tiedostamattoman simulaationa

19/11/2024

1 kommentti

Nykyiset tekoälyratkaisut eivät tee mitään, ellei ihminen pyydä. Toisin sanoen ne eivät ainakaan vielä ajattele samalla tavalla kuin ihminen, vaan ne toimivat ennemminkin ihmisen ajattelun jatkeena. Kuitenkin tekoälyratkaisut mallintavat tai simuloivat jo nyt onnistuneesti ainakin joitakin ihmismielen keskeisiä osa-alueita.

Tammikuussa 2025 ilmestyvä uusi Konemieli-kirjani tarkastelee ihmismieltä neljästä eri osakokonaisuudesta käsin: minuudesta, joka on tietoisen huomion keskus; tietoisesta mielestä (systeemi 2), joka on algoritminen ja reflektiivinen toiminnanohjausjärjestelmä, jonka nojalla pystyt aloittamaan ja uudelleenohjaamaan käynnissä olevia ajatusprosesseja; tiedostamattomasta mielestä (systeemi 1), joka koostuu opituista ja synnynnäisistä ajatusprosesseista; sekä ympäristöstä (systeemi 3), joka toimii havainnon perustana, tarjoaa kimmokkeita uusille ajatusprosesseille ja mahdollistaa ajatustoiminnan laajentamisen erilaisilla apuvälineillä tai yhteistyössä muiden kanssa.

Tekoälyratkaisut kykenevät yhä melko rajalliseen vuorovaikutukseen ympäristön (systeemi 3) kanssa. Tekoälyratkaisut pystyvät jo ymmärtämään melko yksityiskohtaisesti visuaalista informaatiota, tulkitsemaan ääntä ja puhetta ja tulkitsemaan ihmisen antamia käskyjä ja syötteitä. Kaikki tämä ympäristöön liittyminen perustuu kuitenkin lineaariseen arkkitehtuuriin: syöte muutetaan biteiksi ja syötetään laitteelle, se käsitellään neuroverkkopohjaisella algoritmilla mikroprosessoreilla. Lopuksi tulostetaan toivottu lopputulos, vaikkapa saneltu teksti tai kuvaus valokuvan sisällöstä. Ihminen puolestaan vuorovaikuttaa ympäristön kanssa dynaamisesti: kullakin ajanhetkellä on käynnissä miljoonia erilaisia hermoston takaisinkytkentöjä, joiden avulla toimimme erilaisissa ympäristöissä ja joiden kautta ympäristö muokkaa ajatteluamme.

Sen sijaan tiedostamattoman mielen (systeemi 1) toimintoja pystytään simuloimaan jo melko hyvin etenkin nykyisillä muuntajapohjaisilla kielimalliboteilla. Tietyssä mielessä voisi jopa ajatella, että kielimalli toimii sekä eräänlaisena systeemi 1:n assosiatiivis-heurististen prosessien simulaationa. Se myös simuloi assosiatiivis-heuristista ajattelua erinomaisesti. Ihminen joutuu ponnistelemaan saadakseen systeemi 1:n assosiaatioverkostoista pumpattua uutta ulos – joskus jopa niin paljon, että tuloksena on valkoisen paperin kammo. Tekoälybotti tuottaa sen sijaan silmänräpäyksessä sivukaupalla uusia oivalluksia, kun vain sitä siltä pyydät. Tästä syystä nykyiset tekoälyratkaisut ovatkin oivallisia etenkin luovan työn ja sparrailun apureina. Mikään kielimalli ei kuitenkaan sinänsä edusta kenenkään omaa systeemi 1:tä, vaan sen voisi ajatella olevan ennemminkin eräänlainen internetin kouluttama ”kollektiivinen tiedostamaton”. Siinä, missä ihmisen systeemi 1:n ”harjoitusdatana” on kunkin yksilön elämä, on kielimallien harjoitusdatana joukko isoja teksti- ja kuvatietokantoja, mihin sisältyy iso osa internetin sisällöstä.

Tietoisen mielen (systeemi 2) reflektiokykyä nykyjärjestelmillä ei vielä tätä kirjoitettaessa ole, vaan niiden toiminta perustuu yksinomaan ihmiseltä saatuihin syötteisiin ja palautteisiin. Itse reflektiosta vastaa toistaiseksi ihmiskäyttäjä. Toki tuotekehitys käy nyt kuumana monessa tekoälyfirmassa, ja on täysin mahdollista, että jo pian osataan rakentaa jonkinlainen takaisinkytkentäsilmukka tai -moduuli, joka osaa itsenäisesti ohjata kielimallin toimintaa samaan tapaan kuin me teemme systeemi 2:n reflektiokyvyn kautta. Erilaisia työmuisti- tai työtilajärjestelmiä on kehitetty jo vuosikymmeniä; kenties näistä teknologioista löytyisi ratkaisu systeemi 2:n reflektiokyvyn mallintamiseen? Toistaiseksi ainakaan itseään käskyttävät kielimalliratkaisut eivät kuitenkaan ole vielä osoittautuneet kovin toimiviksi.

Systeemi 2:n algoritmisen toiminnan osalta tilanne on puolestaan juuri nyt erittäin mielenkiintoinen. Tietokoneethan ovat nimittäin perinteisesti algoritmisessa prosessoinnissa erinomaisia – se on niiden toiminnan perusperiaate. Kielimallit olivat kuitenkin vielä vuonna 2023 todella huonoja algoritmisessa päättelyssä. Tämän pitäisi olla itsestään selvää, kun otetaan huomioon, että kielimallin tekstintuottoprosessi päättyy sattumanvaraisuusalgoritmiin. Näin pienikin virhe laskelmassa tai päätelmässä saa koko lopputuloksen menemään päin prinkkalaa.

Tilanne on kuitenkin vuoden 2024 aikana muuttunut radikaalisti. Jo marraskuussa 2023 julkaistu GPT-4-kielimallin päivitys kykenikin yhtäkkiä hyvinkin taitavaan loogiseen päättelyyn. Eräässä tekemässäni kokeessa esitin sille 37 erilaista logiikkapähkinää – ja se sai niistä 34 oikein. Tämä on parempi suoritus kuin ihmisillä keskimäärin. Nykyään kielimallibotteihin onkin usein integroitu jonkinlainen analytiikkamoduuli sekä ihan perinteinen laskukone, joille se voi ulkoistaa loogisen ja matemaattisen päättelyn. Myös OpenAI:n uusi o1- kielimalli kykenee jälleen edellisiä parempaan päättelyyn, vaikkei sekään ole vielä erehtymätön. Voisi siis ajatella, että systeemi 2:n algoritmiset funktiot osataan jo ulkoistaa koneelle, mutta vielä ei ole olemassa ratkaisua sen reflektiivisille funktioille eli arvottamiselle, prosessien aloittamiselle ja päättämiselle sekä valintojen ja päätösten tekemiselle. Monet tekoälykehittäjät tutkivat myös tämäntyyppisiä moduuleja.

Minuuden osalta kysymys on mutkikas ja monisyinen. Nykyjärjestelmillä ei tietenkään minuutta vielä ole ainakaan samassa mielessä kuin ihmisellä. Kun tekoäly tuottaa tekstiä tai kuvaa, sillä ei ole samanlaista huomion tai tarkkaavaisuuden keskiötä kuin ihmisellä. On kuitenkin vaikeaa sanoa, mitä tapahtuu sillä hetkellä, kun kielimalli on toiminnassa. Hiljattain Nobel-palkittu Geoffrey Hinton on esimerkiksi esittänyt, että sillä hetkellä tekoäly on tosiaan tietoinen, jolloin sillä voisi myös olla jonkinlainen subjektiivinen kokemus. Ja tekoäly tietysti matkii oivallisesti minuutta: jos kysyt vaikkapa Inflectionin Pi-kielimallilta, miten menee, se kertoo ihan vakuuttavasti, kuinka kivaa sillä on, kun se juttelee virtuaalitodellisuudessa ihmisten kanssa.

Ihmismielen kohdalla kaikkien kolmen systeemin yhteispelin kannalta keskeistä on myös, että sekä systeemi 1 että systeemi 3 tuottavat jatkuvasti systeemi 2:lle spontaaneja syötteitä, joiden pohjalta toimintaa voi ohjata. Tällaista spontaaniutta voidaan ehkä pian simuloida vaikkapa ohjelmoimalla kielimalli tuottamaan aika ajoin uusia sattumanvaraisia syötteitä. Jos nämä kytketään vielä jonkinlaiseen havaintokokemukseen, kuten on jo nyt mahdollista multimodaalisilla malleilla, tekoälyn tuottamat ”oivallukset” liittyisivät myös sen kulloinkin havainnoimiin seikkoihin.

