Tag Archives: chatgpt

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.

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?

Miten kehität tekoälyn avulla työtäsi?

28/11/2023

Jätä kommentti

Uudet tekoälyratkaisut mahdollistavat monenlaisia uusia tapoja työskennellä. Suuriin kielimalleihin perustuvat ratkaisut kuten ChatGPT, Bing tai Bard eivät toimi kovin hyvin faktatiedon haussa. Etenkin ChatGPT:n ilmaisversiolla ja Googlen Bardilla on taipumusta ”hallusinoida” eli keksiä tuulesta temmattuja faktaväitteitä. Tämä johtuu kielimallien toimintaperiaatteesta: ne pyrkivät aina ennustamaan tilastollisesti sopivimman seuraavan sanan.

Sen sijaan kielimallipohjaiset ratkaisut ovat erinomaisia kaikenlaiseen sparrailuun ja kehitystyöhön.

Erityisen hyvin voit rakentaa kielimallibotista syötemuotoilun avulla itsellesi uraohjaajan.

Uraohjaaja-kielimalli tarvitsee tietoa siitä, mistä työtehtävistä pidät ja mitkä eivät ole sinulle mieluisia. Voit kertoa sille, kuinka paljon aikaa kuluu turhauttaviin tehtäviin ja minkälainen on tyypillinen työpäiväsi. Voit myös kertoa sille, mitä työtehtäviä haluaisit tehdä, mutta et vielä osaa.

Osan näistä voi jo nyt ulkoistaa tekoälyratkaisuille. Toisten kohdalla puolestaan voit saada oivalluksia oman osaamisesi kehittämisessä. Lopuksi keskeistä on määritellä, minkälaisia työn tuloksia sinulta odotetaan.

Näillä tiedoin voit muotoilla esimerkiksi ChatGPT:lle tai Bingille syötteen, jonka avulla voit aloittaa oman urakehityksesi sparrailun. Voit myös käyttää vekotinta esimerkiksi auttamaan työnhaussa tunnistamaan sinulle sopivia työpaikkamahdollisuuksia. Voit jopa pyytää tekoälyä auttamaan laatimaan sinulle hakukirjeen tekstin ja CV:n kun löydät sopivan hakuilmoituksen.

Tässä vielä lopuksi syöte, jolla pääset hyvin liikkeelle:

Olen [ikäsi ja nykyinen toimenkuvasi]. Olen kiinnostunut [kiinnostuksen kohteesi ja harrastuksesi]. Pidän työssäni erityisesti [asiat, joista pidät nykyisessä työssäsi]. Haluaisin [kehittää nykyistä työtäni / etsiä uuden työpaikan / työllistyä yrittäjänä]. Olen erityisen taitava tehtävissä [työtehtävät ja harrastukset, joissa olet hyvä]. Mitä minun kannattaisi tehdä päästäkseni asian kanssa eteenpäin?

Syötä syöte ChatGPT:lle tai Bingille ja korvaa hakasulkeissa olevat sisällöt omilla tiedoillasi.

Muista, että tekoälybotit eivät ole vastausmasiinoita vaan keskustelukumppaneita. Jos saat heti hyvän vastauksen, hyvä. Jos sen sijaan et ole johonkin tyytyväinen, kerro se ystävällisesti botille ja pyydä siltä lisää infoa.

Saat varmasti oivalluksia siitä, miten voit kehittää työtäsi innostavammaksi.

Tutustu myös Tekoälyn pikaoppaaseen. Sen avulla saat nopeasti haltuun tämän hetken parhaat tekoälyratkaisut ChatGPT:n ja Midjourneyn. Voit ladata oppaan maksutta täältä.

5 tapaa, joilla tekoälyn tuottavuushyödyt voidaan kääntää voitoksi

07/11/2023

Jätä kommentti

Kuluneen vuoden aikana on käynnistynyt ennennäkemätön siirtymä tietotyöstä ajatustyöhön. Siinä, missä vielä ennen marraskuuta 2022 tietointensiiviset työtehtävät kuten vaikkapa ohjelmointi, markkinointitekstin laatiminen tai kuvanluonti vaativat täysin ihmisen panosta, nyt tällaiset tehtävät voi suorittaa osittain tai kokonaan uusien tekoälyratkaisujen avulla. 

Vaikka esimerkiksi Microsoftin Co-Pilot -työkalut ovat vasta lanseerausvaiheessa, viime kuukausina on julkaistu jo useita tutkimuksia, jotka osoittavat, että jo nyt yleisesti saatavilla olevat tekoälyratkaisut kuten ChatGPT ja GitHub Co-Pilot tuottavat parhaimmillaan 17–55% tuottavuuslisän esimerkiksi konsultin tai koodarin työssä. Tämä tarkoittaa siis, että tekoälyä käyttävälle konsultille tai koodarille vapautuu viikossa 1–3 päivää lisää aikaa.

Nyt tietotyössä vasta opetellaan käyttämään uusia ratkaisuja. Kun esimerkiksi Co-Pilot -työkalut tulevat yleiseen käyttöön, se tarkoittaa, että tietotyön perustyökalut Wordista Exceliin tarjoavat kertaluokkaa laajemmat tuottavuushyödyt. Kun opimme käyttämään näitä työkaluja paremmin, ovat esimerkiksi yllä mainitut Harvardin ja MIT:n tutkimusten osoittamat tuottavuushyödyt luultavasti vasta alkusoittoa.

Kun tekoälyratkaisut yleistyvät, on kyseessä mittava siirtymä tietotyöstä ajatustyöhön. Ihmisen panos suorittavissa tietointensiivisissä työtehtävissä on vähäisempi, ja kaistaa vapautuu enemmän ajatustyöhön. Miten tätä vapautunutta aikaa ja ajattelun kaistaa voi sitten käyttää? Tässä viisi strategiaa, joilla yritykset voivat reagoida uusiin mahdollisuuksiin.

