![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/brain.png\")
The brain takes around 20% of the body\u2019s daily energy consumption.
\n\n\n\nConverted into power, that means 12.6 watts\u2014equivalent to a bright LED lamp.
\n\n\n\nThere are about 1014 synapses, connection points between neurons, in the brain.
\n\n\n\nThat\u2019s quite an efficient bundle of neurons!
\n", "content_text": "The brain takes around 20% of the body\u2019s daily energy consumption.\n\n\n\nConverted into power, that means 12.6 watts\u2014equivalent to a bright LED lamp.\n\n\n\nThere are about 1014 synapses, connection points between neurons, in the brain. \n\n\n\nThat\u2019s quite an efficient bundle of neurons!", "date_published": "2020-02-04T14:18:15+02:00", "date_modified": "2020-02-18T11:11:55+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning" ] }, { "id": "https://connecting-dots.aalto.fi/problem-solving-in-the-wild/", "url": "https://connecting-dots.aalto.fi/problem-solving-in-the-wild/", "title": "Problem-solving in the Wild", "content_html": "\nWhat\u2019s difficult for humans is sometimes easy for computers, and what\u2019s easy for humans is sometimes difficult for computers. Why is this?
\n\n\n\nComputers do very well with problems that have a well-defined set of rules. Take a game of tic-tac-toe, for example: from placing the first X, computers can easily simulate all possible future states of the game.
\n\n\n\nIf you try to do the same\u2014think about all possible movements that can be done on a single turn, and on each turn after that, until the end of the game\u2014you will probably have a hard time without the help of pen and paper. This is because we can process a much more limited amount of this type of information at a time than a regular computer. However, through practice, you will learn to estimate what\u2019s likely to happen next.
\n\n\n\nComputers have their limits, too: more complex games create more possible states, which takes a toll on computing power. A regular computer can be a worthy tic-tac-toe opponent just fine, but to train a neural network to the level of an expert player of, say, chess or go\u2014you need a supercomputer (or a completely different approach to computing than our current solutions).
\n\n\n\nRobotics in natural environments poses an even greater challenge for computing, because for a robot, our environment is complex and unpredictable. To physically move a chess piece, it needs to calculate its distance to the piece, an optimal grip, the weight of the piece, the distance between the piece and the new location on the chess board, any chess pieces in the way, and many more parameters.
\n", "content_text": "What\u2019s difficult for humans is sometimes easy for computers, and what\u2019s easy for humans is sometimes difficult for computers. Why is this?\n\n\n\nComputers do very well with problems that have a well-defined set of rules. Take a game of tic-tac-toe, for example: from placing the first X, computers can easily simulate all possible future states of the game. \n\n\n\nIf you try to do the same\u2014think about all possible movements that can be done on a single turn, and on each turn after that, until the end of the game\u2014you will probably have a hard time without the help of pen and paper. This is because we can process a much more limited amount of this type of information at a time than a regular computer. However, through practice, you will learn to estimate what\u2019s likely to happen next. \n\n\n\nComputers have their limits, too: more complex games create more possible states, which takes a toll on computing power. A regular computer can be a worthy tic-tac-toe opponent just fine, but to train a neural network to the level of an expert player of, say, chess or go\u2014you need a supercomputer (or a completely different approach to computing than our current solutions).\n\n\n\nRobotics in natural environments poses an even greater challenge for computing, because for a robot, our environment is complex and unpredictable. To physically move a chess piece, it needs to calculate its distance to the piece, an optimal grip, the weight of the piece, the distance between the piece and the new location on the chess board, any chess pieces in the way, and many more parameters.", "date_published": "2020-02-04T14:05:57+02:00", "date_modified": "2020-02-04T14:05:58+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning" ] }, { "id": "https://connecting-dots.aalto.fi/experiences-invoke-memories/", "url": "https://connecting-dots.aalto.fi/experiences-invoke-memories/", "title": "Experiences Invoke Memories", "content_html": "\nThink of the scent of roses. What memories does it conjure? A leisurely walk in a garden, someone wearing a rosy perfume? In the blink of an eye, you\u2019re able to travel in time through your experiences. The rose leads you to your memories through associations.
\n\n\n\nYou\u2019re able to both have memories out of the things you experience (episodic memory) and memorize new facts without personal experiences (a Japanese rose is rosa multiflora in Latin, and remembering this is a case of semantic memory).
\n\n\n\nWhile an artificial neural network certainly does not experience roses the way you do, it can also fetch content from its memory storage in a somewhat similar fashion as you can \u2013 if there\u2019s content associated with your search word \u201ccat\u201d in the network, it\u2019s able to return all cat-related instances.
\nIn computer science terms, this is called content-addressable memory. Traditional computer storage can only fetch a memory instance if it is given the exact location of the given instance.
In the history of science, the idea of associations\u2013information grouped together by similarity or co-occurrence\u2013takes us back to ancient Greece: its centrality to human thought was already noted by Aristotle.
\n\n\n\nDuring the Enlightenment period in the 18th century, David Hume revisited the idea, laying a cornerstone in the later development of psychology as a field of study. The idea of associations was put into numbers with the development of Hebbian learning and related algorithms, such as self-organizing maps, in the last decades.
\n", "content_text": "Think of the scent of roses. What memories does it conjure? A leisurely walk in a garden, someone wearing a rosy perfume? In the blink of an eye, you\u2019re able to travel in time through your experiences. The rose leads you to your memories through associations. \n\n\n\nYou\u2019re able to both have memories out of the things you experience (episodic memory) and memorize new facts without personal experiences (a Japanese rose is rosa multiflora in Latin, and remembering this is a case of semantic memory).\n\n\n\nWhile an artificial neural network certainly does not experience roses the way you do, it can also fetch content from its memory storage in a somewhat similar fashion as you can \u2013 if there\u2019s content associated with your search word \u201ccat\u201d in the network, it\u2019s able to return all cat-related instances. \nIn computer science terms, this is called content-addressable memory. Traditional computer storage can only fetch a memory instance if it is given the exact location of the given instance. \n\n\n\nIn the history of science, the idea of associations\u2013information grouped together by similarity or co-occurrence\u2013takes us back to ancient Greece: its centrality to human thought was already noted by Aristotle.\n\n\n\nDuring the Enlightenment period in the 18th century, David Hume revisited the idea, laying a cornerstone in the later development of psychology as a field of study. The idea of associations was put into numbers with the development of Hebbian learning and related algorithms, such as self-organizing maps, in the last decades.", "date_published": "2020-02-04T14:04:20+02:00", "date_modified": "2020-02-04T14:04:56+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning" ] }, { "id": "https://connecting-dots.aalto.fi/from-neurons-to-networks/", "url": "https://connecting-dots.aalto.fi/from-neurons-to-networks/", "title": "From Neurons to Networks", "content_html": "\n\n\n\n\nIn order to build flying machines, we don\u2019t build airplanes that flap their wings, or that are made of bones, muscle, and feather.
Join the Elements of AI online course!
Likewise, in artificial neural networks, the internal mechanism of the neurons is usually ignored, and artificial neurons are often much simpler than their natural counterparts.
If the goal is to build AI systems rather than to simulate biological phenomena, the electrochemical signaling mechanisms between natural neurons are also mostly ignored.
The vocabulary in modern artificial neural networks and in the study of human cognition is partially shared \u2013 but the explanations behind words often differ.
What is actually different, and what is similar?
What is a neuron? Let\u2019s look into biological neurons and their artificial counterparts. Here\u2019s an illustration of activity between two motor neurons:
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2020/02/neuron-eng-1920x416.png\")
You will see that biological neurons and machine learning neurons have little in common.
\n\n\n\nCommunication between biological neurons is electrochemical in nature whereas artificial neurons communicate purely in numbers. What is similar, though, is that both neurons form interconnected networks.
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2020/02/perceptron-eng-1920x540.png\")
The perceptron is a learning algorithm. A perceptron learns associations between inputs and outputs, inspired by how connections between neurons in the human brain work. A perceptron is a classifier: it can sort items into two distinct classes (e.g. a cat or a non-cat).
\n\n\n\nA single neuron can\u2019t process much on its own: some connections between nodes (called weights) and the overall network structure play an important role in the flow of information and learning.
\n\n\n\nA perceptron becomes a multilayer perceptron\u2014a neural network\u2014simply when we add many perceptrons together.
\n\n\n\nIn artificial neural networks, depth is generated by adding new layers between the input and output layers (the deep in deep learning usually refers to just this). Some of these are called hidden layers because of their in-between location and because we don\u2019t explicitly tell the network what kind of features it should be looking for in each layer.
\n\n\n\nThe structure of a neural network can be anything. A layer may hold many neurons, and neurons may be interconnected in a single layer.
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/rnn-1920x399.png\")
Information may flow from a neuron to another in a feed-forward way, or it can return to previous neurons in a recurrent way. The illustration above shows a toy example of both.
\n\n\n\nRecurrent neural networks (RNNs) are used in models where consecutive information\u2014or context\u2014a kind of a short-term memory\u2014is important, such as in machine translation.
\n\n\n\nIn both human and artificial neural networks, when something is learned, connections between neurons become stronger.
\n\n\n\nIn artificial neural networks, these connections are called weights. Weight changes can occur through backpropagation, for example. As the model makes predictions, errors are propagated back, which fine-tunes the interactions between neurons, and changes the weights.
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/backprop-1-1735x1080.png\")
An important difference between artificial neural networks and you: unlike most artificial networks, you do not need to be exposed to the same object multiple times to remember having seen it before.
\n\n\n\nAlthough: it\u2019s often said that with humans, the problem is not storage, it\u2019s retrieval! It\u2019s completely normal to \u201cforget\u201d a friend\u2019s name even though you recognize their face. If an artificial neural network recognizes what\u2019s in a picture, it will have no problem fetching the name (and all other information) associated to it.