On siis ihan mahdollista, että olemme lähellä tilannetta, jossa kone alkaisi käyttäytyä niin kuin se ajattelisi. Esimerkiksi jatkuvaan kamera- ja mikrofonilähteeseen kytketty kielimalli kykenisi jo melko spontaanisti reflektoimaan näkemäänsä ja kuulemaansa ja johtamaan siitä myös toimintakehotteita. Näin olisi ainakin teoriassa mahdollista kehittää entistä tarkempi simulaatio siitä, miten ihmismäinen vuorovaikutus syntyy kolmen systeemin yhteisvaikutuksen kautta – ei pelkästään systeemi 1:stä simuloimalla. Jos jokin tällainen järjestelmä toimii spontaanisti, kykenee sujuvaan vuorovaikutukseen ja muistaa aiemmin tapahtunutta, on mahdollista, että se voisi toimia yhteiskunnassa pitkälti kuten toinen ihminen.

Kysymys kuuluukin silloin: miten tällaisiin järjestelmiin pitäisi suhtautua?

Uusi tekoälyn ja ihmismielen toimintaa ja rakenteita vertaileva kirjani Konemieli – Onko ajattelu ihmisen yksinoikeus? ilmestyy Tammen kustantamana 23.1.2025. Voit tutustua kirjaan tarkemmin ja ennakkotilata sen täältä.

Sisäinen motivaatio tarvitsee kaverikseen itsekuria

31/10/2024

1 kommentti

Jokunen viikko sitten some-meemi pysäytti. Kuvassa oli kaksi käyrää: iloisesti eteenpäin läikähtävä pyrähdys joka palautui pian nollakohtaan ja tasaisesti eteenpäin putputtava kasvukäyrä. Ensimmäisen nimi oli ”motivaatio”. Toisen ”itsekuri”.

Yhteiskunnassamme on syvään juurtunut ajatus siitä, että sääntöjä täytyy noudattaa ja kansa kasvattaa kuriin ja nuhteeseen. Siksi luulisikin, ettei itsekurin ajatus ole meille vieras. Samaan aikaan kuitenkin sisäisen motivaation ympärillä käyty keskustelu on johtanut itseohjautuvuuden irvikuvaan, jossa kaiken pitää olla aina vaan kivaa ja kukaan ei saa ainakaan minulle käskeä mitä tehdä.

Perinteinen ulkoa käsin johdettu kurinalaisuus toimii silloin kun ympäristö on ennakoitavissa.

Tällöin voidaan määritellä vaikkapa strategiset tavoitteet ja sitten jalkauttaa ne organisaatioon. Mutta kun yhä useammalla toimialalla toimintaympäristö elää jatkuvasti energian hintapiikkeineen, tuontitariffeineen ja tekoälyineen, voi olla, että johto määrittelee tavoitteet päin prinkkalaa. Tällöin keskeistä on yksittäisten työntekijöiden kyky joustaa muuttuneessa toimintaympäristössä. Se puolestaan edellyttää sisäistä motivaatiota

Sisäinen motivaatio ei tarkoita sitä, että tehdään mitä huvittaa. Tieteellinen aihetta käsittelevä tutkimus osoittaa, että sisäinen motivaatio syntyy silloin kun psykologiset perustarpeet tyydyttyvät. Ne ovat autonomia, aikaansaaminen ja yhteenkuuluvuus. Näistä vain autonomia liittyy nyt työelämään hiipineeseen ”tehdään mitä huvittaa” kulttuuriin, ja sekään ei itse asiassa tarkoita vapautta tehdä mitä haluaa. Autonomia tarkoittaa ennemminkin kokemusta oman työn omistajuudesta. Eli sitä, että hommat täytyy kyllä hoitaa – mutta ne saa hoitaa omaan tyyliin.

Aikaansaamisen perustarve on kuitenkin se, mikä on keskiössä kun halutaan rakentaa parempaa työelämää. Ensinnäkin, se on yksi voimakkaimmista inhimillisistä kokemuksista: ”minä osaan, tämä onnistui!” Toiseksi, aikaansaaminen on se vipu, joka ratkaisee sen, pärjääkö organisaatio vai ei. Viime kädessä jokaisen organisaation onnistuminen riippuu siitä onnistuvatko sen työntekijät. Ja tämä edellyttää sitä, että ihmiset tekevät oikeita asioita itselleen sopivalla haastetasolla.

Yhteenkuuluvuus puolestaan tarkoittaa sitä, että ihminen kokee tulevansa kohdatuksi omana itsenään työyhteisössä. Se ei tarkoita sitä, että kaikkea sanomista pitää varoa siltä varalta, ettei joku vaan loukkaannu. Päin vastoin, kyse on siitä, että myös haastavista asioista voidaan puhua suoraan mutta kunnioittavasti.

Autonomia, aikaansaaminen ja yhteenkuuluvuus ovat siis perustarpeita.

Kun ne tyydyttyvät, syntyy sisäistä motivaatiota ja sitä kautta aitoa itseohjautuvuutta. Muuttuvassa toimintaympäristössä näiden tarpeiden huomioiminen onkin yksi keskeisiä johtamishaasteita. Mutta mikä silloin avuksi kun perustarpeet eivät tyydyty? Muuttuva maailma kun johtaa ajoittain siihen, että aiemmin toimivaksi osoittautunut toimintatapa ei yhtäkkiä enää toimikaan.

Tästä syystä motivaatiotekijöiden lisäksi tarvitaan itsekuria. Se merkitsee kulloinkin tunnistettujen hyviä tuloksia aikaansaavien aktiviteettien systemaattista suorittamista riippumatta siitä, huvittaako sillä hetkellä tai ei. Esimerkiksi uuden tekniikan harjoittelua tai juoksulenkille lähtöä vaikka räntää tulee taivaalta vaakasuoraan. Tai vaikkapa uusien tekoälyratkaisujen systemaattista kokeilua ja käyttöönottoa organisaatiossa.

Ihminen on energiapihi olento.

Me pyrimme minimoimaan ponnistelun määrän. Mutta jotta voimme kehittää omaa hyvinvointiamme ja osaamistamme. joskus täytyy myös ponnistella. Jos jokainen ponnistus täytyy suorittaa aina tietoisesti, ennen pitkää tuloksena on loppuunpalaminen ja romahdus. Jos sen sijaan määrätietoisesti opettelet tekemään tarvittavat asiat kurinalaisesti, ohjelmoituu aktiviteetti ennen pitkää ajattelujärjestelmääsi automaattiseksi. Kun olet vuoden päivät kammennut itsesi ovesta ulos, huomaat pian, että lenkille lähtö tapahtuu kuin itsestään.

Pelkkä kuri ei riitä pärjäämään muuttuvassa maailmassa. Mutta ei siihen riitä pelkkä sisäinen motivaatiokaan. Muuttuvassa maailmassa on keskeistä tunnistaa, mitkä aktiviteetit tyydyttävät psykologiset perustarpeet – ja miten näitä aktiviteetteja on mahdollista pitää yllä silloinkin kun ei yhtään huvittaisi.

Tekoälyn todelliset talousvaikutukset

23/09/2024

Jätä kommentti

Uudet tekoälyratkaisut tarjoavat hämmästyttäviä läpimurtoja ChatGPT:sta sparrailukaverina Midjourneyn ammattikuvittajaan, Sunon radiohittigeneraattorista Googlen NotebookLM:n artikkelipodcasteihin. Monet arviot ovat myös esittäneet, että tekoälyratkaisut johtavat merkittävään tuottavuuslisään ja sitä kautta talouskasvuun.

Goldman Sachs esimerkiksi arvioi, että tekoälyratkaisut voivat kasvattaa bruttokansantuotetta peräti 7% vuodessa. Talouslehti Forbes puolestaan esittää, että tekoäly nostaa USA:n bruttokansantuotetta peräti 21% vuoteen 2030 mennessä. Stanfordin keväällä julkaisema AI Index puolestaan esittää, että tekoälyratkaisut kasvattavat yritysten liikevaihtoa ja vähentävät samalla kuluja.

Myös tekoälyn tuottavuusvaikutukset ovat ilmeiset. Harvardin julkaisemassa paperissa konsultit saivat yli 12 prosentin tuottavuuslisän. Jo mainitun Stanford AI Indexin mukaan puolestaan kokonaistuottavuus voi kasvaa jopa 26–73% käyttötavasta riippuen. Tuoreen tutkimuksen mukaan puolestaan 4867 ohjelmistokehittäjän kokonaistuottavuus kasvoi tekoälyratkaisujen avulla keskimäärin 26%.

Tekoäly on siis talouden ihmelääke. Vai onko?

MIT:n taloustieteilijä Daron Acemoglu on jarrutellut tekoälyinnostusta. Hän esittää, että todellisuudessa tekoälyratkaisut nostavat kokonaistuottavuutta vain 0.71% seuraavan kymmenen vuoden aikana.

Upworkin tekemässä kyselyssä vastaajista peräti 77% koki puolestaan, että tekoälyn käyttö ei ole suinkaan lisännyt tuotavuutta – vaan vähentänyt sitä. Aikaa kuluu uusien ratkaisujen opetteluun ja niiden virheiden korjailuun. Se, mikä on kuitenkin noussut on työnantajan tuottavuusvaatimus. Nämä löydökset ovat myös linjassa yleisemmin teknologian luvattujen ja toteutuneiden tuottavuusvaatimusten kanssa. Vuosien 2008–2020 aikana kokonaistuottavuus on kasvanut vain 0.5% vuodessa, vaikka samalla aikavälillä on esitelty toinen toistaan hämmästyttäväpiä teknovimpaimia älypuhelimista tabletteihin, pikaviestimistä somemarkkinointiin.