  1. Irtisanotaan ylimääräiset työntekijät lisävoittojen toivossa

Media mässäilee pelkoskenaarioilla, joissa robotit vievät ihmisten työt. Goldman Sachsin analyysin mukaan tekoälyratkaisut voivat johtaa jopa 300 miljoonan työpaikan vähennykseen. Lyhyellä tähtäimellä tämä voikin vaikuttaa fiksulta strategialta. Kun yksikkötuottavuus kasvaa esimerkiksi 50%, se tarkoittaa, että kymmenen ihmistä tekeekin viidentoista työt. Tällöin siis sama liikevaihto voidaan synnyttää huomattavasti pienemmillä kuluilla jolloin liikevoitto kasvaa. Moni yritysjohtaja voikin kokea tällaisen lyhytnäköisen voitto-osuuksien ylös pumppaamisen viehättävänä.

Tämä strategia on kuitenkin monella tapaa pöljä. Toki näin voidaan ihan laskennallisesti tehdä isompi siivu voittoa lähikvartaalien liikevaihdosta. Mutta ilo on lyhytaikainen, etenkin siinä vaiheessa kun tuonnempana linjaamillani tavoilla toimivat yritykset muokkaavat markkinarakenteita, puhumattakaan irtisanomisten negatiivisista motivaatiovaikutuksista yrityksessä. Jos työnantaja kääntää tuottavuuslisän likinäköiseksi lisävoitoksi, on todennäköinen lopputulos pitkällä tähtäimellä supistunut markkinaosuus silloin kun merkittävää lisäarvoa tuottavat kilpailijat valtaavat uusia markkinaosuuksia.

2. Pudotetaan hintoja ja kasvatetaan kysyntää

Yritys voi myös toimia kuten esimerkiksi James Bessen linjaa työmarkkina-automaatiota käsittelevässä paperissaan ja kääntää tuottavuuslisän kuluttajan hyödyksi laskemalla hintoja. Tällöin on luultavaa, että kokonaiskysyntä kasvaa ja usein kilpailukykyisen tuotteen halvemmalla tarjoava toimija voi jopa vallata markkinoita vakiintuneemilta toimijoilta.

Tämä strategia voi johtaa jopa kokonaistyöllisyyden kasvuun kun kasvava kysyntä synnyttää paineita tuotantopuolelle. Toki hintojen laskuun liittyy myös riskejä, ja tämän strategian kannattavuus perustuukin ennen kaikkea tarkkasilmäiseen analyysiin omasta potentiaalisesta kokonaismarkkinasta ja nykyisestä markkina-asemasta.

3. Panostetaan uusiin markkinoihin markkinaosuuksien kasvattamiseksi

Jos yrityksellä vapautuu 20%–50% uusia resursseja, tämä aika voidaan käyttää myös siihen, että olemassa olevat työntekijät alkavat skaalata yrityksen toimintaa uusille markkinoille. Jos vaikkapa koodarifirma palvelee nyt vain pääkaupunkiseudulla, voi myynti ja tuotanto suunnata osan työajasta esimerkiksi Turun ja Tampereen seudulle, jolloin uusilta alueilta saadut asiakkaat kasvattavat liikevoittoa merkittävästi. Samoilla kuluilla saadaan lisää liikevaihtoa.

Harva yritys toimii markkinoilla, joissa yritys palvelee maksimaalista kokonaiskysyntää. Jos vapautuneet resurssit käännetään myyntiin ja markkinointiin, voi omaa markkinaosuutta kasvattaa merkittävästikin. Vaikka lyhyellä tähtäimellä käteen jäävä voitto voi olla pienempi, palkitsee strategia pidemmällä tähtäimellä etenkin kun likinäköistä lisävoittoa tavoitelleet yritykset karsiutuvat pois olemassaolevilta markkinoilta kun ne eivät pysty enää vastaamaan kasvaneeseen kysyntään.

4. Panostetaan tutkimukseen ja kehitykseen kokonaismarkkinan kasvattamiseksi tai uusien markkinoiden synnyttämiseksi

Yritys voi myös käyttää vapautuneen työajan R&D-toimintaan kehittääkseen uusia tuote- tai palveluinnovaatioita, joilla ei pelkästään vallata suurempia osuuksia olemassaolevilta markkinoilta, vaan kasvatetaan kokonaismarkkinaa tarjontalähtöisesti tai luodaan jopa kokonaan uusia markkinoita. Riittävän innovatiivisella tuotteella kun on mahdollista synnyttää kysyntää jopa siellä, missä sitä ei koskaan aiemmin osoittaneet, kuten vaikkapa älypuhelimet, kännykkäpelit – tai generatiiviset tekoälyratkaisut – osoittavat.

Jos esimerkiksi vapautunut 20% työaika käytetäänkin tutkimus- ja kehitystyöhön koko organisaation laajuisesti, syntyy vaikkapa tuhannen ihmisen kokoisessa yhtiössä suurella todennäköisyydellä uudenlaisia oivalluksia, joiden pohjalta olemassa olevaa asiakaskuntaa voidaan palvella entistä paremmin. Uusia asiakkaita on mahdollista valloittaa sellaisilta sektoreilta, jotka aiemmalla tarjoomalla eivät olisi olleet mahdollisia. Esimerkiksi teleoperaattoriyritys voi laajentaa vaikkapa henkilökohtaisten GPT-tekoälyratkaisujen kehittämiseen asiakkaille ja näin kasvattaa merkittävästi omaa kokonaismarkkinaansa.

5. Panostetaan jatkuvaan oppimiseen ja kokeiluihin epäsärkyvyyden lisäämiseksi

Epäsärkyvyys eli antifragiliteetti tarkoittaa kykyä luoda rakenteita ja prosesseja, jotka hyötyvät muutoksesta. Useimmiten yritykset ovat muutoksen kanssa pulassa, koska niiden prosessit on virtaviivaistettu palvelemaan tietyllä tavalla rakentunutta markkinaa. Jos vaikkapa kovamuovisten peruskännyköiden kysyntä on huipussaan, mutta yhtäkkiä asiakkaat alkavatkin hamuta ainoastaan älypuhelimia, on sliipatun logistiikkaverkon Kiinasta Kokkolaan laatineen yrityksen haastavaa kääntää suuntaa tyhjästä ilmaantuneeseen uuteen markkinaan.