\n\n\n\n![\"Uudenlainen](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/newchair-1-1349x1080.png\")
You know that this thing could be used for sitting although you\u2019ve never seen it before. Maybe you would even call it a chair. That\u2019s you using your previous knowledge to generalize into newly acquired information.
\n\n\n\nGeneralizing is also what artificial neural networks can do, but only to an extent. If an artificial network has learned what a chair is by only looking at four-legged wooden stools, it will not be able to classify a Ball Chair as a chair.
\n\n\n\n![\"Jakkara\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/stool-1-794x1080.png\")
![\"Pallotuoli\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/Asset-127-1-844x1080.png\")
The unclear nature of emerging technologies like AI makes users unsure about what this new technology is, how it will perform, and how it will impact society. Even research discussing the \u201csocietal implications\u201d of AI often takes a techno-optimist or a techno-pessimist angle.
\n\n\n\nA wide array of possibly conflicting meanings, technological frames, and thoughts regarding the emerging technology typically surfaces. We\u2019ve been able to see much of AI-related talk on the news lately. Ultimately, these discussions shape technological trajectories.
\n\n\n\nWe could say that the future development of an emerging technology like artificial intelligence is facilitated or hindered by a shared understanding or perception of AI.
\n\n\n\nThink, for example, about the deflated hype around nuclear power or gene technology: they are similar emerging technologies that brought about exceptional, futuristic opportunities for society and businesses, but ultimately got marginalized due to severe criticism.
\n", "content_text": "The unclear nature of emerging technologies like AI makes users unsure about what this new technology is, how it will perform, and how it will impact society. Even research discussing the \u201csocietal implications\u201d of AI often takes a techno-optimist or a techno-pessimist angle.\n\n\n\nA wide array of possibly conflicting meanings, technological frames, and thoughts regarding the emerging technology typically surfaces. We\u2019ve been able to see much of AI-related talk on the news lately. Ultimately, these discussions shape technological trajectories. \n\n\n\nWe could say that the future development of an emerging technology like artificial intelligence is facilitated or hindered by a shared understanding or perception of AI.\n\n\n\nThink, for example, about the deflated hype around nuclear power or gene technology: they are similar emerging technologies that brought about exceptional, futuristic opportunities for society and businesses, but ultimately got marginalized due to severe criticism.", "date_published": "2020-02-04T12:05:11+02:00", "date_modified": "2020-02-04T12:05:12+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning" ] }, { "id": "https://connecting-dots.aalto.fi/datasets-humans-and-biases/", "url": "https://connecting-dots.aalto.fi/datasets-humans-and-biases/", "title": "Datasets, humans, and biases", "content_html": "\nA human decides what kind of data machines get and what kind of code they run. Machines do just what they\u2019re programmed to do.
\n\n\n\nDatasets are created and curated by humans.
For example, labeled images in the gigantic, state-of-the-art database ImageNet have originally been scraped from the Internet, consisting of both stock photos and selfies and everything in between.
The labeling process of these images has been 100% human labor: via an online service, workers were recruited to view images and pick the most appropriate label from a word database (an equally giant, organized list of nouns). This list included neutral words such as \u201capple\u201d but very loaded ones, ranging from \u201closer\u201d to racial slurs. As an end result, some of the ImageNet images are very controversially labeled.
\n\n\n\nWith biased data, we can only expect to repeat the same bias in our analysis.
\n\n\n\n\n", "content_text": "A human decides what kind of data machines get and what kind of code they run. Machines do just what they\u2019re programmed to do. \n\n\n\nDatasets are created and curated by humans. For example, labeled images in the gigantic, state-of-the-art database ImageNet have originally been scraped from the Internet, consisting of both stock photos and selfies and everything in between. \n\n\n\nThe labeling process of these images has been 100% human labor: via an online service, workers were recruited to view images and pick the most appropriate label from a word database (an equally giant, organized list of nouns). This list included neutral words such as \u201capple\u201d but very loaded ones, ranging from \u201closer\u201d to racial slurs. As an end result, some of the ImageNet images are very controversially labeled.\n\n\n\nWith biased data, we can only expect to repeat the same bias in our analysis.\n\n\n\nIn order to build a model that generalizes well to data outside of the training data, the training data needs to contain enough information that is relevant to the problem at hand. For example, if you create an image classifier that tells you what the image given to the algorithm is about, and you have trained it only on pictures of dogs and cats, it will assign everything it sees as either a dog or a cat. This would make sense if the algorithm is used in an environment where it will only see cats and dogs, but not if it is expected to see boats, cars, and flowers as well.Join the Elements of AI online course!", "date_published": "2020-02-04T11:56:40+02:00", "date_modified": "2020-02-04T11:56:41+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning" ] }, { "id": "https://connecting-dots.aalto.fi/generative-discriminative-gan/", "url": "https://connecting-dots.aalto.fi/generative-discriminative-gan/", "title": "Generative + Discriminative = GAN", "content_html": "\nIn order to build a model that generalizes well to data outside of the training data, the training data needs to contain enough information that is relevant to the problem at hand. For example, if you create an image classifier that tells you what the image given to the algorithm is about, and you have trained it only on pictures of dogs and cats, it will assign everything it sees as either a dog or a cat. This would make sense if the algorithm is used in an environment where it will only see cats and dogs, but not if it is expected to see boats, cars, and flowers as well.
Join the Elements of AI online course!
Generative Adversarial Networks are a machine learning model family that can learn to \u201challucinate\u201d new examples of complex data. GANs may be used for generating images, for instance\u2014so-called \u201cdeepfake\u201d images use GANs.
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/gan-1-512x295.png\")
The GAN has two parts: a Generator, and a Discriminator. The Generator learns to produce increasingly realistic pictures by randomly making up pictures and showing them to the Discriminator. The Discriminator has a set of real pictures, and it tries to distinguish the made up pictures from the real ones. The generator is programmed to try and fool the discriminator into thinking the made up pictures are real.
\n\n\n\nWhen the Generator does trick the Discriminator, it learns what looks like a real image to the discriminator, so over time, the Generator gets better at fooling the Discriminator, and the generated fakes start resembling real pictures.
The competition between these two kinds of models has led to quite convincing results!
Robotics means building and programming robots so that they can operate in complex real-world scenarios. In a way, robotics is the ultimate challenge of AI since it requires a combination of virtually all areas of AI:
\n\n\n\nMany of the robotics-related AI problems are best approached by machine learning, which makes machine learning a central branch of AI for robotics.
\n\n\n\n\n\n\n\nIf you were tasked to write down a set of rules that define a cat\u2014what exactly does it look like, how does it move?\u2014you would quickly run into trouble. Yet, you know one when you see one, even if you\u2019ve never seen this particular one before.
\n\n\n\nThe laws governing the nature of the real world are often similarly difficult to write down. This is where machine learning comes in: when it\u2019s difficult to write rules down \u201cby hand\u201d, we build algorithms that learn from example.
For instance, a computer vision model learns to recognize cats when it\u2019s shown many examples of pictures of cats, as well as pictures without cats. Machine learning models can be roughly divided into two categories:
Many AI models recognize objects and persons in the world or make predictions about future outcomes of complex processes. A machine learning model can learn to group data into different categories or find similarities between data instances.
These are called discriminative or regression models.
What about mimicking the actual complexity of the shapes and sounds of the world? Again, it is hard for a human to write a computer program that would be able to draw a realistic picture of every possible cat in every possible environment in the world. Generative modeling aims to discover such rules by looking at data and distilling it down into a \u201crecipe\u201d that enables creation of new data that follows the same pattern. For example, we can give a generative model a bunch of cat pictures and tell it to make new ones.
\n", "content_text": "Robotics means building and programming robots so that they can operate in complex real-world scenarios. In a way, robotics is the ultimate challenge of AI since it requires a combination of virtually all areas of AI:\n\n\n\nComputer vision and speech recognition for sensing the environment,Natural language processing, information retrieval, and reasoning under uncertainty for processing instructions and predicting consequences of potential actions,Cognitive modeling and affective computing (systems that respond to expressions of human feelings or that mimic feelings) for interacting and working together with humans.\n\n\n\nMany of the robotics-related AI problems are best approached by machine learning, which makes machine learning a central branch of AI for robotics. \n\n\n\n\n\n\n\nMachine learning: a very short introduction\n\n\n\nIf you were tasked to write down a set of rules that define a cat\u2014what exactly does it look like, how does it move?\u2014you would quickly run into trouble. Yet, you know one when you see one, even if you\u2019ve never seen this particular one before. \n\n\n\nThe laws governing the nature of the real world are often similarly difficult to write down. This is where machine learning comes in: when it\u2019s difficult to write rules down \u201cby hand\u201d, we build algorithms that learn from example. For instance, a computer vision model learns to recognize cats when it\u2019s shown many examples of pictures of cats, as well as pictures without cats. Machine learning models can be roughly divided into two categories:\n\n\n\nGrouping and classifying existing data: Discriminative modeling\n\n\n\nMany AI models recognize objects and persons in the world or make predictions about future outcomes of complex processes. A machine learning model can learn to group data into different categories or find similarities between data instances. These are called discriminative or regression models. \n\n\n\nCreating new data: Generative modeling\n\n\n\nWhat about mimicking the actual complexity of the shapes and sounds of the world? Again, it is hard for a human to write a computer program that would be able to draw a realistic picture of every possible cat in every possible environment in the world. Generative modeling aims to discover such rules by looking at data and distilling it down into a \u201crecipe\u201d that enables creation of new data that follows the same pattern. For example, we can give a generative model a bunch of cat pictures and tell it to make new ones.", "date_published": "2020-02-04T11:47:17+02:00", "date_modified": "2020-02-04T12:01:33+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning", "Machine learning" ] }, { "id": "https://connecting-dots.aalto.fi/boosting-research-human-creativity-with-ai/", "url": "https://connecting-dots.aalto.fi/boosting-research-human-creativity-with-ai/", "title": "Boosting research & human creativity with AI", "content_html": "\nMethods under the umbrella of AI can be used in various fields.
