Tekoälyä oppimiseen

kone päättelee
intuitiivisesti
tekoälyllä

robotti auttaa
opettajaa, oppijaa
rutiinitöissä

onko koneella
tunteet? onko robotti
pakkotyöläinen?

tiedonjakaja
oppijan tukijaksi
ope uudistuu

diagnoosista
empatiaan, lääkärin
työnkuva muuttuu

lapsi opettaa
tekoälyä, oppii
samalla itse

tekoälystä
apua maailmamme
rauhoittumiseen

Onko tekoäly tukiäly? Onko se koneen intuitiivista päättelyä? Miten tekoäly eroaa koneoppimisesta? Näitä ja monia muita kysymyksiä pohdittiin IT-kouluttajat ry:n Tekoäly oppijan sisällä -seminaarissa 23.–24.3.2018.

Tekoäly ja etiikka

Timo Honkela kertoi videotervehdyksessään, että tietokoneet saadaan toimimaan järkevästi, kun niitä opetetaan antamalla tietojärjestelmälle suuri joukko ”kokemusta”.

Miten nuoret motivoidaan oppimaan kieliä, jos he ajattelevat, että tulevaisuudessa pelkkä konekäännös riittää? Lääkärien ammattitaito ei enää ole diagnooseissa, kun iso joukko tekoälykkäitä apuvoimia auttaa dignoosin laatimisessa. Lääkäri on ihminen potilaan ja tietojärjestelmän välillä, jolloin empaattinen suhtautuminen potilaaseen korostuu. Opettajan auktoriteetti ei enää pohjaudu tietoon vaan elämänkokemukseen, jonka avulla opettaja voi tukea oppilaitaan oppimispolulla etenemisessä. Nuoret osaavat käyttää älylaitteita ja etsiä tietoa, mutta aikuisella on edelleen vastuu siitä, että nuoret oppivat tietoja ja taitoja ja niiden soveltamista.

Koneet eivät muutu ihmisiksi. Niillä ei ole tunteita, vaikka ne voivatkin analysoida tunteita. Tekoälyä voidaan käytää maailman rauhoittumisen edistämiseen. Timo Honkela kutsuikin kaikki mukaan tekemään maailmasta entistä parempaa paikkaa.

Mitä on tekoäly?

Tarmo Toikkanen ryhtyi murskaamaan tekoälymyyttejä. Uutisotsikoista nähdään, että algoritmi toisaalta uhkaa demokratiaa, toisaalta pelastaa syövästä. Tekoäly, algoritmi ja koneoppiminen ovat työkaluja. Käyttäjästä riippuu, mitä hän työkalullaan tekee – kuten leipäveitsellä. Viime päivinä mediassa on kohuttu Cambridge Analyticasta, joka sai Facebookista valtavan määrän dataa luvallisin keinoin, mutta käytti sitä Facebookin käyttöehtojen vastaisesti.

Tekoäly on tätä päivää, ei tulevaisuutta. Jos rakennat mobiilisovelluksen, voit kytkeä siihen IBM:n Watsonin ja saada sovelluksestasi tekoälykkään. Ääniohjattavat laitteet tunnistavat sanoja ja päättelevät, mihin kysymys voi liittyä, ja vastaavat siihen.

Mikrobitti kertoi, että Yhdysvalloissa hyvä ja pidetty opettaja sai potkut ”pahan” algoritmin vuoksi. Algoritmin mukaan opettajan oppilaat eivät olleet vuoden aikana edistyneet riittävästi. Kyseisessä algoritmissa ei kuitenkaan ollut varsinaista tekoälyä; siihen oli vain koodattu USA:n julkishallinnon arviointisääntö.

Miten opettaja valitsee, keitä luokkansa oppilaista tukisi eniten? Kun dataa on paljon, analyysiin tarvitaan tunnuslukuja, visualisointia ja metriikkaa. Kun dataa on enemmän ja enemmän, niin mitä valitaan? Mikä on kiinnostavaa? Tekoäly voi tarjota tähän jotain, mutta tällaisessa ongelmassa on pitkälti kyse on perinteisestä tilastotieteestä ja klusteroinnista.

Kun opettaja on luokassa oppilaidensa kanssa, hänen päänsä sisällä on elekielestä ja muusta tiedosta sekä kokemuksesta kertynyt intuitiivinen prosessi. Sen avulla opettaja päättää, miten hän toimii tietyssä tilanteessa tai mitä tekee seuraavaksi. Vastaavaa ”intuitiivista” hyötyä voisi löytyä tekoälykkäästä prosessista.