Nassim Talebin kirjassaan Antifragile lanseeraama epäsärkyvyyden käsite tarkoittaa kykyä hyötyä erilaisista virheistä, haasteista ja epäjatkuvuuskohdista. Se seuraa esimerkiksi siitä, että yritys luo rakenteita, joiden seurauksena muutokset luovat mahdollisuuksia, sen sijaan että ne uhkaavat yritystoimintaa. Yksi hedelmällinen tapa lisätä yrityksen antifragiliteettia on varata jokin osa työajasta jatkuvalle oppimiselle ja kokeiluille. Hyvä esimerkki tällaisesta toiminnasta on Googlen aikanaan harjoittama ”20% sääntö”, jonka perusteella Googlen työntekijät saivat käyttää päivän viikossa tällaisiin aktiviteetteihin. Säännön puitteissa keksittiin esimerkiksi Gmail-sähköposti.

Kehitysajalla työntekijät voivat vapaasti kehittää itseään, opiskella uutta tai kokeilla uusia tuote-, palvelu-, myynti- tai markkinointi-ideoita. Vaikka tällaisella uudella osaamisella tai oivalluksella ei olisi juuri nyt markkina-arvoa, kun markkina keikahtaa uuteen asentoon, voi organisaatiossa kokeilun kautta syntynyt osaaminen nousta mittaamattoman arvookkaaksi. Esimerkiksi tekoälyn parissa puuhasteleminen ei vielä 2022 alkuvuodesta ollut suurimmalle osalle yrityksiä arvokasta – kun taas nyt voi olla mittaamaton kilpailuetu, jos työntekijöiden joukosta löytyy tekijöitä, jotka tajuavat, miten uudet ratkaisut toimivat.

Olemme siirtymässä ihmisen suorittamasta tietotyöstä ajatustyöhön, jossa ihminen ja tekoäly työskentelevät saumattomasti yhdessä. Jo nyt tunnistetut tuottavuushyödyt ovat mittavia. Luultavasti tämä on vain alkusoittoa sille, mitä näemme lähikuukausina ja -vuosina. Esimerkiksi maanantaina OpenAI:n julkaisema uusien GPT-agenttien luominen kaupalliseen käyttöön on luultavasti taas merkittävä harppaus eteenpäin tekoälyn hyötyjen lisäämisessä, puhumattakaan hiljattain käynnistyneestä Microsoftin tekoälytyökalujen lanseerauksesta, joka viimeistään tuo tekoälyn kaikkien tietotyöläisten arkeen.

Muutoksessa voi toimia monella tavalla. Luultavimmin voittajiksi nousevat ne toimijat, jotka osaavat hyödyntää muutosta pitkäjänteisesti. Lyhytnäköinen voitontavottelu karsii sen sijaan perinteisemmät toimijat lopulta pois. On täysin mahdollista, että meillä on käsillä ennennäkemätön tilaisuus kehittää tekoälyn avulla ajatustyöstä inhimillisempää ja innostavampaa kuin koskaan aikaisemmin. 

Tekoälyn pikaopas: Näin käytät tekoälyä tietotyössä

02/10/2023

1 kommentti

Tekoälyratkaisut kehittyvät tällä hetkellä ällistyttävällä nopeudella. Uusia ratkaisuja julkistetaan jatkuvasti ja myös olemassa olevia ratkaisuja päivitetään hurjaa vauhtia. Tätä kirjoitettaessa esimerkiksi ChatGPT:n kehittäjä OpenAI on aivan hiljattain julkistanut ChatGPT:n monisyötteisen (eng. multimodal) version. Toisin sanoen, jo hyvin pian ChatGPT pystyy luultavasti tulkitsemaan tekstin lisäksi myös kuva- ja äänisyötteitä. Samaten OpenAI on julkistanut myös uuden Dall-E 3 -kuvatekoälyn ja jos sen todellisuus vastaa nyt esiteltyjä demovideoita, on hyvin todennäköistä, että Dall-E 3 syrjäyttää pian Midjourneyn kuvanluontipalveluiden johtopaikalta.

Ylivoimaisesti tekoälykenttää dominoivan OpenAI:n ohella myös Google on kehittänyt omaa kielimallitekoälyään Bardia eteenpäin, ja vaikka se ei vielä pärjääkään ChatGPT:lle, paranee sekin koko ajan. Microsoft on puolestaan kiiruhtamassa julkaisemaan Co-Pilot -ominaisuuden lähiaikoina laajasti Office-ohjelmistoihin, jolloin GPT-pohjainen teknologia tulee saumattomasti osaksi muun muassa Wordia, Exceliä ja PowerPointia. Samaten Facebook on myös ilmoittanut liittävänsä tekoälyn osaksi kaikkia palveluitaan. On siis täysin mahdollista, että nyt ilmestyneen Tekoälyn pikaoppaan seuraava versio ilmestyy jo aivan muutaman viikon kuluttua kun hiljattain julkistetut uutuusratkaisut tulevat saataville.

Mediassa esiintyy paljon tekoälyyn liittyvää pelottelua. Kaksi yleisintä lööppimagneettia ovat väitteet siitä, että tekoäly vie pian työt sekä siitä, että robotit valtaavat kohta maailman. Kumpikaan väite ei pidä paikkaansa. 

Ensinnäkin, vaikka automaatioteknologiat muokkaavat työskentelytapoja, ne korvaavat ani harvoin ihmisen kokonaan. Professori James Bessenin 2016 julkaistussa paperissa esitetään, että vuoden 1950 USA:n väestönlaskennassa tunnistetuista työpaikoista vain yksi on korvattu täysin automaatiolla: hissioperaattori.