\n\n\n\nIn research, AI methods are a valuable tool for all kinds of tasks that require classification, identification, optimization, or even finding new combinations and predicting future occurrences.
\n\n\n\nAI-aided research has brought us support for weather prediction, speech recognition, and the automatic identification of medical imaging scans, just to name some examples. AI methods apply to any area that can be described in numbers.
\n\n\n\nGenerative modeling can also be used to empower creativity. A new AI-provided combination can sometimes solve writer\u2019s block. Creative work can turn into a curation-like task: one can start with a set of images, process it, and hand-pick the best results.
\n", "content_text": "Methods under the umbrella of AI can be used in various fields. \n\n\n\nIn research, AI methods are a valuable tool for all kinds of tasks that require classification, identification, optimization, or even finding new combinations and predicting future occurrences. \n\n\n\nAI-aided research has brought us support for weather prediction, speech recognition, and the automatic identification of medical imaging scans, just to name some examples. AI methods apply to any area that can be described in numbers. \n\n\n\nGenerative modeling can also be used to empower creativity. A new AI-provided combination can sometimes solve writer\u2019s block. Creative work can turn into a curation-like task: one can start with a set of images, process it, and hand-pick the best results.", "date_published": "2020-02-04T11:41:27+02:00", "date_modified": "2020-02-04T11:41:28+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning" ] }, { "id": "https://connecting-dots.aalto.fi/so-when-will-robots-reach-true-intelligence/", "url": "https://connecting-dots.aalto.fi/so-when-will-robots-reach-true-intelligence/", "title": "So, when will robots reach true intelligence?", "content_html": "\nPrograms that can solve well-defined problems, such as telling a cat apart from a dog or win a game of chess, are called weak or narrow AI. Recently, computer programs have become rather good at this. Partially autonomous cars, recommendation systems, and image recognition are just a few examples that already exist in everyday use.
\n\n\n\nA program that could deal with a more complex environment and show human-like intelligence in multiple tasks \u2013 like riding a bike by the lake, looking at a view it considers beautiful, and deciding to paint it onto a canvas \u2013 would be called strong AI. This only currently exists in science fiction!
\n\n\n\nSo, which one is more intelligent: a spam filter or a speech synthesizer? It\u2019s a silly question, isn\u2019t it? The filter and synthesizer represent narrow AI: they are only \u201cintelligent\u201d in one, very limited, field. Even though a speech synthesizer can produce speech comprehensible to humans, it will not understand what it has produced.
\n", "content_text": "Programs that can solve well-defined problems, such as telling a cat apart from a dog or win a game of chess, are called weak or narrow AI. Recently, computer programs have become rather good at this. Partially autonomous cars, recommendation systems, and image recognition are just a few examples that already exist in everyday use.\n\n\n\nA program that could deal with a more complex environment and show human-like intelligence in multiple tasks \u2013 like riding a bike by the lake, looking at a view it considers beautiful, and deciding to paint it onto a canvas \u2013 would be called strong AI. This only currently exists in science fiction! \n\n\n\nSo, which one is more intelligent: a spam filter or a speech synthesizer? It\u2019s a silly question, isn\u2019t it? The filter and synthesizer represent narrow AI: they are only \u201cintelligent\u201d in one, very limited, field. Even though a speech synthesizer can produce speech comprehensible to humans, it will not understand what it has produced.", "date_published": "2020-02-04T11:40:01+02:00", "date_modified": "2020-02-04T12:01:57+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning", "Machine learning" ] }, { "id": "https://connecting-dots.aalto.fi/what-is-ai/", "url": "https://connecting-dots.aalto.fi/what-is-ai/", "title": "What is AI?", "content_html": "\nThink of a cake recipe: it has a list of ingredients and instructions. Following the recipe produces a cake. In computer science, the ingredients are our data, the instructions are called algorithms, and the whole recipe is our program. What\u2019s the cake then? It\u2019s the output of the program.
\n\n\n\nArtificial intelligence is in fact a whole cookbook filled with different algorithms and data!
\n\n\n\nThere is no official definition for what artificial intelligence is. In research, AI is the computational discipline that focuses on the ability of computers and machines to \u201cthink\u201d, recognising patterns and relationships in data and to learn from them and to make predictions.
\n\n\n\nThe \u201cintelligence\u201d in modern AI mainly comes from two properties: autonomy and adaptability.
\n\n\n\n\n", "content_text": "Think of a cake recipe: it has a list of ingredients and instructions. Following the recipe produces a cake. In computer science, the ingredients are our data, the instructions are called algorithms, and the whole recipe is our program. What\u2019s the cake then? It\u2019s the output of the program.\n\n\n\nArtificial intelligence is in fact a whole cookbook filled with different algorithms and data! \n\n\n\nThere is no official definition for what artificial intelligence is. In research, AI is the computational discipline that focuses on the ability of computers and machines to \u201cthink\u201d, recognising patterns and relationships in data and to learn from them and to make predictions.\n\n\n\nThe \u201cintelligence\u201d in modern AI mainly comes from two properties: autonomy and adaptability.\n\n\n\nAutonomy is the ability for the program to perform tasks in complex environments without constant guidance by a human user.Adaptability is a program\u2019s ability to improve performance by learning from experience.Join the Elements of AI online course!", "date_published": "2020-02-04T11:37:55+02:00", "date_modified": "2020-02-04T11:37:56+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Learning" ] }, { "id": "https://connecting-dots.aalto.fi/datatiede-robotiikka-ja-tekoaly/", "url": "https://connecting-dots.aalto.fi/datatiede-robotiikka-ja-tekoaly/", "title": "Datatiede, robotiikka ja teko\u00e4ly", "content_html": "\nAutonomy is the ability for the program to perform tasks in complex environments without constant guidance by a human user.
Adaptability is a program\u2019s ability to improve performance by learning from experience.
Join the Elements of AI online course!
\n\n\n\nDatatiede on uudehko kattotermi, johon kuuluvat koneoppiminen ja tilastotiede sek\u00e4 tietyt tietojenk\u00e4sittelytieteen osiot, kuten algoritmit, tiedonhallinta ja verkkosovellusten kehitt\u00e4minen. Datatiede on my\u00f6s k\u00e4yt\u00e4nn\u00f6n ala, joka edellytt\u00e4\u00e4 kulloisenkin sovellusalan (esim. liiketalouden tai luonnontieteen) ymm\u00e4rryst\u00e4. T\u00e4ll\u00f6in on huomioitava, mitk\u00e4 ovat kyseisen sovellusalan tavoitteet (eli mit\u00e4 lis\u00e4arvo tarkoittaa), perusolettamukset ja rajoitteet. Datatieteilij\u00f6iden ty\u00f6 sis\u00e4lt\u00e4\u00e4 useimmiten v\u00e4hint\u00e4\u00e4nkin pienen ripauksen teko\u00e4ly\u00e4 (mutta harvoin niin paljon kuin otsikoista voisi p\u00e4\u00e4tell\u00e4).
Robotiikka tarkoittaa sellaisten laitteiden rakentamista ja ohjelmointia, jotka voivat operoida monimutkaisessa reaalimaailmassa. Robotiikka on tavallaan teko\u00e4lyn kaikkein suurin haaste, koska se edellytt\u00e4\u00e4 l\u00e4hes kaikkia teko\u00e4lyn osa-alueita. Esimerkiksi:
\n", "content_text": "Datatiede on uudehko kattotermi, johon kuuluvat koneoppiminen ja tilastotiede sek\u00e4 tietyt tietojenk\u00e4sittelytieteen osiot, kuten algoritmit, tiedonhallinta ja verkkosovellusten kehitt\u00e4minen. Datatiede on my\u00f6s k\u00e4yt\u00e4nn\u00f6n ala, joka edellytt\u00e4\u00e4 kulloisenkin sovellusalan (esim. liiketalouden tai luonnontieteen) ymm\u00e4rryst\u00e4. T\u00e4ll\u00f6in on huomioitava, mitk\u00e4 ovat kyseisen sovellusalan tavoitteet (eli mit\u00e4 lis\u00e4arvo tarkoittaa), perusolettamukset ja rajoitteet. Datatieteilij\u00f6iden ty\u00f6 sis\u00e4lt\u00e4\u00e4 useimmiten v\u00e4hint\u00e4\u00e4nkin pienen ripauksen teko\u00e4ly\u00e4 (mutta harvoin niin paljon kuin otsikoista voisi p\u00e4\u00e4tell\u00e4).Robotiikka tarkoittaa sellaisten laitteiden rakentamista ja ohjelmointia, jotka voivat operoida monimutkaisessa reaalimaailmassa. Robotiikka on tavallaan teko\u00e4lyn kaikkein suurin haaste, koska se edellytt\u00e4\u00e4 l\u00e4hes kaikkia teko\u00e4lyn osa-alueita. Esimerkiksi:\n\n\n\nKonen\u00e4k\u00f6 ja puheentunnistus mahdollistavat ymp\u00e4rist\u00f6n havainnoinnin.Luonnollisen kielen k\u00e4sittelyn, tiedonhaun ja joustavan p\u00e4\u00e4ttelyn ansiosta ohjeita voidaan tulkita ja mahdollisen toiminnan seurauksia ennustaa. Kognitiivinen mallinnus ja affektiivinen laskenta (j\u00e4rjestelm\u00e4t, jotka reagoivat tunteiden ilmaisuun tai jotka matkivat tunnetiloja) helpottavat vuorovaikutusta ja yhteisty\u00f6t\u00e4 koneiden ja ihmisten v\u00e4lill\u00e4.\n\n\n\nParas l\u00e4hestymistapa monissa robotiikkaan liittyviss\u00e4 teko\u00e4lyongelmissa on koneoppiminen. T\u00e4st\u00e4 syyst\u00e4 koneoppiminen on yksi keskeisin aihepiiri my\u00f6s teko\u00e4lyn robotiikkasovelluksissa.Tutustu Teko\u00e4lyn perusteet -kurssiin!", "date_published": "2019-12-11T16:01:55+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/kokemukset-herattavat-muistoja/", "url": "https://connecting-dots.aalto.fi/kokemukset-herattavat-muistoja/", "title": "Kokemukset her\u00e4tt\u00e4v\u00e4t muistoja", "content_html": "\nParas l\u00e4hestymistapa monissa robotiikkaan liittyviss\u00e4 teko\u00e4lyongelmissa on koneoppiminen. T\u00e4st\u00e4 syyst\u00e4 koneoppiminen on yksi keskeisin aihepiiri my\u00f6s teko\u00e4lyn robotiikkasovelluksissa.