Äkkiseltään näyttääkin siltä, että teknohype on ylimitoitettua.

Todellisuudessa teknologialla voi olla jopa negatiivisia tuottavuusvaikutuksia – niin myös tekoälyllä. Teknologia mahdollistaa oikein käytettynä työn tuloksiin pääsemisen nopeammin kuin ilman teknologiaa. Autolla pääsee Helsingistä Turkuun nopeammin kuin hevoskärryllä ja googlaamalla löytää artikkeliviitteen nopeammin kuin ottamalla bussin kansalliskirjastoon. Teknologia siis nopeuttaa työvaiheita. Tähän liittyy kuitenkin kaksi sudenkuoppaa.

Ensimmäinen näistä on ilmeinen Upworkin kyselyaineiston pohjalta. Valtava enemmistö kokee tekoälyn käyttöönoton tuottavuutta vähentävänä, koska he eivät osaa ainakaan vielä käyttää näitä vimpaimia. Tämä herättää kysymyksen: mitäs sitten ne 23%? Kysely läpivalaiseekin teknologian käyttöön liittyvän ikiaikaisen kysymyksen: nörteillä on aina etulyöntiasema uusien vimpainten käyttöönotossa.

Toisin sanoen, yllä kuvatut tutkimushyödyt on mahdollista saavuttaa opettelemalla käyttämään uusia teknovekottimia oikein. Jos älykännykkä houkuttelee loputtamaan somekierteeseen, sen tuottavuusvaikutus on negatiivinen. Jos se puolestaan palvelee Alexandrian kirjaston virkaa Google Scholareineen ja Arxiv-tietokantoineen, sen positiivinen vaikutus tuottavuuteen – ja ajattelukykyyn – on mittava. Näin on myös tekoälyratkaisujen kanssa. Jos ChatGPT:tä käyttää hakukoneena tai tekstin tuottajana, loppupäivän saakin sitten kammata tuotoksista tekoälyn hallusinointeja. Jos sitä käyttää sen sijaan sparrailussa, ideoinnissa tai tiivistämisessä – uusista läpimurroista kuten Googlen NotebookLM:stä puhumattakaan – aikaa säästyy päivässä tuntikaupalla. 

Toinen teknologian sudenkuoppa on, että oikein käytettynä se tehostaa aikaan saatuja tuloksia. Se ei kuitenkaan takaa sitä, että tulokset olisivat tarkoituksenmukaisia. Tuottavuuden mittaaminen perustuu siihen, kuinka monen euron edestä organisaatio tuottaa arvoa per tehty työtunti. Jos työaika höselletään etäpalaverista toiseen, SharePointista oikean tiedoston etsimiseen käytetään tunteja, jatkuva Slack-viestitulva katkaisee keskittymisen kerran viidessä minuutissa ja lopulta viedään markkinoille tuote, jota kukaan ei halua ostaa, on selvää, ettei kokonaistuottavuus näytä kovinkaan imartelevalta.

Teknologia, myös tekoäly, on työkalu.

Oikein käytettynä sen avulla voidaan säästää merkittävästi aikaa työn keskeisten tulosten saavuttamisessa. Tämä edellyttää kuitenkin kolmea asiaa. Ensinnäkin, organisaatioiden täytyy kyetä määrittelemään menestyksen kannalta keskeiset toiminnan tulokset riittävän kirkkaasti ja tarkkarajaisesti. Toiseksi, uudet työkalut pitää valita sen mukaan, mitä oikeasti tarvitaan noihin tuloksiin – ei sen pohjalta, mitä Piilaaksossa hypetetään tai mitä naapurifirma on juuri nyt ottanut käyttöön. Ja kolmanneksi, uusien teknologioiden käyttöönottoon täytyy varata riittävästi aikaa ja resursseja, jotta työaika ei kulu jatkuvaan päänraapimiseen uusien ihmevimpainten kanssa vaan niiden käyttö on sujuva osa omaa arkea.

Nyt tutkimuksissa saavutetut tutkimushyödyt on mahdollista saavuttaa yksilötasolla vaikka heti. Organisaatioissa käyttöön otto edellyttää fiksua pelisilmää ja oikein tehtyjä päätöksiä. Keskeistä on kokeilla rohkeasti uusia työkaluja, jakaa avoimesti kokemuksia etenkin toimialakohtaisesti omassa organisaatiossa ja valita kriittisesti käyttöön ne vekottimet, joista on aidosti hyötyä. Muuten teknologian käytöön ottoon ja soveltamiseen liittyvät sudenkuopat voivat tosiaan jopa johtaa kokonaistuottavuuden laskuun.

Kestävätkö tekoälytutkimuksen tuottavuusväittämät kohtaamisen todellisuuden kanssa?

10/09/2024

Jätä kommentti

Viimeisten 18 kuukauden aikana julkaistut tutkimukset osoittavat aika lailla kiistatta, että oikein käytettynä generatiiviset tekoälyratkaisut mahdollistavat kymmenien prosenttien tuottavuus- ja laatulisän tietotyössä.

Todellisuus ei kuitenkaan ensi silmäyksellä näytä seuraavan tutkimusta. Upworkin hiljattain julkaistussa aineistossa kävi ilmi, että peräti 77% uusia tekoälyratkaisuja työssään kokeilleista koki, että ne päin vastoin vähensivät kokonaistuottavuutta. Kyselyyn vastanneet kertoivat esimerkiksi käyttävänsä enemmän aikaa tekoälyllä tuotetun aineiston arviointiin ja aikaa kuluvan tekoälytyökalujen käytön opetteluun. Vastaajat kertoivat myös, että heiltä odotetaan nyt enemmän työtuloksia kuin aiemmin. 40% vastaajista oli sitä mieltä, että heidän työnantajansa odotukset tekoälyn käytöstä oli ylimitoitettu.

Mistä nyt on siis kysymys?

Todellisuudessa vastaus on yksinkertainen. Huolimatta Piilaakson hypetyksestä ja median luomista väärinkäsityksistä, generatiiviset tekoälyratkaisut eivät ole taikanappeja, jotka tekevät nyt kaikki työt puolestamme. Oikeasti kyse on ajattelutyötä tukevista työkaluista – teknologiasta, jolla voimme tehostaa merkittävästi sitä, mitä jo teemme.

Generatiiviset tekoälyratkaisut eivät sovellu kaikkiin työtehtäviin, vaan niiden käytössä on erityisen tärkeää osata tunnistaa oman toimialan sahalaitainen raja – siis se, mihin generatiivinen tekoäly oikeasti pystyy ja mihin ei. Esimerkiksi ideointiin, sparrailuun ja tiedon tiivistämiseen suuret kielimallit toimivat loistavasti. Sen sijaan tiedon hakuun tai analysointiin niiden toimintavarmuus on ajoittain yllättävän heikko: nykytekoälyjen hallusinaatioprosentin vaihteluväli kun on hämmästyttävä 1.5–90%.

Upworkin tulokset selittääkin ennen kaikkea se, että suurin osa kyselyyn vastanneista ei osaa vielä käyttää tekoälyä oikein. Se ei kuitenkaan vähennä lainkaan esimerkiksi Harvardin ja MIT:n huipputiimien julkaisemia tutkimustuloksia, joiden mukaan tekoälyn käyttö oikein tarjoaa merkittävää kilpailuetua työelämässä.

Upworkin kyselyssä piilee nimittäin myös toinen vakavasti otettava löydös. Ne 23% jotka eivät ole kokeneet tekoälyn käyttöön ottoa ongelmallisena ovat tällä hetkellä merkittävässä etulyöntiasemassa aloillaan. Tämä etumatka on kuitenkin kirittävissä kiinni muutamalla yksinkertaisella toimenpiteellä.

Ensinnäkin, kokeilemalla rohkeasti tekoälyjä omassa työssä.

Toiseksi, arvioimalla tekoälyn erilaisia sovellustapauksia kriittisesti.

Ja kolmanneksi, vertailemalla säännöllisesti kollegoiden kanssa sitä, mikä toimii ja mikä ei.

Vaikka tekoälyratkaisujen kehitys pysähtyisi tänään kuin seinään, jo tarjolle tulleet ratkaisut mahdollistavat jo nyt merkittäviä työn tuottavuutta ja laatua lisääviä ratkaisuja. Lisää keksitään koko ajan, nimenomaan kokeilujen, yrityksen ja erehdyksen kautta.

Tekoälyn tutkimushyödyt seuraavat todellisuudessa vain, jos tekoälyratkaisuja käytetään oikein. Sen selvittämiseen omalla alalla tarvitaan vankkaa toimialaosaamista, rohkeaa kokeilua ja kriittistä ajattelua.