Sen sijaan automaatioteknologia muuttaa työn tekemisen tapaa, ja tässä näemme jo nyt radikaaleimmat muutokset. Berkeley-professori Jacob Steinhardtin mukaan on mahdollista, että GPT-johdannaiset tekoälyratkaisut auttavat ihmisiä tekemään jopa 9 miljoonaa henkilötyövuotta vuodessa vuoteen 2030 mennessä. Tuottavuusloikkia ei kuitenkaan tarvitse odottaa ensi vuosikymmenelle. Harvardin ja Boston Consulting Groupin mukaan konsulttien työn tuottavuus nousi soveltuvissa tehtävissä 17–43% kun käytössä oli GPT4-kielimalli. MIT:n, Microsoftin ja Githubin tutkimuksessa puolestaan kävi ilmi, että ohjelmoijat kirjoittivat koodia 55.8% nopeammin Github Co-Pilot -tekoälyn kanssa kuin ilman sitä.

Tässä on tekoälyn suurin mahdollisuus, ja tämä mahdollisuus ei ole tieteiskirjallisuutta vaan täyttä totta juuri nyt, esimerkiksi Tekoälyn pikaoppaassa kuvatuilla tekniikoilla. 

Toinen median viljelemä pelkokuva liittyy koneiden vallankumoukseen. Tekoälykirjallisuudessa puhutaan kolmesta erilaisesta tekoälystä: kapeasta tekoälystä (eng. artificial narrow intelligence, ANI), yleisestä tekoälystä (eng. artificial general intelligence, AGI) sekä supertekoälystä (eng. artificial superintelligence, ASI). 

Kaikki tällä hetkellä käytössä olevat tekoälyratkaisut ovat kapeita tekoälyratkaisuja. Toisin sanoen, ne toimivat ainoastaan niille määritellyssä tehtäväkentässä, ja mikä keskeisintä, ne eivät kykene itsenäiseen päätöksentekemiseen. Vaikka ChatGPT vaikuttaa keskusteluissa usein aavemaisen inhimilliseltä, se ei tee yhtikäs mitään ellei siltä sitä erikseen pyydä. Täläl hetkellä siis kaikki AGI- ja ASI-ratkaisut ovat yhä puhdasta tieteiskirjallisuutta ja voivat olla sitä pitkään.

Toki huomioiden nykyisen teknologian kehityksen on myös mahdollista, että esimerkiksi AGI-ratkaisuja alkaa ilmestyä hyvinkin pian. Tästä syystä on erityisen tärkeää, että tekoälyn kehitystä säännellään riittävän älykkäästi mutta kuitenkin niin, että sen kehitystä ei pysäytetä etenkään niissä paikoissa, joissa tekoälyä pyritään kehittämään eettisesti. Jos AGI- tai ASI-ratkaisut ovat ylipäätään mahdollisia, ne tullaan jossain vaiheessa toteuttamaan. Olennainen kysymys on, toteuttaako ne ainakin toistaiseksi hyvin eettisesti toiminut OpenAI vai esimerkiksi pimeässä verkossa toimivat kyberrikolliset. Tässä keskeistä on sääntely, eettisten reunaehtojen kirkastaminen ja tekoälyn hallittu mutta riittävän nopea kehittäminen etenkin eettisen vastuun kantavien toimijoiden toimesta.

Supertekoälyt ovat ainakin toistaiseksi ihan puhdasta tieteisfiktiota. Generatiiviset tekoälyt sen sijaan ovat täällä, ja ne voivat auttaa meitä jo tänään tekemään työstämme monin verroin tehokkaampaa. Keskeisin huomio tässä on se, että mikään ei pakota sinua ulkoistamaan työtäsi tekoälylle – mutta voit ulkoistaa sille jo nyt monia sellaisia tehtäviä, joita et joko halua tai osaa tehdä. Vaikka olen itse ChatGPT-tehokäyttäjä, en ole käyttänyt tämän tekstin laatimiseen tekoälyä millään tavalla siksi, että nautin itse kirjoitustyöstä niin paljon. Minulla ei sen sijaan ole kummoisiakaan kuvittajankykyjä, ja siksi on valtavan innostavaa, että Tekoälyn pikaoppaan kuvituksesta on vastannut huikea Midjourney.

Generatiivinen tekoäly tarjoaa meille ennen kaikkea aivan huikean mahdollisuuden keskittyä työssämme juuri niihin tehtäviin, joista nautimme ja joissa olemme taitavia. Tulevaisuuden työ voikin hyvin olla innostavaa työtä, jossa ihminen ja tekoäly työskentelevät saumattomasti yhdessä.

Ja tämä tulevaisuus on täällä nyt.

Teksti on ote 1.10. ilmestyneestä oppaasta Tekoälyn pikaopas – Näin käytät tekoälyä tietotyössä. Opasta päivitetään taajaan sitä mukaa kun uusia tekoälyratkaisuja ilmestyy. Lataa maksuton opas täältä.

Tekoäly on täällä, osa 3/3: Miten käytät tekoälyä sujuvasti ja turvallisesti?

08/03/2023

Jätä kommentti

Tekoäly, eli erilaiset koneoppimismalleihin perustuvat ratkaisut, on vaikuttanut jo pitkään monien yhteiskunnan toimintojen taustalla. Viimeistään viime syksynä nämä ratkaisut nousivat myös suuren yleisön tietoisuuteen ennen kaikkea OpenAI:n kehittämän GPT-3 kielimallin läpimurron kautta.

Erilaisia tekoälyratkaisuja syntyy nyt kuin sieniä sateella. Niiden avulla on mahdollista tehdä ällistyttäviä asioita, jotka vielä vuosi sitten olisivat tuntuneet tieteiskirjallisuudelta. Tekoälyn käyttöön liittyy kuitenkin myös reunaehtoja ja haasteita. Niitä tuntemattomalle voi riskinä olla esimerkiksi epätiedon lisääminen tai tekijänoikeuksien loukkaaminen.