Tutustu Teko\u00e4lyn perusteet -kurssiin!
Ajattele ruusun tuoksua. Mink\u00e4laisia muistoja se tuo esiin? Ehk\u00e4 hupik\u00e4velyn puutarhassa tai tutun ihmisen hajuveden? Voit hetkess\u00e4 matkustaa ajassa kokemustesi l\u00e4pi. Ruusu vie sinua kohti muistojasi mielleyhtymien kautta.
\n\n\n\nMuistosi koostuvat niin asioista, joita olet kokenut (episodinen muisti) kuin faktoista, joita et itse ole v\u00e4ltt\u00e4m\u00e4tt\u00e4 todistanut (japaninruusu on latinaksi rosa multiflora, ja t\u00e4m\u00e4n muistaminen on esimerkki semanttisesta muistista).
\n\n\n\nVaikka keinoneuroverkko ei tietenk\u00e4\u00e4n koe ruusuja samalla tavalla kuin sin\u00e4, se osaa noutaa \u201cmuististaan\u201d sis\u00e4lt\u00f6\u00e4 hieman samalla tavoin kuin sin\u00e4kin. Jos neuroverkosta l\u00f6ytyy hakusanallasi \u201ckissa\u201d sis\u00e4lt\u00f6\u00e4, osaa verkko noutaa sinulle kaikki kissaan liitetyt muistiedustumat.
\n\n\n\nTietojenk\u00e4sittelyss\u00e4 t\u00e4t\u00e4 kutsutaan sis\u00e4lt\u00f6hakuiseksi muistiksi. Perinteinen tietokoneen muisti voi hakea muistiedustumia vain silloin, jos sill\u00e4 on t\u00e4sm\u00e4llinen osoite muistiedustumaan.
\n\n\n\nTieteen historiassa assosiaatioita \u2014 samankaltaista tai yhdess\u00e4 esiintyv\u00e4\u00e4 informaatiota \u2014 on pohdittu jo antiikin Kreikassa. Jo Aristoteles huomasi assosiaatioiden keskeisen roolin ihmismieless\u00e4.
\n\n\n\nValistuksen aikakaudella 1700-luvulla David Hume toi assosiaatiot j\u00e4lleen esiin. Humen ty\u00f6 muodosti my\u00f6hemmin t\u00e4rke\u00e4n osan my\u00f6hemmin syntyneen psykologian tieteenalan peruskivest\u00e4.
\n\n\n\nAssosiaatioiden periaate saatettiin numeromuotoon hebbil\u00e4isen oppimisen ja muiden siihen liittyvien algoritmien, kuten itseorganisoituvien karttojen, muodossa aivan viime vuosikymmenin\u00e4.
\n", "content_text": "Ajattele ruusun tuoksua. Mink\u00e4laisia muistoja se tuo esiin? Ehk\u00e4 hupik\u00e4velyn puutarhassa tai tutun ihmisen hajuveden? Voit hetkess\u00e4 matkustaa ajassa kokemustesi l\u00e4pi. Ruusu vie sinua kohti muistojasi mielleyhtymien kautta.\n\n\n\nMuistosi koostuvat niin asioista, joita olet kokenut (episodinen muisti) kuin faktoista, joita et itse ole v\u00e4ltt\u00e4m\u00e4tt\u00e4 todistanut (japaninruusu on latinaksi rosa multiflora, ja t\u00e4m\u00e4n muistaminen on esimerkki semanttisesta muistista).\n\n\n\nVaikka keinoneuroverkko ei tietenk\u00e4\u00e4n koe ruusuja samalla tavalla kuin sin\u00e4, se osaa noutaa \u201cmuististaan\u201d sis\u00e4lt\u00f6\u00e4 hieman samalla tavoin kuin sin\u00e4kin. Jos neuroverkosta l\u00f6ytyy hakusanallasi \u201ckissa\u201d sis\u00e4lt\u00f6\u00e4, osaa verkko noutaa sinulle kaikki kissaan liitetyt muistiedustumat.\n\n\n\nTietojenk\u00e4sittelyss\u00e4 t\u00e4t\u00e4 kutsutaan sis\u00e4lt\u00f6hakuiseksi muistiksi. Perinteinen tietokoneen muisti voi hakea muistiedustumia vain silloin, jos sill\u00e4 on t\u00e4sm\u00e4llinen osoite muistiedustumaan.\n\n\n\nTieteen historiassa assosiaatioita \u2014 samankaltaista tai yhdess\u00e4 esiintyv\u00e4\u00e4 informaatiota \u2014 on pohdittu jo antiikin Kreikassa. Jo Aristoteles huomasi assosiaatioiden keskeisen roolin ihmismieless\u00e4.\n\n\n\nValistuksen aikakaudella 1700-luvulla David Hume toi assosiaatiot j\u00e4lleen esiin. Humen ty\u00f6 muodosti my\u00f6hemmin t\u00e4rke\u00e4n osan my\u00f6hemmin syntyneen psykologian tieteenalan peruskivest\u00e4.\n\n\n\nAssosiaatioiden periaate saatettiin numeromuotoon hebbil\u00e4isen oppimisen ja muiden siihen liittyvien algoritmien, kuten itseorganisoituvien karttojen, muodossa aivan viime vuosikymmenin\u00e4.", "date_published": "2019-12-11T16:01:40+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/luonnonvaraista-ongelmanratkaisua/", "url": "https://connecting-dots.aalto.fi/luonnonvaraista-ongelmanratkaisua/", "title": "Luonnonvaraista ongelmanratkaisua", "content_html": "\nIhmisille vaikeat asiat ovat joskus helppoja tietokoneille, ja toisaalta ihmisille helpot asiat ovat joskus tietokoneille vaikeita. Miksi?
\n\n\n\nTietokoneet p\u00e4rj\u00e4\u00e4v\u00e4t hienosti sellaisten ongelmien kanssa, jotka ovat hyvin m\u00e4\u00e4riteltyj\u00e4 ja joilla on s\u00e4\u00e4nn\u00f6t. Koneet esimerkiksi p\u00e4ihitt\u00e4v\u00e4t ristinollan varsin helposti: ensimm\u00e4isest\u00e4 ruksista l\u00e4htien niiden on helppoa simuloida kaikki mahdolliset tulevat pelitilanteet.
\n\n\n\nJos itse yrit\u00e4t samaa \u2014 siis ajatella l\u00e4pi kaikki mahdolliset liikkeet, joita yhdell\u00e4 vuorolla voi tehd\u00e4, ja sitten taas seuraavalla, aina pelin loppuun \u2014 on se luultavasti aika hankalaa ilman kyn\u00e4\u00e4 ja paperia. T\u00e4m\u00e4 johtuu siit\u00e4, ett\u00e4 me ihmiset voimme k\u00e4sitell\u00e4 paljon rajatumman m\u00e4\u00e4r\u00e4n t\u00e4m\u00e4ntyyppist\u00e4 informaatiota kuin perustietokone. Harjoittelun my\u00f6t\u00e4 ihmisetkin oppivat ennustamaan, mit\u00e4 todenn\u00e4k\u00f6isesti tapahtuu seuraavaksi.
\n\n\n\nTietokoneilla on my\u00f6s rajansa: monimutkaisemmat pelit tuottavat enemm\u00e4n mahdollisia tilanteita, mik\u00e4 verottaa laskentatehoa. Normaali tietokone voi olla mainio ristinollavastus, mutta shakin tai gon ammattilaispelaajan tasolle opetettava neuroverkko vaatii jo supertehokasta laskentaa (tai ihan erilaisia laskentaperiaatteita kuin tietokoneillamme nyky\u00e4\u00e4n on).
\n\n\n\nLuonnollisten ymp\u00e4rist\u00f6jen robotiikkasovellukset tuottavat viel\u00e4 enemm\u00e4n haastetta laskentaan, sill\u00e4 robotille ymp\u00e4rist\u00f6mme on monimutkainen ja huonosti ennustettavissa. Fyysisen shakkinappulan siirtoon t\u00e4ytyy laskea et\u00e4isyys nappulaan, sopiva tartuntavoima ja -ote, nappulan et\u00e4isyys uuteen aiottuun sijaintiinsa, arvioida tiell\u00e4 olevat nappulat, ja monta muuta parametria.