Tekoäly voidaan opettaa tunnistamaan Picasson maalauksia – ja sitten generoimaan Picasson tyylisiä maalauksia. Vastaavasti tekoäly voidaan opettaa säveltämään Bachin tyylistä musiikkia tai generoimaan Pokémoneja.

Suurin ongelma on siinä, mitä dataa tekoälylle annetaan. Jos rekrytointiprosessissa on tehty vinoutuneita päätöksiä sukupuolen, iän tai ihonvärin perusteella, ja kyseisellä rekrytointidatalla koulutetaan tekoälyä, niin se jatkaa vastaavanlaisten vinoutuneiden rekrytointipäätösten tekemistä. Jos hakijan sukupuolta ei kerrota tekoälylle, se saattaa kuitenkin päätellä ammatin (esim. sosiaaliala tai tekninen ala) perusteella jotain todennäköisestä sukupuolesta. Kun EU:n tietosuojalakia GDPR:ää  aletaan soveltaa ensi toukokuusta lähtien, kansalainen voi kieltäytyä koneen tekemästä päätöksestä ja vaatia, että ihminen tekee häntä koskevan päätöksen.

Lasten Ekapeli oppii pelaajastaan ja opettaa lasta sen mukaan, miten tämä on aiemmin oppinut. Se siis personoi oppimismateriaalin ja motivoi jokaista tämän oman oppimisen mukaan. Seminaarin osallistujat innostuivat luettelemaan muitakin oppijasta oppivia pelejä: Duolingo, Memrise, Anki, WordDive, Lumosity ja BrainHQ.

Onko simulointi tekoälyä? Entä analytiikka? Onko robotti nimensä tsekinkielisen alkuperän mukaan automaattisesti tehtäviä suorittava pakkotyöläinen tai orja?

Opetus ja työelämän tarpeet

Harri Ketamo muistutti, että ihmiskunta on historiansa aikana kokenut useita murrosvaiheita eikä mikään niistä ole tuhonnut ihmiskuntaa. Tekoälystä maalataan uhkakuvia, mutta se on vain työkalu. Me ihmiset päätämme itse, mitä teemme työkaluilla. Siihen tarvitsemme kriittistä ajattelua ja riittävää yleissivistystä. Kenen etua ajaa se, jos pelkäämme tekoälyä? Datamassoja seulomalla voidaan paljastaa harmaata tai jopa mustaa taloutta.

ZenRoboticsin robotit auttavat jätteiden käsittelyssä. Big datan avulla voisimme saada henkilökohtaisen lääkityksen, mikä voisi vähentää turhien lääkkeiden käyttöä. Ruoka ei maapallolla jakaudu tasaisesti, ja osa siitä tuhoutuu kuljetuksissa. Missä ruokaa tuotetaan ja missä on pahin nälänhätä? Big datan analysointi auttaisi ymmärtämään kokonaiskuvaa.

Jokainen tarvitsee jossain vaiheessa opetusta tai täydennyskoulutusta – mutta jos et tiedä, mitä tietoa tarvitset, sinun on vaikea lähteä sitä etsimään.

Tekoäly oppii sille annetusta datasta. Se päihittää ihmisen shakissa ja Go-pelissä, mutta nämä ovat kapea-alaisia taitoja. Shakkia pelaava tekoäly ei osaa pelata mitään muita pelejä.

Tutkimuksissa on todettu, että lasten oppimismotivaatio kasvaa, kun he saavat opettaa tekoälykkäille pelihahmoille esim. matematiikkaa. Voidakseen opettaa heidän pitää itsekin oppia. Alimotivoituneet alle keskitason oppilaat innostuivat opettamaan pelin tyhmää hahmoa, joka teki kaiken päinvastoin kuin opetetaan. Ensin lasten piti siis oppia, miten asia tehdään oikein ja sitten keksiä ohjeet päinvastaiseen toimintaan. Tämän myötä lasten oppimistulokset paranivat selvästi. Tekoäly ei opettanut heitä, mutta se motivoi heitä oppimaan.

Tekoälyn ei tarvitse ymmärtää sääntöjä, mutta se oppii päättelemään esimerkiksi kielen rakenteen. Tekoäly opettaa huonommin kuin ihminen, mutta tarjoaa henkilökohtaisuutta, kärsivällistä opastusta ja palautetta. Se voi oppia arvioimaan esseevastauksia, jos sille annetaan niistä vähintään viisi eritasoista esimerkkiä.