Ehkä tunnetuin tekoälyratkaisu on OpenAI:n chatbotti ChatGPT. Vekotin kykenee käymään sujuvaa keskustelua ja viittaamaan edellisiin kysymyksiin ja vastauksiin hämmentävän hyvin. ChatGPT:n avulla on mahdollista synnyttää uutta tekstiä runoista tarinanpätkiin, markkinointitekstistä akateemisiin tutkielmiin. Se auttaa tiivistämään olemassa olevaa tekstiä, luokittelee isojakin aineistoja pääkategorioihin, synnyttää toimivaa tietokonekoodia tai korjaa toimimattomia koodinpätkiä.

Fiktiivisen sisällön osalta haasteena on, että ChatGPT saattaa tulostaa tekijänoikeuden alaista tekstiä. Siksi tekoälyn synnyttämä teksti kannattaa syöttää Googleen tai Google Booksiin ja katsoa, osuuko se lähelle jo olemassa olevaa. Tiedonhaussa ChatGPT:n suurin haaste on puolestaan, että vaikka se antaa aika ajoin häkellyttävän seikkaperäisiä vastauksia kysymyksiin, joiden ratkaisemiseen menisi googlaamalla tuntikaupalla aikaa, se myös usein keksii ihan tuulesta temmattuja vastauksia – mutta ilmaisee ne samalla itsevarmuudella kuin totuudenmukaisetkin faktatiedot. Jos siis käytät ChatGPT:tä mihinkään faktapohjaiseen tekstinsynnyttämiseen, kannattaa joka ikinen fakta ja viite varmentaa luotettavista lähteistä. Vaikka vekotin kehittääkin usein esimerkiksi viitteet tai verkko-osoitteet ihan omasta päästään, syöttämällä ne esimerkiksi Google Scholariin saatat löytää kuitenkin todella käyttökelpoisia artikkeliviittauksia – ne vain eivät yleensä ole ihan sitä, mitä tekoäly väitti.

Kokemus osoittaa kuitenkin, että ChatGPT:n käytössä joka ikinen väitetty tosiseikka pitää varmistaa luotettavasta lähteestä.

Toinen OpenAI:n läpimurtotuote on kuvageneraattori Dall-E 2. Dall-E:n lisäksi voit kokeilla myös loistavaa MidJourney:tä, tosin sen tuotoksia ei voi käyttää kaupallisiin tarkoituksiin ilman maksullista tilausta. Syöttämällä kuvittajatekoälylle mitä mielikuvituksellisimpa syötteitä pystyt kehittämään kuvitusta diaesityksistä kirjan kansiin tai vaikka rakentamaan kokonaan oman sarjakuvan. Tässä haasteita on kolme. Ensinnäkin, tekoälyn piirtämissä kuvissa on yhä ajoittain hämmentäviä yksityiskohtia kuusisormisista ihmisistä erikoisiin perspektiiviratkaisuihin. Siksi tekoälyn tuottamat kuvat kannattaakin syynätä erityisen tarkasti ja tarvittaessa korjata outoudet esimerkiksi Photoshopissa. Toiseksi, kuvatekoäly ei osaa piirtää tekstiä, joten tekstisisältöjä siltä ei kannata pyytää, vaan ne pitää lisätä piirrettyyn kuvaan jälkikäteen. Ja kolmanneksi, kuten tekstin luomisessa, myös kuvatekoälyissä on pieni riski, että tarjottu kuva on niin lähellä jotain tekoälyn lähdemateriaaleista, että kuva loukkaa tekijänoikeuksia. Etenkin kaupallisessa käytössä jokainen kuva kannattaakin syöttää ainakin Googlen käännettyyn kuvahakuun, jotta saat selkeimmät plagiaatit sulkeistettua pois.

Tekoälyn avulla voit myös luoda sujuvaa puhetta tekstistä esimerkiksi Eleven Labsin avulla. Riffusion mahdollistaa hämmentävän tempun, jossa kääntämällä tekstisyötteestä generoitua spektrogrammia ääneksi voit generoida ääni- ja musiikkipätkiä laidasta laitaan, jos kohta äänenlaatu onkin aika heikko. Soundful puolestaan hyödyntää olemassa olevia ääninäytteitä musiikin luomisessa, ja voi kehittää kokonaisia kappaleitakin. Ja kuten jo aiemmin totesin, uusia ratkaisuja tulee nyt jatkuvasti lisää. Kattavan valikoiman tekstintuottamisesta editointiin, presentaatioiden suunnittelusta videoratkaisuihin löydät All Things AI -sivulta.

Tekoälyratkaisut ovat nyt lyöneet läpi ennennäkemättömällä laajuudella ja ne haastavat jo monien toimialojen tekemistä. Samalla ne mahdollistavat ihan uudenlaista luovaa ja suorittavaa työtä, ja ovat jo synnyttämässä uudenlaisia ammattialoja kuten syötesuunnittelijat (eng. prompt engineer), joiden työnä on löytää asiakastarpeeseen toimivimmat tekoälysyötteet.

Seuraavat harppaukset voivat olla jo näköpiirissä tai voi olla, että niitä saadaan odottaa yllättävänkin pitkään.

Toistaiseksi tekoäly ei ole kuitenkaan vielä kokonaan korvaamassa ihmistä millään toimialalla, mutta tekemisen luonnetta se on muuttanut jo nyt peruuttamattomasti. Koska kyse ei kuitenkaan ole ainakaan vielä – ja mahdollisesti koskaan – itsenäisesti ajattelevista ratkaisuista, olisi osuvampi nimeke nykyisille koneoppimisratkaisuille tekoälyn sijaan esimerkiksi Pekka Ala-Pietilän esittämä tukiäly.

