������

Samuel Kaski, tietojenkäsittelytieteen professori :

Olen tekoälytutkija ja Suomen tekoälykeskuksen johtaja. Erikoisalaani ovat koneoppimisalgoritmit: tehokkaat tekoälytyökalut, joista on hyötyä monilla elämämme alueilla. Tekoälytyökalut tehostavat jo esimerkiksi automaattista kääntämistä, kuvista tehtävää kasvojentunnistusta sekä Sirin ja Alexan kaltaisten ääniavustajien toimintaa. Toiveissa on, että tehokkaita tietokonepohjaisia ennusteita päästään pian hyödyntämään sairaaloissa lääkäreiden tukena diagnoosien tekemisessä eli yksilöllisessä lääketieteessä. Pystymme jo luomaan syväoppimisalgoritmin, joka havaitsee kasvosi vilkkaassa väkijoukossa – pystymmekö myös luomaan sairastumisesi havaitsevan ja juuri sinuun parhaiten tehoavan hoidon löytävän algoritmin? 

Syöpänäytteet ovat jo toimiva esimerkki yksilöllisestä lääketieteestä. Olemme pystyneet algoritmien avulla selvittämään, mikä tietoaineistoissa ja niiden välisissä riippuvuuksissa on merkityksellistä. Tämän avulla on mahdollista tarkentaa kudosnäytteiden avulla tehtäviä ennusteita siitä, millaiset hoidot tehoavat kuhunkin potilaaseen. 

Yksi suurimmista haasteista on tiedon määrä. Tällä hetkellä menestyksekkäät syväoppimismenetelmät edellyttävät valtavia tietoaineistoja. Ennen kuin tietokone voi esimerkiksi tunnistaa kuvasta kasvot, sen on nähtävä useita tuhansia valokuvia kasvoista ja valokuvia asioista ilman kasvoja, jotta se voi erottaa ne toisistaan. Potilastietojen osalta tietokoneen opetukseen käytettävissä olevat tietoaineistot ovat paljon pienempiä. Joissain harvinaisissa sairauksissa tietoa on vain muutamista tapauksista. Siksi tarvitaan uusia menetelmiä, jotka voivat tuottaa syväoppimisalgoritmien huikean ennustustehokkuuden paljon pienemmillä opetustiedoilla. Ja kun luodaan algoritmeja, joiden avulla tietokone voisi seurata juuri sinun terveyttäsi, käytettävissä oleva tietoaineisto kutistuu yhteen henkilöön – sinuun. Tutkimusryhmäni suunnittelee juuri tällaisia uusia, pienempiin tietoaineistoihin paremmin soveltuvia lähestymistapoja. 

Sen lisäksi, että voimme käsitellä pienempiä tietomääriä, meidän on saatava algoritmit selittämään, mitä ne tekevät. Kun älypuhelimesi tekstinsyöttö ehdottaa sinulle sanaa, et oikeastaan välitä, miten se päätyi ehdotukseen. Jos Siri ehdottaisi, että sinun on otettava kalliita lääkkeitä, joilla on sivuvaikutuksia tai mentävä hankalaan leikkaukseen, jossa on pitkä toipumisaika, haluaisit varmasti tietää, miksi Siri niitä ehdottaa. Kehitän tutkimusryhmäni kanssa tekoälymenetelmiä, jotka pystyvät selittämään, miten ne ovat päätyneet johtopäätöksiinsä. Tämä auttaa uusien tehokkaiden tekoälytyökalujen integroimista olemassa olevaan terveydenhoitoinfrastruktuuriin.  

Ongelmat eivät koske pelkästään tekoälyn lääketieteellisiä sovelluksia. Paras tapa kehittää kehittyneisiin sovelluksiin tarvittavaa tekoälyä on luoda asiantuntijayhteisöjä, jotka voivat työskennellä eri näkökulmien parissa tiiviissä yhteistyössä. Aalto-yliopiston, Helsingin yliopiston ja VTT:n yhdessä perustaman Suomen tekoälykeskuksen (FCAI) iskulause onkin, että luomme "aidostitekoälyä tosielämän todellisille ihmisille". FCAI kokoaa yhteen insinöörejä ja tutkijoita, joilla on asiantuntemusta ja kokemusta useilta aloilta, kehittämään yhdessä seuraavan sukupolven tekoälyä ja käyttämään sitä yhteiskunnan suurten haasteiden ratkaisemiseen.