HeadAI:ssa on kehitetty osaamistarvekarttoja siten, että tekoäly on työpaikkailmoitusten big datasta selvittänyt, millaista osaamista työmarkkinoilla kysytään. Seminaarin työpajassa voidaankin pohtia, miten hyvin oppilaitoksissa opetetut tiedot ja taidot vastaavat tämän päivän työmarkkinoiden kysyntää.

Erityisopetukseen räätälöity tekoälykäs arvointijärjestelmä

Tero Toivanen kertoi tekoälykkäästä arviointijärjestelmästä, joka auttaa erityisopettajia autististen lasten oppimisen arvioinnissa. Järjestelmää ja sen luokittelutehtäviä on määritelty ja suunniteltu käyttäjälähtöisesti yhdessä eri oppilaitosten erityisopettajien kanssa.

Arvioinnissa on käytetty muistia helpottavia värikoodeja: punainen, oranssi, keltainen, vihreä ja sininen. Määritysten ja suunnittelun perusteella Tero Toivanen on – itse omalla ajallaan – toteuttanut järjestelmän Google Sheetillä ja Python-skriptillä. Järjestelmää kehitetään kokemuksen pohjalta jatkuvasti ja räätälöidään jokaiselle koululle, joka ottaa sen käyttöön.

Keskustelu oli vilkasta. Toisaalta ihmeteltiin, mikä tässä järjestelmässä on tekoälyä, toisaalta sitä, miksi tällaista järjestelmää ei ole automaattisesti tarjolla kaikille erityisopettajille. Tekoäly tukee käyttäjäänsä, ja esitelty järjestelmä tukee eritysopettajia heidän työssään. Mutta onko järjestelmässä Tero Toivanen -niminen tukiäly, joka oppii palautteesta ja kehittää järjestelmää sen pohjalta?

Työpajat

Työpajoissa pohdittiin kolmessa ryhmässä (peruskoulu, ammattikoulu ja ammattikorkeakoulu sekä yrityskoulutus) seuraavia kysymyksiä:

1. Mikä on tekoäly?
2. Tekoäly oppimisaiheena?
3. Tekoäly opettajan apuna?
4. Tekoäly oppijan apuna?
5. Osaamistarvekarttojen hyödyt opetuksessa?

Osallistujin itse ammattikoulujen ja ammattikorkeakoulujen ryhmään. Aloitimme esittelykierroksen kertauksella, jonka myötä saimme mukavasti toisiltamme vertaistukea. ”Ai, teilläkin on tämä ongelma? Jess! Olin luullut, että ongelma olisi vain meillä.” Ammatillisen opetuksen moninaisuus avautui kivasti, kun mukana oli eri alojen kouluttajia tietotekniikasta terveydenhoitoon.

Totesimme, että esseevastauksia analysoivan ja arvioivan tekoälyn avulla opettaja voisi säästää useita tunteja uuvuttavaa rutiinityötä johonkin luovempaan tekemiseen, vaikkapa opetuksen kehittämiseen. Toki opettajan pitäisi tarkistaa tekoälyn laatimat arviot ja vahvistaa arvosanat.

Tekoäly 1980-luvulla

Muistan, miten paljon tekoälystä puhuttiin 1980-luvulla, erityisesti Teuvo Kohosen tutkimuksista neuroverkoista, hahmontunnistuksesta ja koneoppimisesta. Ohjelmointikielet Ada ja Lisp innostivat tarjotessaan uudenlaisia sovelluskehitysmahdollisuuksia.

1980-luvun alussa Fred Karlsson kutsui  nuoria mukaan kielitieteelliseen tutkimukseensa. Kimmo Koskenniemi väitteli vuonna 1984 morfologisesta kaksitasomallista, jonka avulla tietokoneohjelma tunnistaa suomen kielen taivutettuja sanoja käytännössä. Vesa Niskanen väitteli vuonna 1986 sumeasta logiikasta.

Vuonna 1986 perustettiin myös Suomen Tekoälyseura. Löysin vaatekaappini kätköistä kolmisenkymmentä vuotta vanhan Tekoälyseuran paidan.

Viestiikö paidassa kuvattu arpakannus, että tuolloin tekoälyn uskottiin kehittyvän uudeksi shamaanin noitarummuksi, joka auttaisi löytämään kadonneita esineitä tai parantamaan sairauksia? No, tuohon aikaan tehtiin ainakin laadukkaita paitoja. Vuosikymmenten käytön jälkeen omani on edelleen ehjä.