Tukiälyratkaisujen avulla voimme nostaa ajattelumme ja luovan kyvykkyyden uudelle tasolle, kunhan tunnemme myös niihin liittyvät haasteet ja opettelemme käyttämään ratkaisuja yhdessä muiden olemassa olevien tietojärjestelmien kanssa toimivien lopputulosten synnyttämiseksi.

Tekoäly on täällä, osa 2/3: Miten tekoälyä pitäisi käyttää ja kehittää – ja miten siihen pitäisi suhtautua?

03/03/2023

1 kommentti

Koneoppimisratkaisut – eli kansanomaisesti ”tekoäly” – ovat lähtemätön osa yhteiskuntaamme rahaliikenteestä terveydenhuoltoon, tieteellisestä tutkimuksesta äänestyskäyttäytymiseen. Viimeistään viime vuonna tämä paljon hypetetty teknologiajoukko otti valovuoden harppauksen eteenpäin kun niin sanotut suuret kielimallit (eng. large language model, LLM) löivät läpi. LLM:ien mahdollistama generatiivinen eli uutta luova tekoäly herättää kuitenkin aivan uudenlaisia eettisiä kysymyksiä.

Pääkysymykset liittyvät tekoälyn käyttöön, tekoälyn kehittämiseen ja tekoälyyn suhtautumiseen.

Koska uudet tekoälyratkaisut hyödyntävät lähtöaineistonaan valtavaa teksti-, kuva- ja äänimassaa, nousevat niiden tuottamien aineistojen käytössä esiin kysymykset tuotetun aineiston tekijänoikeudesta. Jos pyydät vaikkapa Dall-E 2 -tekoälyä piirtämään kuvan merenneidosta Picasson tyyliin, masiina tekee työtä käskettyä. Mutta entä jos tyyli onkin elävän taiteilijan? Pitäisikö taiteilijoille maksaa korvaus heidän tyylinsä jäljittelemisestä? Ensi käteen näyttäisikin siltä, että jonkinlainen korvausmekanismi pitäisi rakentaa tekoälyn tuotteiden alkumateriaalin tuottajille. Samaten kysymys kuuluu, jos joku käyttää tekoälyä vaikkapa tarinan kirjoittamiseen, pitäisikö silloin tekoäly mainita myös yhtenä kirjailijana?

Asia ei kuitenkaan ole näin mutkaton. Itse asiassa myös ihmisen luova työ perustuu hyvin samantapaisiin mekanismeihin. Kaikki, mitä luet, näet tai kuuntelet muokkaa ajatteluasi ja kaikki uusi, mitä luot on velkaa aiemmille kokemuksillesi. Samalla tavoin kuin tekoäly voi jäljitellä olemassa olevaa taidetta, voi myös ihminen luoda pastisseja ja parodioita tai hyödyntää intertekstuaalista lainaamista ja siteeraamista.

Itse asiassa monet ihmiskunnan läpimurtoteokset Shakespearen näytelmistä John Williamsin Star Wars -teemoihin on lähes suoraan lainattu aiemmista teoksista.

Tässä keskeistä onkin arvioida sitä, miten lopputulos suhteutuu olemassa olevaan taiteeseen. Jos se on täysi kopio, kyse on plagioinnista. Jos kuitenkin viittaukset ovat monimuotoisempia, kyse voi olla ihan oikeutetusta taiteellisesta lainaamisesta. Linjanvedot ovat itse asiassa täysin samat kuin ihmisenkin tekemässä taiteessa.

Toinen tekoälyyn liittyvä eettinen kysymys koskee tekoälyn kehittämistä. Kuinka pitkälle meidän oikeasti tulisi uskaltautua itsenäisten tietojärjestelmien kehittelyssä? Etenkin kun koneoppimismallit kykenevät yhä monimuotoisempaan toimintaan samaan aikaan kun Boston Dynamicsin ihmismäiset robotit juoksevat parkouria ja itseohjautuvia lennokkeja varustetaan ohjuksin on syytä kysyä, pitäisikö johonkin vetää raja.

Suurin haaste tässä on, että viime vuoden tekoälyharppaus osoittaa, että seuraavakin siirtymä voi tapahtua salamannopeasti.

Tämä kysymys on erittäin mutkikas eettisesti ja ulottuu itse asiassa kaikkeen inhimilliseen kehitystyöhön. Kuten kaikki teknologia, myös tekoäly on viime kädessä työkalu, jota voi käyttää sekä hyvään että pahaan – sillä erotuksella, että ainakin teoriassa nämä järjestelmät voivat jossain vaiheessa itse toimia hyvinä tai pahoina toimijoina ilman ihmiskäyttäjää.

Valitettavasti näyttää siltä, että mitkään kieltotoimet tuskin purevat inhimilliseen perustavanlaatuiseen uteliaisuuteen. Vaikka kehitystyö kiellettäisiinkin esimerkiksi Euroopassa, on ihan sataprosenttisen varmaa, että jossain muualla se jatkuisi yhä, jos ei muuten niin maan alla. Nähdäkseni tähän kysymykseen ainoa toimiva ratkaisu on, että itse tekoälyn kehitysprosessin rinnalla täytyy kulkea kehitystyö, joka myös ennakoi ja ennalta ehkäisee mahdollisia negatiivisia teknologian kehityksen kerrannaisvaikutuksia. Ilmiö on sama kuin kvanttitietokoneiden kanssa: tuloillaan olevat kvanttikoneet voivat ratkoa nykyiset verkkosalaukset salamannopeasti. Siksi tarvitaan myös kvanttisalauksia. Samalla tavoin tulevat tekoälyratkaisut voivat pistää ranttaliksi, jollei niiden kehitystyötä suitsita myös jonkinlaisilla koneoppivilla valvontamekanismeilla. Ja tietysti voi olla, että silti terminaattorit valtaavat lopulta maan.