\n", "content_text": "Ihmisille vaikeat asiat ovat joskus helppoja tietokoneille, ja toisaalta ihmisille helpot asiat ovat joskus tietokoneille vaikeita. Miksi?\n\n\n\nTietokoneet p\u00e4rj\u00e4\u00e4v\u00e4t hienosti sellaisten ongelmien kanssa, jotka ovat hyvin m\u00e4\u00e4riteltyj\u00e4 ja joilla on s\u00e4\u00e4nn\u00f6t. Koneet esimerkiksi p\u00e4ihitt\u00e4v\u00e4t ristinollan varsin helposti: ensimm\u00e4isest\u00e4 ruksista l\u00e4htien niiden on helppoa simuloida kaikki mahdolliset tulevat pelitilanteet.\n\n\n\nJos itse yrit\u00e4t samaa \u2014 siis ajatella l\u00e4pi kaikki mahdolliset liikkeet, joita yhdell\u00e4 vuorolla voi tehd\u00e4, ja sitten taas seuraavalla, aina pelin loppuun \u2014 on se luultavasti aika hankalaa ilman kyn\u00e4\u00e4 ja paperia. T\u00e4m\u00e4 johtuu siit\u00e4, ett\u00e4 me ihmiset voimme k\u00e4sitell\u00e4 paljon rajatumman m\u00e4\u00e4r\u00e4n t\u00e4m\u00e4ntyyppist\u00e4 informaatiota kuin perustietokone. Harjoittelun my\u00f6t\u00e4 ihmisetkin oppivat ennustamaan, mit\u00e4 todenn\u00e4k\u00f6isesti tapahtuu seuraavaksi.\n\n\n\nTietokoneilla on my\u00f6s rajansa: monimutkaisemmat pelit tuottavat enemm\u00e4n mahdollisia tilanteita, mik\u00e4 verottaa laskentatehoa. Normaali tietokone voi olla mainio ristinollavastus, mutta shakin tai gon ammattilaispelaajan tasolle opetettava neuroverkko vaatii jo supertehokasta laskentaa (tai ihan erilaisia laskentaperiaatteita kuin tietokoneillamme nyky\u00e4\u00e4n on).\n\n\n\nLuonnollisten ymp\u00e4rist\u00f6jen robotiikkasovellukset tuottavat viel\u00e4 enemm\u00e4n haastetta laskentaan, sill\u00e4 robotille ymp\u00e4rist\u00f6mme on monimutkainen ja huonosti ennustettavissa. Fyysisen shakkinappulan siirtoon t\u00e4ytyy laskea et\u00e4isyys nappulaan, sopiva tartuntavoima ja -ote, nappulan et\u00e4isyys uuteen aiottuun sijaintiinsa, arvioida tiell\u00e4 olevat nappulat, ja monta muuta parametria.", "date_published": "2019-12-11T16:01:23+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/laskennalliset-mallit/", "url": "https://connecting-dots.aalto.fi/laskennalliset-mallit/", "title": "Laskennalliset mallit", "content_html": "\nErityisesti luonnontieteiss\u00e4 laaditaan malleja kuvaamaan sit\u00e4, miten uskomme asioiden todellisuudessa toimivan. Mallit eroavat laajemmista teorioista siten, ett\u00e4 niiden avulla yritet\u00e4\u00e4n yleens\u00e4 kuvata rajattua toimintaperiaatetta usein matemaattisten k\u00e4sitteiden ja kielen termein.
\n\n\n\nMalli laaditaan tarkoituksensa perusteella. Otetaan esimerkiksi malli, joka kuvaa napin painallusta. \n
Jos mallia halutaan k\u00e4ytt\u00e4\u00e4 siihen, ett\u00e4 tarkasti ennustetaan, miten ihminen painaisi nappia, t\u00e4ytyisi malliin sis\u00e4llytt\u00e4\u00e4 arviot muun muassa lihasvoimasta sek\u00e4 k\u00e4den ja liikkeen yhteistoiminnasta. Jos tarkoituksena on vain saada robotti painamaan nappia itse, voidaan luoda malli, joka kuvastaa sille optimaalista napinpainallusta.
Teko\u00e4lyn alle mahtuu malleja moniin eri tarkoituksiin. Suurimmaksi osaksi ne keskittyv\u00e4t jonkin teht\u00e4v\u00e4n tehokkaaseen suorittamiseen, mutta joskus tarkoituksena on my\u00f6s simuloida ihmismielen toimintaa. Parhaatkin mallit ovat aina arvioita, koska tosimaailman ilmi\u00f6t ovat usein paljon monimutkaisempia kuin omat yksinkertaistuksemme.
\n\n\n\n\n", "content_text": "Erityisesti luonnontieteiss\u00e4 laaditaan malleja kuvaamaan sit\u00e4, miten uskomme asioiden todellisuudessa toimivan. Mallit eroavat laajemmista teorioista siten, ett\u00e4 niiden avulla yritet\u00e4\u00e4n yleens\u00e4 kuvata rajattua toimintaperiaatetta usein matemaattisten k\u00e4sitteiden ja kielen termein. \n\n\n\nMalli laaditaan tarkoituksensa perusteella. Otetaan esimerkiksi malli, joka kuvaa napin painallusta. \nJos mallia halutaan k\u00e4ytt\u00e4\u00e4 siihen, ett\u00e4 tarkasti ennustetaan, miten ihminen painaisi nappia, t\u00e4ytyisi malliin sis\u00e4llytt\u00e4\u00e4 arviot muun muassa lihasvoimasta sek\u00e4 k\u00e4den ja liikkeen yhteistoiminnasta. Jos tarkoituksena on vain saada robotti painamaan nappia itse, voidaan luoda malli, joka kuvastaa sille optimaalista napinpainallusta.\n\n\n\nTeko\u00e4lyn alle mahtuu malleja moniin eri tarkoituksiin. Suurimmaksi osaksi ne keskittyv\u00e4t jonkin teht\u00e4v\u00e4n tehokkaaseen suorittamiseen, mutta joskus tarkoituksena on my\u00f6s simuloida ihmismielen toimintaa. Parhaatkin mallit ovat aina arvioita, koska tosimaailman ilmi\u00f6t ovat usein paljon monimutkaisempia kuin omat yksinkertaistuksemme.\n\n\n\nKaikki mallit ovat v\u00e4\u00e4r\u00e4ss\u00e4, mutta joistakin on hy\u00f6ty\u00e4.George Box", "date_published": "2019-12-11T16:01:09+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/koneoppiminen/", "url": "https://connecting-dots.aalto.fi/koneoppiminen/", "title": "Koneoppiminen", "content_html": "\nKaikki mallit ovat v\u00e4\u00e4r\u00e4ss\u00e4, mutta joistakin on hy\u00f6ty\u00e4.
George Box
Jos saisit teht\u00e4v\u00e4ksesi koota listan s\u00e4\u00e4nn\u00f6ist\u00e4, jotka m\u00e4\u00e4rittelev\u00e4t t\u00e4ydellisesti kissan \u2014 milt\u00e4 se tismalleen n\u00e4ytt\u00e4\u00e4, miten se tarkalleen ottaen liikkuu \u2014 saattaisit pian t\u00f6rm\u00e4t\u00e4 vaikeuksiin. Tunnistat kuitenkin kissan kuin kissan kissaksi, vaikka et olekaan kohdannut kaikkia maailman kissoja.
\n\n\n\nTosimaailman s\u00e4\u00e4nt\u00f6j\u00e4 on vaikea listata tarkasti, vaikka haluammekin tarkastella todellisia ilmi\u00f6it\u00e4. Koneoppimisen avulla voidaankin rakentaa algoritmeja, jotka oppivat esimerkkej\u00e4 hy\u00f6dynt\u00e4en.
Esimerkiksi konen\u00e4k\u00f6malli voi oppia tunnistamaan kissoja n\u00e4hty\u00e4\u00e4n monia kissakuvia \u2014 ja vertailun vuoksi kuvia ilman kissoja. Karkeasti koneoppimismallit voi jakaa kahteen luokkaan:
\n\n\n\nMonet teko\u00e4lymallit tunnistavat esineit\u00e4 ja ihmisi\u00e4 tai tekev\u00e4t ennusteita tulevaisuuden tapahtumista tai monimutkaisista kehityskuluista. Koneoppimismalli voi oppia ryhmittelem\u00e4\u00e4n tietoja eri kategorioihin tai l\u00f6yt\u00e4m\u00e4\u00e4n samankaltaisuuksia aineiston sis\u00e4ll\u00e4. N\u00e4it\u00e4 kutsutaan erotteleviksi (discriminative) tai regressiomalleiksi.
\n\n\n\nKuinka sitten matkia maailman monimuotoisuutta? Kuten aiemmin mainittu, on vaikeaa kirjoittaa tietokoneohjelma, joka voisi piirt\u00e4\u00e4 tarkasti kaikki maailman kissat. Generatiivisen mallinnuksen avulla pyrit\u00e4\u00e4n l\u00f6yt\u00e4m\u00e4\u00e4n n\u00e4it\u00e4 s\u00e4\u00e4nt\u00f6j\u00e4. Tietoaineistoista tiivistyy \u201cresepti\u201d, jonka avulla voidaan luoda uutta, samoja s\u00e4\u00e4nn\u00f6nmukaisuuksia toistavaa aineistoa. Kissoja piirt\u00e4v\u00e4lle generatiiviselle mallille annetaan siis liuta esimerkkikissoja, joiden pohjalta se luo uusia kissapiirroksia.
