Koneoppiminen on termi, jonka kuulee hyvin usein. Ensimmäinen mielessä pyörivä kysymys on, voiko siis konekin oppia? Toinen kysymys, jonka kuulee usein, on, jos ne oppivat niin, miten ne oppivat? Kolmas kysymys on, ovatko koneet oikeasti älykkäitä ja mitä niiden älykkyys on?
Asian selventämiseksi on hyvä, että ymmärtää, että koneoppimisessa on tarkoitus saada ohjelmisto toimimaan entistä paremmin pohjatiedon ja mahdollisen käyttäjän toiminnan perusteella. Koneoppimisessa voi olla mukana inhimillinen toimija tai koneellinen toiminto, joka yhdistyy koneen keräämään dataan.
Usein tässä yhteydessä kuulee puhuttavan algoritmista, jolla viitataan yksityiskohtaiseen kuvaukseen tai ohjeeseen siitä, miten tehtävä tai prosessi suoritetaan. Jos seurataan ohjetta, niin ratkaistaan tietty ongelma.
Koneoppimisessa kiinnostavaa on, että siinä ei ole välttämättä ole määritetty algoritmia jokaista tilannetta varten, vaan kone oppii itsenäisesti päätymään haluttuun lopputulokseen. Hyvä esimerkki tästä ovat internetin hakukoneet. Ne pyrkivät tarjoamaan mahdollisimman osuvia - ja oikeita - hakutuloksia käyttäjälleen. Hyvä hakukoneohjelmisto osaa esimerkiksi tunnistaa kirjoitettua tekstiä mm. kirjoitusvirheiden varalta, tunnistaa synonyymeja tai eri kirjoitusmuotoja. Koneen oppiminen kehittyy itsestään sitä mukaa, kun tietoa lisätään tietokantaan. Toinen käytännön esimerkki ovat roskapostisuodattimet.
Koneoppimisella on paljon yhteistä tilastotieteen kanssa, koska molemmissa tehdään päätelmiä isosta aineistosta, mutta koneoppimisessa selvitetään monesti ohjelmallisten toteutusten laskennallista vaativuutta. Monet päättelyongelmat usein vaikeampia, joten koneoppimistutkimukseen kuuluu myös likimääräisten päättelyalgoritmien kehittäminen. Jotta kone kykenisi tällaiseen, siinä sanotaan olevan tekoälyä tai keinoälyä. Se tarkoittaa, että kyseinen kone - yleensä tietokone tai tietokoneohjelma - kykenee älykkäiksi laskettaviin toimintoihin.
Koneoppimisen taustalla on monia tieteenaloja ja niiden teorioita kuten tilastotiede, informaatioteoria, optimointiteoriat ja tietojenkäsittelytiede. Koneoppiminen ei välttämättä ole yhteydessä tekoälyyn, koska siinä ei seurata tai matkita ihmisen ajattelua vaan usein siinä etsitään vastauksia tarkasti rajattuihin ongelmiin. Ihmisen tiedonkäsittelykyky on rajallisempi.
Toisaalta koneoppiminen voidaan nähdä myös yhtenä tekoälyn osa-alueena. Ero perinteiseen tekoälyyn on se, että se ei yritä matkia ihmisen älykästä käytöstä, vaan enneminkin ratkoo tiukasti määriteltyjä tehtäviä, jotka ovat ihmisen älykkyyden vahvuusalueiden ulkopuolella. Esimerkiksi koneoppimisalgoritmit löytävät helposti sellaisia säännönmukaisuuksia isoista aineistojoukoista, joita ihminen ei löydä.
Koneoppimista sovelletaan esimerkiksi hakukoneissa, lääketieteellisissä diagnooseissa, geenitutkimuksessa, osakemarkkinoiden analyysissa, puheentunnistuksessa, konenäössä, dokumenttien luokittelussa, tietokonepeleissä ja robottien liikuttamisessa.
Usein puhutaan koneoppimisen yhteydessä syväoppimisesta, jolla tarkoitetaan yritystä luoda algoritmin avulla neuroverkko, joka pystyy ratkaisemaan monimutkaisia ja usein liian paljon sääntöjä sisältäviä ongelmia. Kuvan- ja puheentunnistus ovat siitä esimerkkejä. Muun muassa Google ei pidä itseään hakukoneyhtiönä vaan koneoppimiseen keskittyvänä yrityksenä, mistä esimerkkeinä ovat Googlen karttakehittelyt ja Googlen robottiauto.
Neuroverkon erityisyys on, että se oppii sille annettujen esimerkkien perusteella eli sitä ei suoraan ohjelmoida vastaamaan tiettyyn syötteeseen tietyllä tavalla. Alla professori Timo Honkelan esimerkki siitä, miten neuroverkkoratkaisu oppii havaitsemaan, milloin ihminen hymyilee. Lisätietoa löytyy täältä
Koneoppiminen on olennainen ja monimutkainen digitalisaatioon olennaisesti liittyvä tulokulma, jota kannattaa seurata ihan jokaisen, koska koneoppimisessa ja neuroverkkojen kehityksessä on monen toimialan tulevaisuus. Siihen kulminoituu myös tulevaisuuden osaamisen ja asiantuntijuuden uudet sisällöt ja tavoitteet.
Lisätietoa löytyy täältä:
https://deepmind.com/blog/ai-and-neuroscience-virtuous-circle/
https://www.innoarchitech.com/artificial-intelligence-deep-learning-neural-networks-explained/
Ari Tarkiainen