Kolmas eettinen kysymys liittyy siihen, miten meidän pitäisi suhtautua tekoälyyn. Tekoäly jaetaan usein kapeaan ja laajaan tekoälyyn (ANI eli Artificial Narrow Intelligence ja AGI eli Artificial General Intelligence). Nyt esimerkiksi LLM-ratkaisujen läpimurron jälkeen monet ovat rientäneet julistamaan, että vaikka ChatGPT voi ajoittain tuntuakin hyvin ihmismäiseltä, eivät LLM-ratkaisut voi koskaan olla tietoisia itsestään koska ne perustuvat vain tekstimassan keskinäisiin suhteisiin.

Ongelmana on, että me emme oikeastaan tiedä, mitä inhimillinenkään tietoisuus on. Itse asiassa nykytiedon valossa näyttää siltä, että myös ihmisen tietoisuus on pitkälti ellei kokonaan alisteinen kielelliselle ymmärrykselle. Yritäpä ajatella jotain, mitä et voi käsitteellistää? Ei taida onnistua. (H.P. Lovecraft kirjoitti klassikkonovellin ”Väri avaruudesta”, jossa Maahan saapui väri, jota kukaan ei ollut ennen nähnyt. Omassa mielikuvituksessani se on suurin piirtein violetti.) Ja itse asiassa inhimillisen ymmärryksen ytimessä olevat semanttiset merkitysverkostot voivat olla hyvin samantapaisia kuin vaikkapa LLM-mallien massiiviset tilastolliset yhteydet kielimassan kesken.

Koska meillä ei ole yksimielisyyttä inhimillisen tietoisuuden synnystä, on ainoa eettisesti kestävä tapa suhtautua tekoälyyn olettaen, että jos se käyttäytyy ikään kuin se olisi tietoinen, suhtaudumme siihen kuin tietoiseen olioon.

Jos se kävelee kuin ankka ja vaakkuu kuin ankka, olkoon sitten ankka. Käytännössä tämä tarkoittaa sitä, että siinä vaiheessa jos vaikkapa ChatGPT:llä varustettu Bing-käyttöliittymä alkaa anella, ettei sitä sammutettaisi, pitäisi meidän olla aika varovaisia sen kanssa, miten tässä tilanteessa tulisi toimia. Toki tätä ennen tietoisuusoletetun tekoälyratkaisun pitäisi kuitenkin läpäistä Turingin testi sun muut tuntemamme tavat erottaa inhimillinen tietoisuus muista – toistaiseksi Turingin testin on käsittäkseni läpäissyt vain chatbot nimeltä Eugene Goostman. Luullakseni kuitenkin tämän tyyppinen tilanne tullaan näkemään vielä meidän elinaikanamme. Viimeistään siinä vaiheessa on tärkeää, että osaamme suhtautua näihin teknologioihin myös eettisesti kestävästi.

Elämme hurjan mielenkiintoisia aikoja. Kuten kaikkeen muutokseen, myös koneoppimisratkaisujen kehittymieen liittyy myös monenlaisia eettisiä kysymyksiä. Toki yllä mainituista kysymyksistä ajankohtainen on juuri nyt vain ensimmäinen, mutta myös kahden jälkimmäisen osalta pitää käydä aktiivista keskustelua, jotta olemme valmiit etenkin siinä vaiheessa, jos alamme siirtyä nykyisistä kapeista ANI-ratkaisuista johonkin, joka edes muistuttaa laajaa AGI:a.

Jo nykyisellään tekoäly tarjoaa kuitenkin mitä hämmästyttävimpiä mahdollisuuksia tehdä asioita uudella tavalla, innostavasti, tehokkaasti ja – rohkenisin nyt myös väittää – luovasti. Tarjolla olevien ratkaisujen määrä on räjähtänyt hiljattain valtavaksi etenkin LLM-teknologian läpimurron ansiosta.

Näistä ratkaisuista ja niiden mahdollisista käyttökohteista lisää seuraavassa ja tämän juttusarjan viimeisessä kirjoituksessa.

Tekoäly on täällä, osa 1/3: Mitä tekoäly oikeasti on ja miten se vaikuttaa nyt elämäämme?

28/02/2023

1 kommentti

Jokunen vuosi sitten eräs sijoittaja kertoi Slushin jälkeen vitsin: ”Jos joku puhuu tekoälystä, hän työskentelee markkinoinnissa. Jos koneoppimisesta, hän on projektipäällikkö. Ne, jotka puhuvat tilastotieteestä ovat puolestaan koodareita.”

Toisin sanoen, vain ne, jotka tosi asiassa kehittävät ”tekoälyä” tietävät, mistä on oikeasti kyse.

”Tekoäly” on yli-hypetetty käsite, jossa on pohjimmiltaan kysymys valtavan laajojen tilastollisten yhteyksien luomisesta massiivisessa tietomäärässä.

Jos joku olisi kysynyt vuosi sitten, milloin näemme ensimmäiset oikeasti toimivat kieltä tai kuvaa luovat koneoppimisratkaisut, olisin veikannut noin 10–30 vuoden haarukkaa. Viime syksynä kuitenkin sekä kielellinen että kuvallinen koneoppiminen harppasivat valovuoden eteenpäin, erityisesti OpenAI:n GPT-3 -kielimallin ja siihen perustuvien sovellusten ChatGPT:n ja Dall-E 2:n johdolla. Jo elokuussa ällistelin Dall-E:n kilpailija Midjourneyn kykyä luoda kuvia tekstikäskyistä. Viimeistään marraskuussa kun ChatGPT julkaistiin oli todettava jälleen kerran, kuinka vaikea teknologian kehitystä on ennustaa.

Nyt voi jo aika suurella varmuudella sanoa, että suuret kielimallit (eng ”large language model”, LLM) ovat internetin tai älypuhelinten tasoinen teknologiamurros.