\n", "content_text": "Jos saisit teht\u00e4v\u00e4ksesi koota listan s\u00e4\u00e4nn\u00f6ist\u00e4, jotka m\u00e4\u00e4rittelev\u00e4t t\u00e4ydellisesti kissan \u2014 milt\u00e4 se tismalleen n\u00e4ytt\u00e4\u00e4, miten se tarkalleen ottaen liikkuu \u2014 saattaisit pian t\u00f6rm\u00e4t\u00e4 vaikeuksiin. Tunnistat kuitenkin kissan kuin kissan kissaksi, vaikka et olekaan kohdannut kaikkia maailman kissoja.\n\n\n\nTosimaailman s\u00e4\u00e4nt\u00f6j\u00e4 on vaikea listata tarkasti, vaikka haluammekin tarkastella todellisia ilmi\u00f6it\u00e4. Koneoppimisen avulla voidaankin rakentaa algoritmeja, jotka oppivat esimerkkej\u00e4 hy\u00f6dynt\u00e4en. \n\n\n\nEsimerkiksi konen\u00e4k\u00f6malli voi oppia tunnistamaan kissoja n\u00e4hty\u00e4\u00e4n monia kissakuvia \u2014 ja vertailun vuoksi kuvia ilman kissoja. Karkeasti koneoppimismallit voi jakaa kahteen luokkaan:\n\n\n\nTietoaineistoa ryhmittelev\u00e4t ja luokittelevat mallit\n\n\n\nMonet teko\u00e4lymallit tunnistavat esineit\u00e4 ja ihmisi\u00e4 tai tekev\u00e4t ennusteita tulevaisuuden tapahtumista tai monimutkaisista kehityskuluista. Koneoppimismalli voi oppia ryhmittelem\u00e4\u00e4n tietoja eri kategorioihin tai l\u00f6yt\u00e4m\u00e4\u00e4n samankaltaisuuksia aineiston sis\u00e4ll\u00e4. N\u00e4it\u00e4 kutsutaan erotteleviksi (discriminative) tai regressiomalleiksi.\n\n\n\nGeneratiiviset mallit luovat uutta aineistoa\n\n\n\nKuinka sitten matkia maailman monimuotoisuutta? Kuten aiemmin mainittu, on vaikeaa kirjoittaa tietokoneohjelma, joka voisi piirt\u00e4\u00e4 tarkasti kaikki maailman kissat. Generatiivisen mallinnuksen avulla pyrit\u00e4\u00e4n l\u00f6yt\u00e4m\u00e4\u00e4n n\u00e4it\u00e4 s\u00e4\u00e4nt\u00f6j\u00e4. Tietoaineistoista tiivistyy \u201cresepti\u201d, jonka avulla voidaan luoda uutta, samoja s\u00e4\u00e4nn\u00f6nmukaisuuksia toistavaa aineistoa. Kissoja piirt\u00e4v\u00e4lle generatiiviselle mallille annetaan siis liuta esimerkkikissoja, joiden pohjalta se luo uusia kissapiirroksia.", "date_published": "2019-12-11T16:00:52+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/hermosoluista-hermoverkkoihin/", "url": "https://connecting-dots.aalto.fi/hermosoluista-hermoverkkoihin/", "title": "Hermosoluista hermoverkkoihin", "content_html": "\n\n\n\n\nKun haluamme rakentaa lent\u00e4v\u00e4n koneen, paras ratkaisu ei ole lentokone, joka r\u00e4pytt\u00e4\u00e4 siipi\u00e4\u00e4n ja joka on rakennettu luista, lihaksista ja h\u00f6yhenist\u00e4.
Samaan tapaan keinotekoisten neuroverkkojen neuronit ovat useimmiten paljon yksinkertaisempia kuin oikeat hermosolut, ja niiss\u00e4 j\u00e4tet\u00e4\u00e4n huomiotta oikeiden hermosolujen sis\u00e4iset toimintamekanismit varsinkin silloin, kun tavoitteena on toteuttaa teko\u00e4lyratkaisuja eik\u00e4 simuloida biologisia j\u00e4rjestelmi\u00e4.
Tutustu Elements of AI -kurssiin!
Keinotekoisten neuroverkkojen ja ihmiskognition tutkimuksen sanasto on osittain p\u00e4\u00e4llekk\u00e4ist\u00e4, mutta selitykset sanojen takana usein eroavat toisistaan.
Mik\u00e4 oikeastaan on erilaista ja mik\u00e4 jossakin m\u00e4\u00e4rin samanlaista?
Mik\u00e4 on hermosolu? Vertaillaanpa biologisia hermosoluja ja niiden keinovastineita. Alla n\u00e4et kuvan kahden motorisen hermosolun v\u00e4lisest\u00e4 toiminnasta:
\n\n\n\n![\"Ihmisen](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/neuron-1920x379.png\")
Huomaat pian, ett\u00e4 biologisilla hermosoluilla ja koneoppimisneuroneilla on vain v\u00e4h\u00e4n yhteist\u00e4. Hermosolujen v\u00e4linen viestint\u00e4 on s\u00e4hk\u00f6kemiallista, kun taas keinoneuronit viestiv\u00e4t t\u00e4ysin numeroilla. Yhteist\u00e4 niille on se, ett\u00e4 ne molemmat ovat kesken\u00e4\u00e4n tiiviiss\u00e4 yhteydess\u00e4 verkkorakenteessa.
\n\n\n\n![\"Perseptronin](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/perseptroni-1-1920x352.png\")
Perseptroni on oppiva algoritmi. Se oppii sy\u00f6tteiden ja tulosteiden v\u00e4lisi\u00e4 yhteyksi\u00e4: toimintaperiaate on saanut innoituksensa biologisten hermosolujen v\u00e4lisist\u00e4 yhteyksist\u00e4. Perseptroni on luokittelija: sen avulla aineistoa voidaan lajitella kahteen luokkaan (esimerkiksi kissa tai ei-kissa).
\n\n\n\nYksitt\u00e4inen neuroni ei voi prosessoida kovin paljoa itsekseen. Painokertoimet, eli tietyt yhteydet pisteiden v\u00e4lill\u00e4, sek\u00e4 koko verkon rakenne, ovat t\u00e4rke\u00e4ss\u00e4 roolissa informaation kulkeutumisessa ja oppimisessa.
\n\n\n\nPerseptronista tulee monikerrosperseptroni \u2014 neuroverkko \u2014 yksinkertaisesti silloin, kun perseptroneja on verkkorakenteessa enemm\u00e4n kuin yksi.
\n\n\n\nNeuroverkkojen syvyys syntyy lis\u00e4\u00e4m\u00e4ll\u00e4 uusia kerroksia sy\u00f6te- ja tulostekerrosten v\u00e4liin (juuri t\u00e4h\u00e4n viitataan, kun puhutaan syv\u00e4oppimisesta). Joitakin kerroksia kutsutaan piilokerroksiksi, koska ne ovat sy\u00f6te- ja tulostekerrosten v\u00e4liss\u00e4, eik\u00e4 n\u00e4iss\u00e4 kerroksissa aina suoraan m\u00e4\u00e4ritell\u00e4, mit\u00e4 piirteit\u00e4 aineistosta pit\u00e4isi kyseisess\u00e4 kerroksessa etsi\u00e4.
\n\n\n\nNeuroverkon rakenne voi olla millainen hyv\u00e4ns\u00e4. Kerroksessa voi olla monta neuronia, ja neuronit voivat olla my\u00f6s kerroksen sis\u00e4ll\u00e4 vuorovaikutuksessa.
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/rnn-1-1920x399.png\")
Informaatio voi liikkua suoraan neuronista seuraavaan (eteenp\u00e4in sy\u00f6tt\u00e4v\u00e4, feed-forward) tai se voi palata verkossa takaisin (takaisinkytkeytyv\u00e4, recurrent). Yll\u00e4 oleva kuva kuvaa yksinkertaistetusti molempia tapoja.
\n\n\n\nTakaisinkytkeytyvi\u00e4 neuroverkkoja (RNN) k\u00e4ytet\u00e4\u00e4n malleissa, joissa per\u00e4kk\u00e4inen informaatio, konteksti \u2014 er\u00e4\u00e4nlainen lyhytaikainen muisti \u2014 on t\u00e4rke\u00e4\u00e4, kuten konek\u00e4\u00e4nn\u00f6ksiss\u00e4.
\n\n\n\nSek\u00e4 ihmis- ett\u00e4 keinotekoisissa neuroverkoissa oppiminen vahvistaa neuronien v\u00e4lisi\u00e4 yhteyksi\u00e4.
\n\n\n\nKeinoneuroverkoissa n\u00e4it\u00e4 yhteyksi\u00e4 kutsutaan painokertoimiksi. Painokertoimien muutos voi esimerkiksi tapahtua vastavirta-algoritmin (backpropagation) kautta. Kun malli tekee ennusteita, ennustevirheet virtaavat takaisin. T\u00e4m\u00e4 p\u00e4ivitt\u00e4\u00e4 neuronien v\u00e4lisi\u00e4 yhteyksi\u00e4 ja muuttaa painokertoimia.
\n\n\n\nKeinoverkkojen ja sinun v\u00e4lill\u00e4si on t\u00e4rke\u00e4 ero: toisin kuin keinotekoisten verkkojen, sinun ei tarvitse n\u00e4hd\u00e4 yksitt\u00e4ist\u00e4 esinett\u00e4 kovin montaa kertaa ennen kuin muistat n\u00e4hneesi sen aiemminkin.
\n\n\n\nToisaalta sanotaan usein, ett\u00e4 ihmismuistin suhteen ongelma ei suinkaan ole varastointitila, vaan pikemminkin muistista haku! On t\u00e4ysin normaalia \u201cunohtaa\u201d yst\u00e4v\u00e4n nimi, vaikka tunnistaisitkin t\u00e4m\u00e4n kasvot. Jos keinoverkko tunnistaa kuvan, se varmasti kykenee noutamaan kaiken tiedon, joka sen yhteyteen on varastoitu.
\n\n\n\nTied\u00e4t, ett\u00e4 yll\u00e4 oleva esine k\u00e4visi istumiseen, vaikka et olekaan n\u00e4hnyt sit\u00e4 koskaan ennen. Ehk\u00e4 jopa kutsuisit sit\u00e4 tuoliksi. K\u00e4yt\u00e4t n\u00e4in aiempaa tietoasi ja yleist\u00e4t sen uuteen informaatioon.
\n\n\n\nMy\u00f6s keinoneuroverkot taitavat yleistyksen periaatteet, mutta tiettyyn pisteeseen asti. Jos keinoverkko on saanut katsella vain nelijalkaisia jakkaroita oppiessaan tuolin k\u00e4sitett\u00e4, se tuskin ymm\u00e4rt\u00e4\u00e4 pallotuolin tuoliksi.
