Tekoäly: Osa 6

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Luokittelu

Luokittelu on tekoälyn tehtävä, jossa järjestelmä sijoittaa jonkin kohteen tiettyyn luokkaan. Esimerkkejä ovat sähköpostiviestien lajittelu roskapostiin ja muuhun postiin, arvostelun luonteen tunnistaminen positiiviseksi tai negatiiviseksi tai röntgenkuvan normaalin tai epänormaalin tilan havaitseminen. Luokittelu on yksi koneoppimisen yleisimmistä käyttötavoista.

Kuvitus: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Claude

Claude on Anthropicin kehittämä edistyksellinen suurten kielimallien perhe. Se on suunniteltu turvalliseksi, tarkaksi ja suojatuksi, ja siihen kuuluu erikoistyökaluja, kuten Claude Code (agentin koodaustyökalu), Claude Design ja tutkimukseen tarkoitettu Claude Science. Claude on nimetty kuuluisan Claude Shannonin, matemaatikon, tietojenkäsittelytieteilijän ja informaatioteorian isän, mukaan.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Pilvi-Tekoäly

Cloud AI viittaa suurten tietotekniikkapalvelujen tarjoajien internetin kautta toimittamiin tekoälypalveluihin. Kalliiden laitteistojen ostamisen sijaan yritykset voivat käyttää tekoälymalleja, tallennustilaa ja laskentatehoa pilvipalvelualustojen kautta. Tämä tekee tekoälystä helpommin saatavilla, mutta herättää myös kysymyksiä tietosuojasta, turvallisuudesta, kustannuksista ja riippuvuudesta suurista teknologiayrityksistä.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Klusterointi

Klusterointi on koneoppimismenetelmä, jossa samankaltaiset kohteet ryhmitellään yhteen ilman, että oikeita luokkia on määritelty etukäteen. Esimerkiksi vähittäiskauppias voi käyttää klusterointia tunnistaakseen asiakasryhmiä, joilla on samankaltaiset ostotottumukset. Klusterointi on hyödyllistä kuvioiden löytämisessä, mutta sen löytämät ryhmät vaativat edelleen ihmisen tulkintaa.

Kuvitus: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Kognitiivinen laskenta

Kognitiivinen laskenta on vanhempi ja laajempi termi järjestelmille, jotka on suunniteltu jäljittelemään ihmisen ajattelun piirteitä, kuten oppimista, päättelyä ja kielen ymmärtämistä. Sitä käytetään usein liiketoimintayhteyksissä. Nykyään puhutaan yleisemmin tekoälystä, koneoppimisesta ja generatiivisesta tekoälystä, mutta perusajatus on edelleen sama: tietokoneiden käyttö monimutkaisten, ihmisen kaltaisten tehtävien tukemiseen.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Tietokoneen näkö

Tietokoneen näkö on tekoälyn ala, joka auttaa tietokoneita tulkitsemaan kuvia ja videoita. Sitä käytetään lääketieteellisessä kuvantamisessa, kasvojentunnistuksessa, itseajavissa autoissa, laadunvalvonnassa, maataloudessa, turvallisuudessa ja urheiluanalyysissä. Tietokoneen näköjärjestelmät voivat olla tehokkaita, mutta ne voivat epäonnistua, kun valaistus, kulmat, taustat tai todelliset olosuhteet poikkeavat koulutustiedoista.

Kuva: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Luotettavuusarvo

Luotettavuusarvo on luku, joka osoittaa, kuinka varma tekoälyjärjestelmä on tuloksestaan. Esimerkiksi kuvanluokittelija saattaa ilmoittaa olevansa 92 % varma siitä, että kuvassa on koira. Luotettavuusarvot voivat olla hyödyllisiä, mutta ne eivät ole takeita. Jotkut tekoälyjärjestelmät ovat liian varmoja jopa silloin, kun ne ovat väärässä, minkä vuoksi kalibrointi ja testaus ovat tärkeitä.