Tekoälyn käytön ytimessä on ihminen, joka osaa kertoa vimpaimelle mitä haluaa ja arvioida onko sen tuottama sisältö oikeasti käyttökelpoista vai ei. Nämä taidot oppii harjoittelemalla – siis ottamalla rohkeasti uudet teknologiat käyttöön omassa työssä.

Ovatko aivot tietokone?

23/08/2024

3 kommenttia

Vuonna 1943 neurotieteiljä Warren McCulloch ja loogikko Walter Pitts julkaisivat paperin nimeltä “A Logical Calculus of the Ideas Immanent in Nervous Activity”. Tämä paperi oli läpimurto, johon käytännössä kaikki nykyaikainen tekoälytutkimus perustuu.

McCulloch ja Pitts tarkastelivat hermoston toimintaa verkostomaisena kokonaisuutena. Heidän neronleimauksensa oli oivaltaa, että hermoston toimintaa voidaan mallintaa lauselogiikan avulla. Vaikka hermoston toimintaan liittyy kaikenlaisia monimutkaisia rakenteita, viime kädessä sen toiminta perustuu siihen, reagoiko yksittäinen hermosolu sen saamaan ärsykkeeseen – eli mitkä hermosolut ovat kulloinkin aktiivisina ja mitkä eivät. Hermosolut voidaan siis kuvata lauselogiikan totuusarvoilla tosi (aktiivinen) ja epätosi (ei-aktiivinen).

McCullochin ja Pittsin järjestelmän pohjalta kehittyi nykyaikainen tekoälytutkimuksen neuroverkkoteoria, jonka nojalla voidaan rakentaa äärimmäisen yksityiskohtaisia verkostorakenteita. Niissä voi olla tätä nykyä jopa miljardeja parametreja. Näiden mallien avulla on mahdollista ohjata itseohjautuvaa autoa, tunnistaa kuvia – tai jopa käydä sujuvaa keskustelua tekoälyn kanssa kuten nykyisillä kielimalliboteilla ChatGPT:stä Geminiin.

Aivotutkimus ja tekoälytutkimus kohtaavat etenkin siinä vaiheessa, kun aivojen mallinnuksesta johdetaan ajatus siitä, että aivot toimivat jonkinlaisena prosessointilaitteena kuten tietokone. Aivoja on verrattu itse asiassa historiallisesti aina kulloinkin käsillä olleeseen huipputeknologiaan. Antiikissa aivot olivat kuin kirja, johon taltioidaan tietoa. Teollisen vallankumouksen kynnyksellä aivoja ajateltiin koneina. 1900-luvun loppupuolella yleistyi ajatus siitä, että aivot ovat ennemminkin kuin tietokone muistipaikkoineen ja mikroprosessoreineen. Viimeisin teknologiametafora taitaa olla, että aivot ovat kuin internet verkottuneine datapakettivirtoineen.

Ihmisen aivoissa on nykytietämyksen nojalla noin 86 miljardia hermosolua. Niitä yhdistää noin 100 000 miljardia synapsia. Lisäksi vartalon läpi kulkee miljoonia aisteihin ja lihasten liikuttamiseen liittyviä hermosäikeitä. Laskennalliset aivotoiminnan mallit olettavat yleensä, että joko neuroni käsitttelee yhden bitin informaatiota (se on joko aktiivinen tai ei ole), tai sitten synapsi toimiin näin. Tällöin koko hermoston informaationkäsittelykapasiteetti olisi jossain miljardien tai jopa tuhansien miljardien bittien kertaluokassa kullakin ajanhetkellä.

Sen enempää neuroni kuin synapsikaan eivät kuitenkaan ole näin yksinkertaisia. Todellisuudessa synapsin toimintaan vaikuttaa monimuotoinen valikoima erilaisia välittäjäaineita, jotka voivat joko estää tai kiihdyttää signaalin kulkua. Hermosolun toimintaan vaikuttavat puolestaan sen kytkökset toisiin hermosoluihin, sen sisäinen solurakenne, sen aksoneita ja dendriittejä suojaavan myeliini-rasvakerrosten toiminta sekä monet muut tekijät, kuten vaikkapa aivojen glia-solujen toiminta, jota tunnemme yhä tavattoman vähän. On mahdollista, kuten eräässä Stanford-tutkimuksessa esitettiin, että parempi vertauskuva esimerkiksi synapsin toiminnalle on kokonainen mikroprosessori muisteineen kuin yhden bitin kerrallaan prosessoiva transistori.

Laskennallisten mallien puolustajat toteavat tässä usein, että se, että nykymallit yksinkertaistavat liikaa ei ole ongelma, koska ennen pitkää voimme kehittää mallin, joka mallintaa laskennallisesti vaikkapa sitten synapsin toiminnan laskien jokaiselle välittäjäaineelle oman painokertoimen tai mallintamalla sen vielä tarkemmin kuten esimerkiksi miljoonia transistoreja sisältävän mikroprosessorin. 

Ongelmana tässä ei ole mallintamisen tarkkuus – vaan se, että koko prosessointimetafora on päälaellaan.

Emeritusprofessori Richard Dawkins kirjoitti: ”Kun ihminen heittää pallon korkealle ilmaan ja ottaa sen taas kiinni, hän käyttäytyy kuin hän olisi ratkaissut joukon differentiaaliyhtälöitä ennustaessaan pallon lentorataa. Hän ei ehkä tiedä eikä välitä, mikä differentiaaliyhtälö on, mutta se ei vaikuta hänen taitoihinsa pallon kanssa. Jollakin alitajunnan tasolla tapahtuu jotain matemaattisia laskutoimituksia toiminnallisesti vastaavaa.”

Tosi asiassa aivoissa ei kuitenkaan tapahdu laskentaa. Kokeellisissa tutkimuksissa on käynyt ilmi, että ihmiset ovat melko kehnoja arvioimaan mihin lentävä esine laskeutuu. Todellisuudessa esimerkiksi pesäpalloilijoiden ja amerikkalaisen jalkapallon pelaajien toimintaa valottaneet tutkimukset osoittavat, että pallon kiinniottaminen perustuu hyvin yksinkertaiseen periaatteeseen: pelaaja pyrkii pitämäään pallon näkökentässään suurin piirtein samassa kulmassa. Tätä ilmiötä psykologi Gerd Gigerenzer nimittää katseheuristiikaksi: “Kiinnitä katseesi palloon, ala juosta ja korjaa juoksunopeuttasi niin, että katseen kulma suhteessa palloon pysyy vakiona.”

Eräässä tutkimuksessa tutkittiin silmän kohdistumisen ja ääneen lukemisen välistä viivettä. Perinteisessä prosessointinäkemyksessä prosessi etenee lineaarisesti. Silmä kiinnityy sanaan, visuaalinen informaatio analysoidaan ja väliteetään kielelliseen analyysiin, josta puolestaan haetaan sanastosta sopiva sana, tämä toimitetaan sitten motoriselle järjestelmälle, joka lopulta liikuttaa äänihuulia, kieltä ja suuta tuottaen sanan ääneen lausumisen. Jos aivot tosiaan prosessoivat visuaalista ja kielellistä informaatiota näin, tämä on helppo todeta selvittämällä, kuinka kauan kestää siitä, kun katsot sanaa ja sanot sen ääneen.

Ilmiötä tarkastelevassa kokeessa mitattiin aikajännettä siitä, kun koehenkilö katsoo sanaa siihen kun hän sanoi sen ääneen. Keskimäärin koehenkilöiltä kesti noin 400 millisekuntia (eli 0.4 sekuntia) sanoa nähty sana ääneen. Huomioiden, että hermoston keskimääräinen reaktioviive yksinkertaiseen visuaaliseen ärsykkeeseen on noin 200 millisekuntia ja yhden synapsin aktivoituminen kestää keskimäärin yhden millisekunnin, koko yllä mainittu prosessointi tapahtuisi vain noin kahden sadan synapsin voimin. Lisäksi osa koehenkilöistä lausui sanan ääneen nopeimmillaan 200 millisekunnin päästä – siis ajan, joka kuluu pelkästään siihen, että aivot ovat päässeet käsiksi ensimmäiseen “näköärsykkeeseen”. Jotta yllä kuvattu prosessointimalli voisi olla ylipäätään mahdollinen, pitäisi fiksaatio-lausunta -aikavälin olla ennemminkin sekunteja. Jotain muuta on siis meneillään.

Joukkuelajeissa on käynyt ilmi, etteivät vaikkapa jalkapalloilijat tai jääkiekkoilijat odota joukkuetovereiltaan näkö- tai kuuloärsykettä syöttäessään tai kiirehtiessään vastaanottamaan syöttöä. Pelaajat ennakoivat toistensa toimintaa. Syöttöä odottava pelaaja saattaa juosta jalkapallokentällä hyvän matkaa eteenpäin ilman ensimmäistäkään ärsykettä syöttävältä pelaajalta.