\n\n\n\nGeneratiiviset kilpailevat verkot (generative adversarial networks, GAN) ovat joukko koneoppimismalleja, jotka oppivat \u201ckuvittelemaan\u201d uusia asioita. GAN-verkkoja voi k\u00e4ytt\u00e4\u00e4 esimerkiksi kuvien luomiseen \u2013 niin kutsuttujen \u201cdeepfakejen\u201d, \u201cv\u00e4\u00e4rennettyjen\u201d valokuvien, takana ovat GAN-menetelm\u00e4t.
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/gans-fin-1877x1080.png\")
Verkolla on kaksi osaa: Tuottaja ja Luokittelija. Tuottaja oppii luomaan yh\u00e4 realistisempia kuvia n\u00e4ytt\u00e4m\u00e4ll\u00e4 keksimi\u00e4\u00e4n tuotoksia Luokittelijalle. Luokittelijalla on pino aitoja kuvia, joihin se vertaa Tuottajan kuvia. Tuottaja pyrkii huijaamaan Luokittelijaa kehitt\u00e4m\u00e4ll\u00e4 niin aidon n\u00e4k\u00f6isi\u00e4 kuvia kuin mahdollista.
\n\n\n\nAina kun Tuottaja onnistuu teht\u00e4v\u00e4ss\u00e4\u00e4n, se oppii Luokittelijalta, milt\u00e4 aito kuva n\u00e4ytt\u00e4\u00e4, ja parantaa strategiaansa. Lopulta Tuottajan v\u00e4\u00e4renn\u00f6kset alkavat muistuttaa aitoja kuvia. N\u00e4iden kahden v\u00e4linen kilpailu on saanut aikaan aika vakuuttavia tuloksia!
\n", "content_text": "Generatiiviset kilpailevat verkot (generative adversarial networks, GAN) ovat joukko koneoppimismalleja, jotka oppivat \u201ckuvittelemaan\u201d uusia asioita. GAN-verkkoja voi k\u00e4ytt\u00e4\u00e4 esimerkiksi kuvien luomiseen \u2013 niin kutsuttujen \u201cdeepfakejen\u201d, \u201cv\u00e4\u00e4rennettyjen\u201d valokuvien, takana ovat GAN-menetelm\u00e4t. \n\n\n\n\n\n\n\nGAN-verkon opettaminen\n\n\n\nVerkolla on kaksi osaa: Tuottaja ja Luokittelija. Tuottaja oppii luomaan yh\u00e4 realistisempia kuvia n\u00e4ytt\u00e4m\u00e4ll\u00e4 keksimi\u00e4\u00e4n tuotoksia Luokittelijalle. Luokittelijalla on pino aitoja kuvia, joihin se vertaa Tuottajan kuvia. Tuottaja pyrkii huijaamaan Luokittelijaa kehitt\u00e4m\u00e4ll\u00e4 niin aidon n\u00e4k\u00f6isi\u00e4 kuvia kuin mahdollista. \n\n\n\nAina kun Tuottaja onnistuu teht\u00e4v\u00e4ss\u00e4\u00e4n, se oppii Luokittelijalta, milt\u00e4 aito kuva n\u00e4ytt\u00e4\u00e4, ja parantaa strategiaansa. Lopulta Tuottajan v\u00e4\u00e4renn\u00f6kset alkavat muistuttaa aitoja kuvia. N\u00e4iden kahden v\u00e4linen kilpailu on saanut aikaan aika vakuuttavia tuloksia!", "date_published": "2019-12-11T15:45:38+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/saantopohjaiset-jarjestelmat/", "url": "https://connecting-dots.aalto.fi/saantopohjaiset-jarjestelmat/", "title": "S\u00e4\u00e4nt\u00f6pohjaiset j\u00e4rjestelm\u00e4t", "content_html": "\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/kissa-1-1633x1080.png\")
Ensimm\u00e4iset teko\u00e4lyohjelmat olivat s\u00e4\u00e4nt\u00f6pohjaisia. Niiden takana oli usein formaali looginen p\u00e4\u00e4ttely. S\u00e4\u00e4nt\u00f6pohjaiset ohjelmat toimivat annettujen s\u00e4\u00e4nt\u00f6jen perusteella. Esimerkiksi kissat takaperin kirjoittavassa ohjelmassa olisi seuraava s\u00e4\u00e4nt\u00f6: Jos sana \u201ckissa\u201d l\u00f6ytyy tekstist\u00e4, k\u00e4\u00e4nn\u00e4 t\u00e4m\u00e4n sanan sanaj\u00e4rjestys.
\n\n\n\nKaikki ohjelman soveltamat s\u00e4\u00e4nn\u00f6t muunnetaan ensin t\u00e4sm\u00e4lliseen loogiseen muotoon. S\u00e4\u00e4nn\u00f6ist\u00e4 tulee tietokanta, joka on mahdollisesti hierarkkisesti j\u00e4rjest\u00e4ytynyt. Mit\u00e4 monimutkaisempi j\u00e4rjestelm\u00e4 on, sit\u00e4 enemm\u00e4n s\u00e4\u00e4nt\u00f6j\u00e4 siin\u00e4 on.
\n\n\n\nOntologialuokittelu ja semanttinen laskenta toimivat usein s\u00e4\u00e4nt\u00f6pohjaisilla periaatteilla.
\n", "content_text": "Ensimm\u00e4iset teko\u00e4lyohjelmat olivat s\u00e4\u00e4nt\u00f6pohjaisia. Niiden takana oli usein formaali looginen p\u00e4\u00e4ttely. S\u00e4\u00e4nt\u00f6pohjaiset ohjelmat toimivat annettujen s\u00e4\u00e4nt\u00f6jen perusteella. Esimerkiksi kissat takaperin kirjoittavassa ohjelmassa olisi seuraava s\u00e4\u00e4nt\u00f6: Jos sana \u201ckissa\u201d l\u00f6ytyy tekstist\u00e4, k\u00e4\u00e4nn\u00e4 t\u00e4m\u00e4n sanan sanaj\u00e4rjestys.\n\n\n\nKaikki ohjelman soveltamat s\u00e4\u00e4nn\u00f6t muunnetaan ensin t\u00e4sm\u00e4lliseen loogiseen muotoon. S\u00e4\u00e4nn\u00f6ist\u00e4 tulee tietokanta, joka on mahdollisesti hierarkkisesti j\u00e4rjest\u00e4ytynyt. Mit\u00e4 monimutkaisempi j\u00e4rjestelm\u00e4 on, sit\u00e4 enemm\u00e4n s\u00e4\u00e4nt\u00f6j\u00e4 siin\u00e4 on. \n\n\n\nOntologialuokittelu ja semanttinen laskenta toimivat usein s\u00e4\u00e4nt\u00f6pohjaisilla periaatteilla.", "date_published": "2019-12-11T15:44:56+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/koska-robotit-sitten-kykenevat-todelliseen-alykkyyteen/", "url": "https://connecting-dots.aalto.fi/koska-robotit-sitten-kykenevat-todelliseen-alykkyyteen/", "title": "Koska robotit sitten kykenev\u00e4t todelliseen \u00e4lykkyyteen?", "content_html": "\n\n", "content_text": "Sellaisia ohjelmia, jotka osaavat ratkoa hyvin m\u00e4\u00e4riteltyj\u00e4 ongelmia (kuten kissan erottaminen koirasta tai shakkipeli) kutsutaan heikoksi tai kapeaksi teko\u00e4lyksi. Viimeaikaiset ohjelmat taitavat t\u00e4m\u00e4n jo aika hyvin. Osittain itsen\u00e4iset autot, suositteluj\u00e4rjestelm\u00e4t sek\u00e4 kuvantunnistus ovat vain muutama esimerkki jo k\u00e4yt\u00f6ss\u00e4 olevista t\u00e4llaista teko\u00e4ly\u00e4 soveltavista arkisista j\u00e4rjestelmist\u00e4.Sellainen ihmisen kaltaista \u00e4ly\u00e4 osoittava ohjelma, joka p\u00e4rj\u00e4isi arkisen monimutkaisessa ymp\u00e4rist\u00f6ss\u00e4 \u2013 k\u00e4visi vaikka py\u00f6r\u00e4retkell\u00e4 j\u00e4rven rannalla ihastelemassa maisemia ja maalaisi niist\u00e4 taulun \u2013 edustaisi vahvaa teko\u00e4ly\u00e4. T\u00e4ll\u00e4 hetkell\u00e4 moinen on tieteisfiktiota! Kumpi sitten on \u00e4lykk\u00e4\u00e4mpi, roskapostisuodatin vai puhesyntetisaattori? Kysymys on v\u00e4h\u00e4n h\u00f6ps\u00f6, eik\u00f6 vain? Suodatin ja syntetisaattori edustavat kapeaa teko\u00e4ly\u00e4. Ne ovat \u201c\u00e4lykk\u00e4it\u00e4\u201d vain yhden kapean alan alla. Vaikka puhesyntetisaattori osaakin tuottaa ihmisille ymm\u00e4rrett\u00e4v\u00e4\u00e4 puhetta, ei se silti ymm\u00e4rr\u00e4 sanomaansa. Tutustu Elements of AI -kurssiin!", "date_published": "2019-12-11T15:44:20+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/tietoaineistot-ihmiset-ja-vinoumat/", "url": "https://connecting-dots.aalto.fi/tietoaineistot-ihmiset-ja-vinoumat/", "title": "Tietoaineistot, ihmiset ja vinoumat", "content_html": "\nSellaisia ohjelmia, jotka osaavat ratkoa hyvin m\u00e4\u00e4riteltyj\u00e4 ongelmia (kuten kissan erottaminen koirasta tai shakkipeli) kutsutaan heikoksi tai kapeaksi teko\u00e4lyksi. Viimeaikaiset ohjelmat taitavat t\u00e4m\u00e4n jo aika hyvin. Osittain itsen\u00e4iset autot, suositteluj\u00e4rjestelm\u00e4t sek\u00e4 kuvantunnistus ovat vain muutama esimerkki jo k\u00e4yt\u00f6ss\u00e4 olevista t\u00e4llaista teko\u00e4ly\u00e4 soveltavista arkisista j\u00e4rjestelmist\u00e4.