Kuva: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Konteksti-ikkuna

Konteksti-ikkuna on se tietomäärä, jonka kielimalli voi ottaa huomioon kerralla. Se voi sisältää käyttäjän kysymyksen, aiemman keskustelun, ladatun tekstin tai haetut asiakirjat. Suurempi konteksti-ikkuna antaa mallille mahdollisuuden käsitellä pidempiä asiakirjoja ja enemmän taustatietoja. Suuresta konteksti-ikkunasta huolimatta malli saattaa kuitenkin silti jättää yksityiskohtia huomiotta tai asettaa tietyt tiedot etusijalle muihin nähden. Monet alan toimijat uskovat, että olemme matkalla kohti äärettömiä konteksti-ikkunoita – eli tilannetta, jossa käyttäjän ei enää tarvitse ottaa niitä huomioon.

Kuvitus: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Konvoluutioinen neuroverkko

Konvoluutiohermoverkko, eli CNN, on erityisesti kuvien käsittelyyn soveltuva hermoverkkomuoto. CNN:t tunnistavat kuvioita, kuten reunoja, muotoja, tekstuureja ja esineitä. Niillä oli merkittävä rooli tietokoneen näkökyvyn kehityksessä. Vaikka nykyään käytetään myös uudempia arkkitehtuureja, CNN:t ovat edelleen tärkeitä kuvianalyysissä, lääketieteellisessä kuvantamisessa ja visuaalisessa tunnistuksessa.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Korpus

Korpus on analysointiin tai koulutukseen käytettävä teksti- tai datakokoelma. Esimerkiksi kielimallia voidaan kouluttaa korpuksella, joka sisältää kirjoja, artikkeleita, verkkosivustoja, koodia ja muuta kirjallista materiaalia. Korpuksen laatu ja koostumus vaikuttavat voimakkaasti mallin käyttäytymiseen. Jos korpus sisältää virheitä, puolueellisuutta tai vanhentunutta tietoa, malli saattaa oppia myös niitä.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Kustannusfunktio

Kustannusfunktio, jota kutsutaan myös tappiofunktioksi, mittaa, kuinka paljon malli erehtyy koulutuksen aikana. Malli pyrkii vähentämään tätä virhettä ajan myötä. Esimerkiksi jos tekoäly ennustaa asuntojen hintoja, kustannusfunktio mittaa ennustettujen ja todellisten hintojen välistä eroa. Koulutus on pohjimmiltaan prosessi, jossa mallia säädetään tämän tappion minimoimiseksi.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Ristivalidointi

Ristivalidointi on tekniikka, jolla testataan, kuinka hyvin malli toimii datan eri osissa. Sen sijaan, että koulutettaisiin ja testattaisiin vain kerran, data jaetaan useisiin osiin. Tämä auttaa paljastamaan, toimiiko malli johdonmukaisesti vai toimiiko se hyvin vain yhdessä onnekkaassa jaossa. Ristivalidointi vähentää riskiä, että mallin todellista suorituskykyä yliarvioidaan.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Räätälöity malli

Räätälöity malli on tekoälymalli, joka on mukautettu tiettyä organisaatiota, tehtävää tai aineistoa varten. Esimerkiksi sairaala saattaa haluta mallin, joka on koulutettu sen omien kliinisten asiakirjojen perusteella, tai asianajotoimisto saattaa haluta mallin, joka on sovitettu lakitekstien laatimiseen. Räätälöidyt mallit voivat olla yleismalleja osuvampia, mutta ne vaativat huolellista tietojen käsittelyä, testausta ja hallintaa.

Kuvitus: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Kyberturvallisuuden tekoäly

Kyberturvallisuuden tekoäly hyödyntää koneoppimista ja automaatiota digitaalisten uhkien havaitsemiseen, ehkäisemiseen tai niihin reagoimiseen. Se voi auttaa havaitsemaan epätavallista verkkokäyttäytymistä, tietojenkalasteluyrityksiä, haittaohjelmia tai epäilyttäviä kirjautumisia. Samalla hyökkääjät voivat myös käyttää tekoälyä kirjoittaakseen entistä vakuuttavampia huijauksia tai automatisoidakseen hyökkäyksiä. Tekoäly on siis sekä puolustuksellinen työkalu että uusi haaste kyberturvallisuudessa.