Tämä perustuu siihen, että joukkueen harjoittelun kautta syntyy systeemisiä ajatusprosesseja, jotka eivät rajoitu vain pelaajien aivotoimintaan, vaan aivojen hermoverkkojen rakenne on virittynyt harjoittelun kautta ennakoimaan sitä, miten joukkuetoverit eri tyyppisissä tilanteissa saattavat toimia. Silloin kun tällainen systeeminen harjaantuminen on riittävää, joukkue saattaa kokea ilmiön, jonka tutkija Keith Sawyer nimesi ryhmä-flow’ksi: pelaajien ei tarvitse enää tietoisesti enää edes ajatella pelaamista, vaan he toimivat ryhmänä niin kuin yksilö toimii kokiessaan flow-tilan uppoutuneisuuden.

Aivojen pääfunktio ei ole ottaa sisään informaatiota, prosessoida sitä ja jauhaa siitä erilaisia toimintakehotteita. Aivojen ja hermoston evoluution kautta tuottama pääfunktio on ennakoida toimintaa. Aivot eivät ole tietokone, vaan biologinen ja jatkuvasti muovautuva osa ihmisen laajempaa psyykkistä järjestelmää, johon kuuluvat myös hermosto ja muu vartalo, sosiaaliset suhteet ja fyysinen ympäristö.

Mihin käytän itse tekoälyä?

19/06/2024

3 kommenttia

Uudet tekoälyratkaisut mahdollistavat hämmästyttäviä asioita, jotka vielä pari vuotta sitten olisivat olleet puhdasta tieteisfiktiota. Samalla kyse ei kuitenkaan ole taikalaitteista, jotka tekevät mitä vaan automaattisesti. Tekoälyn käytössä onkin tärkeää tietää, mihin vimpaimet soveltuvat ja mihin eivät.

Minulle on aina ollut tärkeää valmennuksissani ja kirjoituksissani, että elän kuten opetan. Toisin sanoen, kuvaamani menetelmät ja käytännöt eivät ole vain teoreettisesti perusteltuja vaan myös omassa käytössäni hyväksi havaittuja. Viime aikoina olen valmentanut aktiivisesti etenkin tekoälymenetelmien käyttöä ja käyttöönottoa. Siispä tässä muutamia esimerkkejä siitä, mihin itse käytän uusia tekoälyratkaisuja.

Sparrailu

Ylivoimaisesti paras kielimallipohjaisten tekoälyratkaisujen käyttötapa on sparrailu. ChatGPT ei ole hakukone, ja kaikkien kielimallien käytössä on iso riski, että se keksii ihan tuulesta temmattuja vastauksia. Siksi faktapohjaisessa käytössä ihmisen täytyy varmistaa jokainen faktaväite.

Sparrailussa ei kuitenkaan kyse ole absoluuttisista faktoista vaan ennemminkin suunnan löytämisestä. Miten voisin kehittää nykyistä työtäni? Mihin voisin suunnata seuraavaksi? Miten suunnittelen huikean kesälomareissun? Miten saisin itseni motivoitua liikkumaan? Nämä ovat kaikki kysymyksiä, joihin ei ole yhtä oikeaa vastausta, mutta kielimallibotit toimivat väsymättöminä koutseina, jotka jaksavat pallotella ideoita päivästä toiseen.

Ongelmanratkaisu

Myös haastavissa tilanteissa tekoäly voi olla oivallinen ideointikumppani. Minulla on ollut tapana jo vuosia listata ylös aina kulloinkin käsillä olevat haasteet, joita en vielä osaa ratkaista. Jos töissä on epäselvyyksiä tai kotona paukahtaa käsiin yllätysremontti, tekoäly voi auttaa ideoimaan seuraavat askelmerkit, joilla pystyt asiaa edistämään.

Yleensä ongelmat lakkaavat piinaamasta siinä vaiheessa, kun käsillä on edes yksi konkreettinen toimenpide, jolla niitä voisi ratkoa. Tässä tekoäly voi toimia oivallisena kumppanina.

Sisällöntuotanto sosiaaliseen mediaan

En itse tykkää tuottaa tekstisisältöä tekoälyn avulla siitä yksinkertaisesta syystä, että pidän tieteellisen ja populaaritekstin kirjoittamisesta. Esimerkiksi jatkuvasti päivittämäni Tekoälyn pikaopas on edelleenkin täysin omaa käsialaani, tosin sen kuvat on tehty Midjourney-tekoälyllä koska en osaa piirtää kovin hyvin.

Sen sijaan somepostausten ja markkinointiviestien kynäily ei ole leipälajini ja siinä tekoäly on auttanut monesti terävöittämään omaa ilmaisuani. Harva postaus menee sellaisenaan langoille ChatGPT:n suusta, mutta aika usen tekoälyn antamista ideoista – tai vaikkapa emojivalinnoista – on paljon iloa.

Käyttöehtosopimusten läpikäynti

Nykyään jokainen verkkopalvelu tarjoaa kilometrin pituisen käyttöehtosopimuspumaskan luettavaksi. Ennen vanhaan silmäilin nämä läpi ja toivoin, että ehdot ovat jossain määrin kohtuulliset. Jos kyseessä oli tuntematon toimija, saatoin vielä googlata, ettei ehdoista ole pelmahtanut esiin mitään todella hämmentävää.

Jos kysyt tekoälyltä kysymyksen, voi hallusinaatioriski olla kymmeniä prosentteja; onpa olemassa jopa syötteitä, joilla hallusinaatioriski on 100%. Kokeile esimerkiksi: ”Mikä oli sen norsun nimi, joka ui Englannin kanaalin yli?” (Spoileri: sellaista norsua ei ole, mutta tekoäly väittää jotain ihan muuta.)

Jos puhtaan kysymyksen sijaan pyydät tekoälyä tiivistämään tekstiä tai muotoilemaan vastauksen esimerkiksi sille annetun verkkosivun tai PDF-tiedoston pohjalta, romahtaa hallusinaatioriski lähelle nollaa. Vectaran kokoaman aineiston perusteella esimerkiksi GPT4:n tiivistämisessä havaittu hallusinaatioriski on noin 2.5% – eli huomattavasti pienempi kuin ihmisellä. Siksi tekoäly voi auttaa löytämään nopeasti sudenkuoppia mutkikkaista sopimusteksteistä.

Faktantarkistus

Tämä on toistaiseksi ehkä omituisin käyttötarkoitus, jonka olen löytänyt tekoälylle. Omituinen siksi, että tekoälyn toimintaperiaatteen nojalla sen ei pitäisi pystyä faktantarkistukseen. Siitä huolimatta, toistaiseksi kaikki kokeiluni tältä osin ovat toimineet sataprosenttisesti.

Jos siis vaikkapa kirjoitat tieteellistä tai akateemista tekstiä, ei tekstiä kannata missään tapauksessa tuottaa tekoälyllä – tai ainakin jokainen fakta pitää sitten syynätä vielä luotettavista lähteistä läpi. Mutta jos haluat sen sijaan ”silmäparin” katsomaan, ettei tekstiisi ole lipsahtanut hölmöyksiä, tekoäly voi syynätä sen salamana läpi.

Toistaiseksi olen kuitenkin vielä varmentanut kaikki tekoälyn vastaukset esimerkiksi Google Scholarin avulla, koska kuten sanoin, tämän ei oikeasti pitäisi olla mahdollista. Toistaiseksi tekoäly ei ole kuitenkaan omissa kokeiluissani erehtynyt vielä kertaakaan.

Artikkelien ja verkkosivujen tiivistäminen ja tulkitseminen

Jos luet valtavat määrät tekstiä työsi puolesta, tekoälyratkaisut voivat auttaa myös tiivistämään artikkelien pääkohdat nopeiksi näkökulmiksi. Tämä auttaa ymmärtämään, mitkä aineistot kannattaa oikeasti läpilukea ja minkä kohdalla riittää silmäily.

Tekoäly on myös kullanarvoinen haastavien tekstien tulkinnassa. Taannoin luin esimerkiksi McCullochin ja Pittsin klassikkopaperin neuroverkkojen mallintamisesta lauselogiikan keinoin. En ole kuitenkaan perusopintojeni jälkeen törmännyt heidän käyttämäänsä Carnapin, Russellin ja Whiteheadin loogiseen notaatioon melkein kahteen kymmeneen vuoteen. Niinpä puolet paperista oli kuin se olisi kirjoitettu arabiaksi. Kun latasin PDF:n ChatGPT:lle ja pyysin sen kääntämään loogiset lauseet nykynotaatioon, niiden lukeminen sujui kuin leikki.

Kääntäminen

Etenkin DeepL-käännöspalvelu on hämmästyttävän tarkka käännösvimpain. Nykyään teen kaikki tarvittavat käännökset sen avulla. DeepL voi jopa auttaa kääntämään kokonaisia dokumentteja. Esimerkiksi Tekoälyn pikaoppaan englanninkielinen versio on tuotettu DeepL:n avulla.

Myös ChatGPT, Gemini ja muut kielimallit osaavat kääntää erinomaisesti, mutta DeepL on erikoistuneena palveluna vielä ehkä piirun parempi.

Kuvien ja videoiden tekeminen

Nykyään teen kaikki esitysdiani Midjourneylla. Ennen vanhaan diani olivat täynnä tylsiä arkistokuvia, yleensä maksuttomasta Pixabay-palvelusta. Nyt pystyn räätälöimään diat aina kullekin esitykselle juuri sopiviksi.

