4 haastetta tekoälyn yleistymiselle

4 haastetta tekoälyn yleistymiselle

Tekoälyltä ja sen sovelluksilta ei voi välttyä mediassa. Kuten olemme aiemmissa postauksissa todenneet, tekoälyä on käytössä monessa päivittäin käyttämässäsi sovelluksessa ja työkalussa. Teköälyllä, neuroverkoilla ja koneoppimisella on edelleen kuitenkin merkittäviä haasteita, jotka täytyy ratkaista ennen kuin vallankumous käynnistyy todenteolla. Lukuisat yritykset tutkivat tekoälyn mahdollisuuksia omassa liiketoiminnassaan tai harkitsevat sen käyttöön ottoa mutta harva on kuitenkaan onnistunut integroimaan tekoälyn osaksi strategiaansa ja liiketoiminnan ydintä.

Laadukkaan ja tarpeeksi laajan datasetin löytäminen

Dataa on valtavasti saatavilla mutta yrityksillä on suuria haasteita löytää tekoälyn kouluttamiseen sopivaa laadukasta datasettiä, joka olisi tarpeeksi iso kooltaan. Mitä enemmän dataa tekoälyllä on käytettävissään, sen laadukkaampaa on sen tuottamat algortimit ja koneoppiminen (lue postauksemme aiheesta täältä). Tähän liittyy myös haaste tunnistaa juuri oikeanlainen data ja kyky hyödyntää sitä. Tekoälyn tuottamien ratkaisujen ja mallien laatuun vaikuttaa vahvasti myös sen opettamisessa käytetyn raakadatan laatu: mikäli data ei edusta kattavasti ratkaistavaa ongelmaa niin lopputuloksena tuotettu malli ei täysin vastaa ongelmaa, jossa sitä yritetään käyttää. Esimerkki tälläisestä on mm. kasvontunnistuksen opettamiseen käytetyn kasvot, jotka voivat edustaa jonkin tietyn kansalaisuuden tai ihon värin mukaisia kasvoja.

Datan kategorisointi ja merkitseminen

Tällä hetkellä raakadataa täytyy käsitellä manuaalisesti. Metadataa ei hyödynnetä järkevästi ja yrityksellä ei ole yhtenäistä tapaa tai ohjeistusta metadatan käyttöön. Tällöin raakadata täytyy prosessoida manuaalisesti ja merkitä, jotta tekoäly pystyy hyödyntämään sitä oikein. Tämä on varsinkin ongelma avustetussa koneoppimisessa (supervised learning). Vahvistusoppimisessa (reinforcement learning) tätä ongelmaa ei ole, sillä tekoäly oppii mikä data on laadukasta palkitsemisen ja rangaistuksien kautta.

Lopputuloksen perustelu käyttäjälle

Koneoppimisen algoritmit voivat antaa hyvinkin luotettavia lopputuloksia, joiden pohjalta voidaan tehdä järkeviä liiketoiminnan päätöksiä. Ne voivat ennustaa tarkasti yrityksen tulevaa myyntiä tai kategorisoida käyttäjiä heidän verkkokäyttäytymisensä perusteella. Koneiden ongelmana on se, etteivät ne pysty järkevästi perustelemaan lopputuloksia. Yksinkertaisissa mallinnuksissa tämä ei ole ongelma mutta neuroverkoissa, joissa voi olla kymmeniä tuhansia muuttujia ja datasetissä miljoonia tapahtumia, on loppukäyttäjän vaikea hahmottaa perusteluita lopputulokselle.

Opittujen mallien siirto toiseen tilanteeseen

Tällä hetkellä on pystytty kehittämään vain ns. heikkoja tekoälyjä. Niiden mallit oppivat ratkaisemaan tietyn kapean sektorin ongelman. Tätä mallia ei pysty helposti siirtämään melkein vastaavaan ongelmaan, vaan tekoäly on opetettava uudestaan löytämään ratkaisu hieman muunnellulla mallilla uuteen, erilaiseen ongelmaan. Tämä tarkoittaa ylimääräistä työtä yrityksissä, jotka haluavat hyödyntää tekoälyä saman tyyppisiin, mutta attribuuteiltaan erilaisiin koneoppimisen ongelmiin. Tähän on ratkaisuna ns. transfer learning (siirretty oppiminen?), jossa tiettyyn ongelmaan rakennettua mallia opitaan käyttämään uudessa ongelmassa. Tekoäly saa siis koneoppimisen lähtökohdaksi toisessa ongelmassa käytetyn mallin.

Mikäli sinua kiinnostaa kuulla miten yrityksesi voisi hyödyntää tekoälyä tai koneoppimista uuden kilpailuedun luomiseen, pyydä meidän ilmaiselle konsultointikäynnille!

 

2018-09-07T05:43:57+00:00

About the Author:

Leave A Comment

CREATIC OY

Strategisen digimarkkinoinnin ja verkkoliiketoiminnan ammattilainen 15 vuoden kokemuksella.

OTA YHTEYTTÄ!

  • Kauppakatu 39 C, 40100 Jyväskylä
  • +358 407166239
  • hello@creatic.fi