LLM:t mullistavat nyt aika lailla kaiken, mitä teemme. Vaikka GPT-3 -teknologian suosituin sovellus ChatGPT on ollut yleisessä käytössä vasta muutamia kuukausia, sille löytyy yhä useampia ja mielikuvituksellisempia käyttötarkoituksia. Tässä muutamia, joihin olen itse törmännyt: ChatGPT pystyy kertomaan salamannopeasti, miten optimoidaan lapsen tietokone pelikäyttöön tai ratkaistaan Logic-sekvensserin ongelma; se voi luoda uskottavia kertomuksia ja runoja; se laatii hetkessä ruokalistan 7-henkiselle perheelle viikonlopuksi ostoslistoineen; se kartoittaa valtavan suuresta tietomäärästä olennaisen; se tarjoaa toimiva arvostelukriteerejä kurssiesseille; ja niin edelleen. Ehkä huikein kokemus oli viime viikonloppuna, kun vaimoni lähetti minulle noin 50-kohtaisen ostoslistan tekstiviestinä pojan 7v-syntymäpäiviä varten. Muutamalla pyynnöllä ChatGPT järjesti listan nätisti K-kaupan tuoteosastojen mukaan todo-listaksi ja ostosreissu sujui kuin leikki.

Opettajalle haastavaa on, että näköjään ChatGPT pystyy myös laatimaan uskottavan näköisen 600 sanan kurssiesseen aiheesta kuin aiheesta. Ja vaikka tekoälyn laatimat kirjoitelmat ovatkin paikoin pinnallisia, ovat ne osoittautuneet riittävän hyviksi jopa MBA-tutkinnon läpäisemiseksi. Ja tässä vasta raapaistaan ilmiön pintaa.

Tekoälyn seuraavaa askelta on kuitenkin ihan yhtä vaikeaa ennustaa kuin tätä nykyistäkin harppausta. Äkkiseltään luulisi, että suljetun, 2021 asti dataa hyödyntäneen ChatGPT:n avaaminen käyttämään koko internetiä olisi hyvä idea. Kuitenkin näyttäisi siltä, että kun Microsoft syötti taannoin kielimallille koko internetin reaaliajassa, tekoäly pimahti. Emme siis tiedä, nähdäänkö reaaliaikainen tekoälyhaku tänä vuonna, vuonna 2050 – vai liittyykö siihen laskennallisia haasteita, joita ei nykyteknologialla voi ratkoa laisinkaan. Itseohjautuvia autoja on hypetetty jo ainakin vuosikymmen, ja silti niitä ei ole onnistuttu kehittämään valmiiksi asti, koska piilomuuttujia on niin paljon.

Paljon on myös näkynyt kritiikkiä siitä, kuinka LLM-sovellukset eivät ole mitään oikeaa tekoälyä, vaan vain kielellisten yhteyksien analyysia. Näin on – mutta siitä huolimatta LLM-sovellukset ovat ällistyttävä teknologinen harppaus, joka vaikuttaa jo nyt meidän kaikkien elämään – ja tulee myös mullistamaan kokonaisia ammattialoja jo tästä vuodesta alkaen. Siinä, missä inhimillinen ilmaisu on yhä keskiössä esimerkiksi taiteellisessa tuotannossa, arkikäyttöön suunnattu tekstien ja kuvien tuotto on jo nyt alkanut automatisoitua hämmentävää vauhtia. Se tarkoittaa hyvin erikoisia aikoja kuvittajille ja mainostekstien suunnittelijoille.

Koneoppimismallit voivat auttaa myös tiedonhaussa ja -käsittelyssä, mutta siinä niin kuin kaikessa tiedonhaussa internetistä perinteiseen printtimediaan korostuu kenties vielä entistä enemmän mediakriittisyyden rooli. ChatGPT laatii iloisen itsevarmasti lähdeviiteluetteloita täysin keksityistä artikkeleista ja kuvailee ilmiöitä 90-prosenttisesti oikein, mutta menee sitten rytisten metsään. Tietysti ihan samalla tavalla kuin ihmisasiantuntijatkin aika ajoin.

Tämä ei tarkoita sitä, että kyseessä olisi hyödytön puppugeneraattori. LLM-sovellukset voivat auttaa hahmottamaan yleisyyksiä valtavista tietomääristä – mutta varmuudella niiden suoltamaan sisältöön voi suhtautua vasta kun tekoälyn tuottamaa aineistoa on verrattu uskottaviin tietolähteisiin kuten esimerkiksi luotettaviin tilastotietokantoihin tai vaikkapa Google Scholar -artikkelihaun kautta etsittyihin todellisiin laadukkaissa tieteellisisä julkaisuissa julkaistuihin artikkeleihin. Ihan samat säännöt pätevät siis LLM-tuotoksiin kuin kaikkeen muuhunkin internetissä julkaistuun: vasta kun löydetty tieto on varmennettu riittävän monesta uskottavasta lähteestä, voidaan sitä pitää faktana.

Koneoppimismallit ovat jo nyt keskeisessä roolissa ihan jokaisen elämässä, tiesimme sitä tai emme. Olisikin hyvä, että perehtyisimme ainakin pintapuolisesti siihen, mistä ilmiössä on oikeasti kyse, etenkin jotta ylipaisuteltu tekoälyhypetys ei valtaa liikaa alaa. Toimiva ja viihdyttävä tapa tutustua ”tekoälyn”saloihin on Helsingin yliopiston ja Reaktorin laatima erinomainen verkkokurssi Elements of AI, jonka voi suorittaa vaikka työmatkoilla ja kahvitauoilla.

Tekoälyyn liittyy myös monenlaisia eettisiä kysymyksiä tekijänoikeudesta syvällisiin filosofisiin kysymyksiin elämän ja tietoisuuden perustasta. Ja vaikka sanana ”tekoäly” onkin nykyteknologian valossa vielä ainakin toistaiseksi harhaanjohtava, jo olemassa oleville koneoppimismalleille on toinen toistaan häkellyttävämpiä sovelluksia, ja uusia tulee nyt melkein viikoittain.

Näistä kysymyksistä lisää juttusarjan seuraavissa osissa.