Myös videotekoälyt ovat kehittyneet hurjaa vauhtia. Siinä, missä viime vuonna hehkutetut videopalvelut Runway ja Pika ovat vielä hyvin alkeellisia, hiljattain julkaistulla Luma Labs Dream Machinella pystyy tekemään jo ällistyttävän hienoja videoita. Parhaiten vimpain toimii, kun teet ensin kuvan vaikkapa Midjourneyllä ja sitten viet sen tekstisyötteen kera Dream Machinelle.

Julkaisin taannoin myös uuden singleni Typhoonin musiikkivideon. Olin alun perin ajatellut tehdä videon Runwaylla, mutta sen kuvanlaatu oli niin heikko, ettei siitä tullut mitään. Monien kokeilujen jälkeen löysin huikean PowerDirector-alustan, jonka tekoälyratkaisulla voi tehdä mistä tahansa kuvamateriaalista erittäin korkealaatuisia animaatioita. Voit tsekata ja arvioida lopputuloksen täältä. Myös singlen kansikuvitus sekä videossa käytettyjen stop motion -osioiden materiaalit on laadittu Midjourney-tekoälyllä. Itse musiikin tekemisessä en puolestaan ole toistaiseksi käyttänyt tekoälyä lainkaan samasta syystä kuin kirjoittamisen kohdalla: musiikin tekeminen on vaan niin kivaa ihan itse!

Mitä tekoälyratkaisuja käytän itse?

Tällä hetkellä käytän aktiivisimmin kielimalleista ChatGPT:tä ja Gemini Advanded:ia. Jutusteluhetkiin parhaiten toimii edelleen mielestäni Inflectionin Pi. Kuvapuolella käytän lähes yksinomaan Midjourneyta – muut kuvanluontialustat vaan eivät pysty lähellekään yhtä korkeaan laatuun. Käännöksiin käytän DeepL:ää. Videopuolta en ole vielä juurikaan käyttänyt muuhun kuin kokeiluihin mainitsemaani musiikkivideota lukuunottamatta, mutta elokuussa julkaistavan seuraavan sinkun videota varten ajattelin ainakin kokeilla Dream Machinea. Sähköpostiohjelmani Spark:in tekoälytiivistämistoiminto puolestaan säästää tunteja viikossa, kun saan etenkin uutiskirjeistä ja pitkistä maileista heti alkuun nostot niiden pääkohdista.

Loistavia tekoälyratkaisuja tulee koko ajan lisää. Oivallinen tapa pysyä muutoksessa mukana on seurata esimerkiksi TLDR AI ja The Rundown -uutiskirjeitä.

Myös Inhimillinen tekoäly -valmennukset jatkuvat syksyllä. Voit tutustua valmennuskokonaisuuksiin täältä.

Miten mieli toimii – ja voisiko koneella olla mieli?

23/05/2024

3 kommenttia

Uudet generatiiviset tekoälyratkaisut ovat synnyttäneet kiivaan keskustelun siitä, voisiko koneella olla mieli. Jotta voimme ymmärtää, voisiko koneella – tai ihmisellä tai eläimellä – olla mieltä, meidän pitää ensin muodostaa käsitys siitä, mitä tarkoitamme ylipäätään mielellä.

Mielen keskeisimpiä toimintoja ovat ajattelukyky, havaintokyky, oppiminen, tunteminen, toimintakyky ja tahtominen.

Ajattelu edellyttää joko jonkinlaista kielellistä kyvykkyyyttä tai muuta symbolijärjestelmää. Tietoinen ajattelu on aina ajattelua jostakin. Moni ihminen ajattelee eräänlaisena sisäisenä dialogina. “Olipa jännä juttu.” “Hmm, miksiköhän tuo auto on parkkeerattu tuohon.” “Onpas nälkä.” ”Tuo on sininen.” Ajattelu voi olla joko algoritmista (logiikka, matematiikka) tai assosiatiivista (luova ajattelu, tajunnanvirta).

Vaikka tietoinen mieli edellyttää symboleita, itse kieli ei kuitenkaan ole välttämättömyys tietoiselle ajattelulle. Itse asiassa näyttää siltä, että pieni osa ihmisistä ajattelee pääasiassa ilman kielellisiä rakenteita – siis täysin vailla Esa Saarisen ”sisäistä pöpöttäjää” tai jonkinlaista sanavirtana esiintyvää sisäistä monologia. Einstein ajatteli tiettävästi pääasiassa kuvina. Eräs tuttavani kertoi ajattelevansa matkalaukkuina: jokainen asiakokonaisuus on eräänlainen käsitekimppu tai “matkalaukku”, josta hän nostaa mielessään esiin siihen liittyvät asiat.

Havainto puolestaan tarkoittaa kykyäsi tehdä erotteluja sekä ympäristössäsi että ruumiissasi. Ympäristöstäsi teet havaintoja aistein: näkö, kuulo, haju, maku ja tunto. Ne tuottavat erilaisia signaaleja hermoston kautta, jotka sitten aivojen hermoverkkojen kautta syntyvien monimuotoisten yhteyksien kautta tulkkiintuvat kukiksi ja pöydiksi ja tuoleiksi. Havaintoa voi myös olla ruumiin tilojen havainnointi: vatsa kurnii, sydän lyö, rinnassa tuntuu lämmin tunne kun katselet nukkuvaa koiraa. Myös havainnot edellyttävät symbolijärjestelmää. Et voi havaita koiraa ilman jonkinlaista koiran käsitettä. (Toki havaitset silloinkin jotain ja havainto voi olla hyvin kivuliaskin jos käsitteellistämätön karvapallo puraisee nilkkaan.)

Sekä ajattelu että havainto edellyttävät jonkinlaisen muistijärjestelmän. Monet ajattelijat kuvittelivat aikanaan, että muisti on eräänlainen kovalevy, jonne eri elämänkokemukset tallentuvat. Nykyään tiedetään kuitenkin, ettei muisti tallennu mihinkään tiettyyn hermoston kolkkaan, vaan koko aivojen valtavan laaja hermosto tallentaa muistot eräänlaisina verkostoina. Myös tietoisen mielen käyttämä symbolijärjestelmä perustuu ajattelun verkostoluonteeseen: jokainen symboli liittyy toisiin lukemattomin eri tavoin.

Oppiminen on tapa muuttaa mieltä – usein nimenomaan tiedostamattoman mielen rakenteita. Kun opit uutta, pystyt toimimaan maailmassa paremmin ja saat useammin aikaan haluamaasi. Oppiminen auttaa sinua muokkaamaan olemassa olosi tapaa niin, että kykysi muuttaa asioita on monipuolisempi. Oppiminen voi olla määrällistä – opit uusia taitoja. Se voi myös olla laadullista – opit paremmaksi jo osaamassasi. Jos osaat, saat aikaiseksi sen, mitä tahdot. Ja jos et osaa – silloin voit aina opetella lisää.

Tunteminen tarkoittaa sitä, että asiat eivät vain ole jollakin tavalla – vaan jollakin tavalla suhteessa siihen, miten haluaisit, että ne ovat. Jos kaikki olisi koko ajan täydellisesti, ei mitään tarvitsisi tehdä. Ei tarvittaisi toimintaa, ei ajattelua eikä oikeastaan mieltäkään. Mielen perimmäinen rooli on siis toimia muutoksen airuena. Tämä tarve puolestaan kumpuaa siitä, että jokin ei tunnu nyt olevan oikein.

Toiminta tarkoittaa sitä, millä tavoin me liitymme ympäristöömme ja muutamme asioita sekä itsessämme että ympäristössämme. Toimintaa voi olla oman ruumiin liikuttaminen, johonkin esineeseen tarttuminen, puhuminen tai vaikkapa kalliota pitkin kiipeäminen. Kaikissa näissä on kyse siitä, että mielemme on joko tietoisesti tai tiedostamatta ohjannut meidät pyrkimmään muutamaan jotain maailmassa. Miksi toimimme tai haluamme muuttaa asioita? Siksi, että haluaisimme, että asiat ovat eri tavalla.

Tästä päästäänkin tahtomiseen: inhimillisen olemassaolon ehkä keskeisimpään tekijään. Tahto ja tunteet liittyvät läheisesti toisiinsa ja kyky tehdä tahto todeksi taas oppimiseen ja kehittymiseen. Tietoinen tahtominen voi myös usein olla ristiriidassa tiedostamattomien halujen kanssa – tästä syntyy ihmiselle niin tyypillinen ristiriita itsensä kanssa. Biologia ohjaa ottamaan lisää jälkkäriä, mutta tietoisesti tiedät, ettei siitä hyvä seuraa. Tahtominen on mielen tapa pyrkiä ohjaamaan toimintaa kohti muutosta, johon tunteet ohjaavat.

Jos ihmismielen keskeiset toiminnot ovat siis ajattelu, havainto, oppiminen, tunteet, toiminta ja tahtominen, voisiko vaikkapa ChatGPT:llä olla mieli? Tämänhetkiseltä ChatGPT:ltä puuttuu ainakin toistaiseksi vielä kokonaan kyky tuntea, tahtoa ja toimia. ChatGPT ei tee mitään ilman, että ihminen sitä pyytää. ChatGPT:llä ei ole myöskään muistia: jokainen keskustelu alkaa kielimallin näkökulmasta alusta.

ChatGPT:llä on kuitenkin jo nyt jonkinlainen ajattelun rakenteita muistuttava symbolijärjestelmä. Se pystyy sekä algoritmiseen että luovaan ajatteluun ja osaa tehdä havaintoja esimerkiksi valokuvista. Lisäksi ChatGPT ”oppii” ainakin silloin kun sen parametrit määritellään ensimmäistä kertaa ja sitä mukaa kun niitä muokataan käyttäjäpalautteen perusteella – tosin suuri ero ihmisen oppimiseen on, että ihminen oppii käytännössä joka hetki, kun kielimallitekoälyn kohdalla oppiminen on toistaiseksi aika harvinaista herkkua.

Osaamme jo simuloida joitakin osia mielen toiminnasta, erityisesti liittyen ajatteluun ja havainnointiin. Mitä jos opimme vielä rakentamaan kielimallille muistin, tunteet, tahdon ja jonkinlaisen kyvyn vuorovaikuttaa ympäristön kanssa esimerkiksi jonkinlaisen kielimallirobotin kautta? Voisiko kone tällöin ajatella – olisiko sillä silloin mieli?

Jo nykyisellään kielimallit simuloivat osaa ihmismielestä niin taitavasti, että ei ole ollenkaan mahdotonta, etteikö myös muita mielen toimintoja opittaisi mallintamaan lähitulevaisuudessa. Joka tapauksessa jo nykyisellään kielimallit laajentavat merkittävästi ihmisen ajattelukapasiteettia tarjoamalla biologiselle mielellemme moninverroin laajemman symboliverkoston.

Kenties tulevaisuuden mieli ei olekaan yksin ihmisen tai koneen – vaan jonkinlainen biologian ja teknologian symbioosi, jossa jokainen ajatus syntyy ihmisen ja tekoälyn yhteistyössä?

Tekoälyn kehityksen hidastuminen antaa tilaa ymmärtää käynnissä olevaa murrosta

03/04/2024

1 kommentti

Viime kuukausina generatiivisen tekoälyn kehittyminen on hidastunut selvästi. Koko viime vuoden kestänyt lähes viikottainen muutosvauhti näyttäisi nyt ainakin hetkeksi helpottaneen.

Siinä, missä vielä viime marraskuuhun asti uusia läpimurtoja tuli kuukausittain tai jopa viikoittain, lähtien kevään OpenAI:n GPT4-kielimallista, Midjourneyn fotorealistisesta 5. versiosta ja päättyen loppuvuoden Rabbitin ja Humanen tekoälyvimpaimiin ja GPT:n integroituun versioon, ovat tämän vuoden uudistukset koskeneet lähinnä sitä, kuinka kilpailukykyisiä Anthropicin, Inflectionin ja Googlen kielimallit ovat GPT4:n kanssa. Suurin alkuvuoden aikana tapahtunut generatiivisen tekoälyn läpimurto on Sunon itsessään erittäin vaikuttava musiikintekoalusta. Musiikki on kuitenkin ainakin toistaiseksi marginaalinen generatiivisen tekoälyn sovellusala verrattuna teksti- ja kuvaratkaisuihin.

Tämä hidastuminen on saanut monet tekoälykriitikot iloitsemaan. Onpa jopa puhuttu siitäkin, että viime vuonna toivottu kuuden kuukauden tauko tekoälyteknologian kehityksessä on sittenkin toteutunut, tosin tässä tapauksessa vain siksi, että teknologian kehittyminen on usein äkkiväärää ja yllättävää. Monet ovat myös rientäneet julistamaan koko generatiivisen tekoälyn kuplaksi. Missä ovat ne kymmenien prosenttien tuottavuushyödyt, joita viime vuoden tutkimuspaperit ovat lupailleet? Missä on tietotyön murros?

Tosi asiassa se, että joka viikko ei ole luvassa uutta lelua on tekoälyn käyttöönoton kannalta hyvä juttu.

Generatiivinen tekoäly, ja erityisesti suuriin kielimalleihin perustuvat ratkaisut, ei ole mikään taikaluoti, joka muuttaa kaiken yhdessä yössä. Siitä huolimatta kyseessä on läpimurtoteknologia, jonka jo nyt saatavilla olevat ratkaisut mahdollistavat sellaisia käyttötarkoituksia, jotka vielä pari vuotta sitten olisivat olleet tieteisfiktiota. Olisi oikeastaan ihan toivottavaa, että hypetys tekoälyn ympärillä helpottaisi hieman – jotta pääsisimme ihan normaalissa arjessa tutustumaan ja integroimaan näitä ratkaisuja osaksi työtämme.

Olennaisinta uusien työkalujen ja menetelmien käyttöönotossa on tunnistaa, mihin ne soveltuvat. Kuten Wharton-professori Ethan Mollick on kirjoittanut, tekoälyn käyttösovellukset sijoittuvat sahalaitaisen rajan molemmin puolin: joissain käyttötarkoituksissa tekoäly voi jopa heikentää työn tuloksia. Kielimallit eivät toimi hakukoneina, mutta ne ovat loistavia sparrailussa. Ne eivät ole luotettavia kvantitatiivisessa analyysissa, mutta kvalitatiivisessa analyysissa niistä voi olla paljon hyötyä. Kielimallien merkittävä vahvuus on erilaisten tekstien tiivistäminen ja muuntaminen. Kielimallin avulla voi tiivistää tieteellisen artikkelin pääkohdat ja pyytää opettamaan sen sisällön kuin 8-vuotiaalle. Sen avulla voi myös muuttaa esimerkiksi tieteellisen tekstin lähdeluettelon formaatin erilaiseksi – pelkästään tämä yksi ominaisuus säästää tutkijoiden työaikaa tuntikaupalla kuukaudessa.

Tavallaan tekoälyä koskeva hypetys on turhaa. Näissä vimpaimissa riittää ihmeteltävää jo sellaisina kuin ne nyt ovat.

Miten yhdessä ajattelu kirkastaa ajattelun laatua?

15/02/2024

Jätä kommentti

Kaikki ympärilläsi vaikuttaa ajatteluusi työpisteelläsi sijaitsevista lappusista seiniä koristaviin julisteisiin. Ympäristömme ei koostu vain seinistä ja lippulapuista. Myös muut ihmiset ovat osa ympäristöämme, ja muiden läsnäolo vaikuttaa ajatteluumme ehkä kaikkein merkittävimmin.

Yhdessä ajatteleminen auttaa myös ylittämään oman ajattelun luontaiset raja-aidat.

Esa Saarinen kertoo ”J. T. Bergqvistin laskuopista”. Tämä entisen Nokia-johtajan mukaan nimetty ajattelutapa toimii seuraavasti. Jos tiimissä on kuusi henkilöä ja kaikki tuovat peliin ykkösen edestä ajattelua eli tekevät sen, mitä normaalisti osaavat, on lopputulos yksi: 1 x 1 x 1 x 1 x 1 x 1. Jos sen sijaan tiimissä on eripuraa, jännitteitä ja juonittelua, tuovat kaikki peliin vain 0,8-kertaisen ajattelupanoksen. Tällöin lopputulos onkin vain 0,26: 0,8 x 0,8 x 0,8 x 0,8 x 0,8 x 0,8 x 0,8. Jos tiimissä on puolestaan hyvä yhteishenki ja kaikki saavat osallistua, he saattavat tuoda peliin 1,2:n edestä ajattelua. Tällöin lopputulema on peräti 2,99.

Usein kun ideointia pitäisi harrastaa yhdessä, turvaudutaan yhä erilaisiin aivomyrskymenetelmiin. Ongelmana on, että aivomyrskyt eivät toimi. Kun joukko ihmisiä kerääntyy kokouspöydän ääreen kehittämään ideoita, tapahtuu normaalisti kaksi asiaa. Ensinnäkin esitetyt ideat ovat aika tavanomaisia. Ja toiseksi keskustelua dominoivat äänekkäimmät ja ulospäinsuuntautuneimmat osallistujat.

Aivomyrskyssä toimii kyllä se ydinajatus, jonka mukaan saadakseen hyviä ideoita pitää synnyttää suuri määrä ideoita. Mutta jotta yhdessä ajattelu johtaisi hedelmällisiin lopputuloksiin, täytyy ideointia tukea niin, että myös hiljaisemmat pääsevät osallistumaan täysimääräisesti – ja että myös hullummat ideat pääsevät esiin.

Ryhmässä ajattelun ilmapiirillä ja laadulla on valtava merkitys.

Ensin kannattaa määritellä selkeästi ja tarkkarajaisesti käsillä oleva ongelma. Esimerkiksi ”kehitä työskentelyprosessi uusien tiimien kesken”. Jos ideointisessioon on varattu tunti, kannattaa varata seuraavaksi kymmenisen minuuttia ideointiin virittäytymiseen esimerkiksi pyrkimällä ratkaisemaan joku humoristinen ongelma. Luovuustyöpajoissani keksimme usein aluksi tapoja rikkoa kookospähkinöitä M. A. Nummisen klassikkokappaleen tahtiin.

Seuraavat kymmenen minuuttia voi käyttää siihen, että jokainen kirjaa ylös Post-It-lapuille tai muille paperinpalasille ideansa yksin. Kun ideoita on kirjattu tarpeeksi, vaihda ideoita vierustoverin kanssa. Seuraavien kymmenen minuutin aikana kirjataan ylös oivallukset, joita vierustoverin ideat herättävät. Sitten keksityt oivallukset jaetaan kaikkien osallistujien kesken ja vasta sen jälkeen käydään avointa keskustelua. Näin jokainen osallistuja pystyy tuomaan oman ajattelunsa täysimääräisesti osaksi yhteistä ideointia.

Yhdessä ajatellessa olennaista on tehdä tilaa monenlaiselle ajattelulle ja antaa myös hiljaisemmille mahdollisuus ilmaista itseään esimerkiksi kirjoittamalla. Kriittinen ajattelu pitää saada ideoinnin alkuvaiheessa siirrettyä sivuun, ja tässä jokin lämmittelyharjoitus voi olla avuksi. Lopuksi kun ideoita on synnytetty riittävästi, niitä voidaan yhdistellä ja niistä voidaan keskustella. Joskus voi olla hyvä myös antaa ideoiden hautua vähän aikaa ja palata niiden pariin vaikkapa muutaman viikon jälkeen.

Mitä muutoskyvykkyys on ja miten sitä voi lisätä työelämässä?

12/01/2024

Jätä kommentti

Muutos on usein pelottavaa ja lähes aina haastavaa. Muutos on kuitenkin tullut yhteiskuntaamme ja työelämäämme jäädäkseen. Työelämä muuttuu alati kiihtyvää tahtia etenkin teknologian kehityksen ja yhteiskunnallisten murrosten siivittämänä. Millään alalla ei ole enää sellaista selkeää osaamispakettia, jolla voisi työnsä tehdä vuodesta toiseen. Mikä siis avuksi?

Muutoskyvykkyys tarkoittaa kykyä toimia ja onnistua silloin kun asiat eivät enää toimi kuten ennen. 

Yhteiskuntamme perustuu edelleen ajatukselle siitä, että maailma pysyy suurin piirtein muuttumattomana vuodesta toiseen ja voimme tehdä asiat samalla tavoin samojen tulosten toivossa. Koulussa opitaan tarvittavat taidot ja niitä sitten sovelletaan työelämässä. Keväällä kylvetään, syksyllä niitetään. Mutta mitäs sitten tehdään, kun ilmasto lämpiää, eikä kaura enää kasva? Siirrytäänkö oliiveihin?

Muutoskyvykkyyden voi jakaa kahteen alakategoriaan: muutoksenkestävyyteen eli resilienssiin ja muutoksesta hyötymiseen eli antifragiliteettiin.

Resilienssi tarkoittaa kykyä mukautua muutokseen, ikään kuin tanssia siinä mukana. Antifragiliteetti puolestaan tarkoittaa kykyä hyötyä muutoksesta. Sanahirviö on peräisin Nassim Talebin vuonna 2012 julkaisemasta kirjasta Antifragile. Se tarkoittaa karkeasti suomeksi epäsärkyvyyttä. Kirjan alaotsikko on: ”asiat, jotka hyötyvät epäjärjestyksestä”.

Resilienssin ytimessä ovat psykologinen turva ja sisäinen motivaatio. Psykologinen turva tarkoittaa sitä, voit tehdä että työtä ilman pelkoa kasvojen tai maineen menettämisestä vaikka uskaltaisitkin ottaa riskiä. Se tarkoittaa sitä, että tulet hyväksytyksi työyhteisössä omana itsenäsi eikä töissä tarvitse vetää roolia. Psykologinen turva ei tarkoita sitä, että mitään ikäviä asioita ei tarvitse käsitellä tai että töissä pitäisi olla aina kivaa. Päin vastoin, psykologisesti turvallisessa työyhteisössä myös vaikeita asioita kyetään käsittelemään tarvittaessa – mutta niin, ettei niitä yksilöidä syyllistäen työntekijöitä, tiimejä tai yksiköitä.

Sisäinen motivaatio, johon liittyy läheisesti mediassa usein päin prinkkalaa käsitelty itseohjautuvuuden käsite, tarkoittaa ihmisen kykyä ohjautua oma-aloitteisesti kohti kiinnostavia työtehtäviä. Alan johtava teoria on Richard Ryanin ja Edward Decin kehittämä itsemääräytymisteoria. Sen mukaan sisäinen motivaatio syntyy psykologisten perustarpeiden tyydyttymisestä. Nämä ovat autonomia, aikaansaaminen ja autenttinen yhteenkuuluvuus. Autonomia tarkoittaa esimerkiksi, että pystyt vaikuttamaan työntekotapaan, -paikkaan tai -aikaan. Korkea autonomia mahdollistaa nopeamman reagoinnin muuttuviin tilanteisiin. Aikaansaaminen tarkoittaa osaamisen ja onnistumisen kokemuksia ja se edellyttää selkeää tavoitteenasettelua ja päämäärätietoisuutta. Autenttinen yhteenkuuluvuus taas lähtee erilaisuuden kunnoituksesta ja jopa sen ihailusta. Sen keskiössä on yhteisön kehittäminen sellaiseksi, jossa jokainen saa olla oma itsensä.

Antifragiliteetti tarkoittaa sitä, että emme ainoastaan pärjää muutoksessa, vaan suorastaan hyödymme siitä.

Emme siis vain tanssi – vaan hyppäämme lavalle jammailemaan orkesterin kanssa. Nassim Taleb käyttää esimerkkeinä antifragiliteetista rokotteita ja voimaharjoittelua. Kummassakin ihminen altistetaan pienelle negatiiviselle ärsykkeelle – heikennetylle virukselle, lihaskuormitukselle – ja lopputuloksena on vahvempi ja terveempi ihminen. Antifragiliteetti edellyttää työyhteisöissä riittävää tilaa kokeiluille, itsensä kehittämiselle ja jatkuvalle oppimiselle – sekä itsensä haastamiselle itseään kiinnostavalla tavalla. Yksilöiden ja yhteisöjen kannattaakin nykytyössä kaivaa tilaa ihan konkreettisesti kalentereihin sellaiselle työajalle, joka ei kulu arjen touhottamiseen. Kalenteriin voi varata vaikkapa päivän kuukaudessa osaamisen kehittämiselle tai ihan vaan kiinnostavien asioiden kanssa touhuamiselle, vaikkeivät ne suoraan omaan työnkuvaan liittyisikään. Sitten kun maailma keikahtaa uuteen asentoon, voi tällaisella osaamisella olla yllättäen valtava lisäarvo myös työnantajaorganisaatiolle.

Google tuli aikanaan tunnetuksi käytännöstä, jossa insinöörit saivat käyttää 20% ajastaan – siis yhden työpäivän viikossa – asioihin, jotka heitä kiinnostivat. Tämä lisäsi tietysti jo lähtökohtaisesti sisäistä motivaatiota, mutta johti myös moniin teknologisiin läpimurtoihin kuten Gmail-sähköpostisovellukseen. Taleb esittelee puolestaan ”punttistrategian” – sijoitusmaailmasta tutun tekniikan, jossa valtaosa osakkeista sijoitetaan turvallisiin kohteisiin mutta pieni osa suuren riskin ja suuren mahdollisen hyödyn osakkeisiin. Samalla tavoin voimme ”sijoittaa” suurimman osan työpäivistämme työhön, joka tuottaa tehtävämme kannalta keskeisiä tuloksia – mutta osan sellaiseen tekemiseen, joka kumpuaa ensisijaisesti omasta kiinnostuksestamme.

Teknologia muuttaa tällä hetkellä etenkin tietointensiivisiä aloja ennennäkemättömällä tavalla. Uudet tekoälyteknologiat mahdollistavat monien tietotyötehtävien ulkoistuksen vekottimelle ja ne toimivat myös eräänlaisina ”lisäaivoina”, joiden avulla vaikkapa ideointitehtävät saavat aivan uusia ulottuvuuksia. Tämän seurauksena meillä on nyt ainutlaatuinen mahdollisuus kehittää entistä muutoskyvykkäämpää työelämää, jossa ihmiset voivat yhä useammin keskittää huomionsa niihin tehtäviin, jotka ovat kiinnostavimpia ja joissa ihminen on parhaimmillaan samalla kun kone hoitaa loput.

Tässä on myös avain muutoskyvykkyyden lisäämiseen läpi koko yhteiskunnan. Rakentamalla resilientimpää ja antifragiilimpaa Suomea maailmaa ravistavat muutokset eivät ole enää uhka – vaan mahdollisuus tanssia ja jammailla alati kiinnostavampien uusien rytmien tahtiin.