Sellainen ihmisen kaltaista \u00e4ly\u00e4 osoittava ohjelma, joka p\u00e4rj\u00e4isi arkisen monimutkaisessa ymp\u00e4rist\u00f6ss\u00e4 \u2013 k\u00e4visi vaikka py\u00f6r\u00e4retkell\u00e4 j\u00e4rven rannalla ihastelemassa maisemia ja maalaisi niist\u00e4 taulun \u2013 edustaisi vahvaa teko\u00e4ly\u00e4. T\u00e4ll\u00e4 hetkell\u00e4 moinen on tieteisfiktiota!
Kumpi sitten on \u00e4lykk\u00e4\u00e4mpi, roskapostisuodatin vai puhesyntetisaattori? Kysymys on v\u00e4h\u00e4n h\u00f6ps\u00f6, eik\u00f6 vain? Suodatin ja syntetisaattori edustavat kapeaa teko\u00e4ly\u00e4. Ne ovat \u201c\u00e4lykk\u00e4it\u00e4\u201d vain yhden kapean alan alla. Vaikka puhesyntetisaattori osaakin tuottaa ihmisille ymm\u00e4rrett\u00e4v\u00e4\u00e4 puhetta, ei se silti ymm\u00e4rr\u00e4 sanomaansa.
Tutustu Elements of AI -kurssiin!
Ihmiset p\u00e4\u00e4tt\u00e4v\u00e4t, mink\u00e4laista tietoaineistoa koneille sy\u00f6tet\u00e4\u00e4n ja millaista koodia ne ajavat. Koneet tekev\u00e4t vain sen, mit\u00e4 ne on ohjelmoitu tekem\u00e4\u00e4n.
\n\n\n\nEsimerkiksi ImageNet on valtava, laajasti k\u00e4ytetty valokuvatietoaineisto. Sen sis\u00e4lt\u00e4m\u00e4t valokuvat on haettu automaattisesti internetist\u00e4, ja ne sis\u00e4lt\u00e4v\u00e4t niin kuvapankkikuvia, selfieit\u00e4 ja kaikkea silt\u00e4 v\u00e4lilt\u00e4.
\n\n\n\nKaikki ImageNetin kuvat on luokiteltu sanallisesti, ja t\u00e4m\u00e4 luokitusprosessi on ollut sataprosenttisesti ihmisen hoitamaa ty\u00f6t\u00e4. Nettipalvelun kautta palkattujen ty\u00f6ntekij\u00f6iden teht\u00e4v\u00e4n\u00e4 oli katsoa kuvia ja valita jokaiselle kuvaavin nimike toisesta, valtavasta sana-aineistosta. Listassa oli neutraaleja sanoja, kuten \u201comena\u201d, mutta my\u00f6s melkoisen latautuneita termej\u00e4 luuserista rasistisiin solvauksiin.
\n\n\n\nT\u00e4m\u00e4n vuoksi osalla ImageNetin kuvista on edelleen hyvin kyseenalainen nimeke. Vinoutuneella aineistolla voi olettaa saavansa vain saman vinouman analysoitavaksi.
\n\n\n\n\n\n\n\n\n\n\n\nJotta olisi mahdollista rakentaa malli, joka on hyvin yleistett\u00e4viss\u00e4 muuhunkin kuin mallin opettamiseen k\u00e4ytettyyn aineistoon, aineistossa on oltava riitt\u00e4v\u00e4sti relevanttia informaatiota tulokseen vaikuttavista tekij\u00f6ist\u00e4. Jos esimerkiksi rakennamme kuvien luokittimen, joka pystyy tunnistamaan, mit\u00e4 siihen sy\u00f6tetty kuva esitt\u00e4\u00e4, mutta k\u00e4yt\u00e4mme opetusdatana ainoastaan kissojen ja koirien kuvia, luokitin luokittelee joka ikisen kuvan kissaksi tai koiraksi. T\u00e4m\u00e4 olisi ok, jos luokitinta k\u00e4ytett\u00e4isiin vain kissojen ja koirien erottamiseen toisistaan, mutta ei silloin, jos sit\u00e4 tarvittaisiin my\u00f6s tunnistamaan veneit\u00e4, autoja tai kauniita kukkia.
Tutustu Elements of AI -kurssiin!
Teko\u00e4lyn kaltaisten nousevien teknologioiden ep\u00e4m\u00e4\u00e4r\u00e4isen luonteen vuoksi k\u00e4ytt\u00e4j\u00e4t ovat ep\u00e4varmoja siit\u00e4, mit\u00e4 teknologia on, mit\u00e4 sill\u00e4 voi tehd\u00e4, ja miten se vaikuttaa koko yhteiskuntaan. Jopa teko\u00e4lyn \u201cyhteiskunnallisia vaikutuksia\u201d k\u00e4sittelev\u00e4 tutkimus tarkastelee usein teknologiaa optimistisesta tai pessimistisest\u00e4 n\u00e4k\u00f6kulmasta.
\n\n\n\nOn tyypillist\u00e4, ett\u00e4 nousevasta teknologiasta syntyy mahdollisesti ristiriitaisia merkityksi\u00e4, teknologisia viitekehyksi\u00e4 ja ajatuksia. Teko\u00e4ly vilahtelee otsikoissa tuon tuosta. Viime k\u00e4dess\u00e4 n\u00e4m\u00e4 julkiset keskustelut muokkaavat teknologisia kehityskulkuja.
\n\n\n\nVoisi sanoa, ett\u00e4 teko\u00e4lyn kaltaisen nousevan teknologian kehitys nopeutuu tai hidastuu riippuen jaetuista k\u00e4sityksist\u00e4 ja asenteista, joita teko\u00e4lyyn liittyy.
\n\n\n\nAjattele esimerkiksi ydinvoiman sek\u00e4 geeniteknologian ymp\u00e4rilt\u00e4 haihtunutta hehkutusta. N\u00e4m\u00e4 nousevat teknologiat toivat mukanaan poikkeuksellisia, tulevaisuuteen suuntautuvia mahdollisuuksia yhteiskunnalle ja yrityksille, mutta lopulta joutuivat julkisen kritiikin vuoksi syrj\u00e4\u00e4n.
\n", "content_text": "Ihmiset p\u00e4\u00e4tt\u00e4v\u00e4t, mink\u00e4laista tietoaineistoa koneille sy\u00f6tet\u00e4\u00e4n ja millaista koodia ne ajavat. Koneet tekev\u00e4t vain sen, mit\u00e4 ne on ohjelmoitu tekem\u00e4\u00e4n.\n\n\n\nTietoaineiston luovat ja kokoavat ihmiset.\n\n\n\nEsimerkiksi ImageNet on valtava, laajasti k\u00e4ytetty valokuvatietoaineisto. Sen sis\u00e4lt\u00e4m\u00e4t valokuvat on haettu automaattisesti internetist\u00e4, ja ne sis\u00e4lt\u00e4v\u00e4t niin kuvapankkikuvia, selfieit\u00e4 ja kaikkea silt\u00e4 v\u00e4lilt\u00e4. \n\n\n\nKaikki ImageNetin kuvat on luokiteltu sanallisesti, ja t\u00e4m\u00e4 luokitusprosessi on ollut sataprosenttisesti ihmisen hoitamaa ty\u00f6t\u00e4. Nettipalvelun kautta palkattujen ty\u00f6ntekij\u00f6iden teht\u00e4v\u00e4n\u00e4 oli katsoa kuvia ja valita jokaiselle kuvaavin nimike toisesta, valtavasta sana-aineistosta. Listassa oli neutraaleja sanoja, kuten \u201comena\u201d, mutta my\u00f6s melkoisen latautuneita termej\u00e4 luuserista rasistisiin solvauksiin. \n\n\n\nT\u00e4m\u00e4n vuoksi osalla ImageNetin kuvista on edelleen hyvin kyseenalainen nimeke. Vinoutuneella aineistolla voi olettaa saavansa vain saman vinouman analysoitavaksi. \n\n\n\n\n\n\n\nJotta olisi mahdollista rakentaa malli, joka on hyvin yleistett\u00e4viss\u00e4 muuhunkin kuin mallin opettamiseen k\u00e4ytettyyn aineistoon, aineistossa on oltava riitt\u00e4v\u00e4sti relevanttia informaatiota tulokseen vaikuttavista tekij\u00f6ist\u00e4. Jos esimerkiksi rakennamme kuvien luokittimen, joka pystyy tunnistamaan, mit\u00e4 siihen sy\u00f6tetty kuva esitt\u00e4\u00e4, mutta k\u00e4yt\u00e4mme opetusdatana ainoastaan kissojen ja koirien kuvia, luokitin luokittelee joka ikisen kuvan kissaksi tai koiraksi. T\u00e4m\u00e4 olisi ok, jos luokitinta k\u00e4ytett\u00e4isiin vain kissojen ja koirien erottamiseen toisistaan, mutta ei silloin, jos sit\u00e4 tarvittaisiin my\u00f6s tunnistamaan veneit\u00e4, autoja tai kauniita kukkia.Tutustu Elements of AI -kurssiin!\n\n\n\nTeko\u00e4ly ja yhteiskunnan asenteet\n\n\n\nTeko\u00e4lyn kaltaisten nousevien teknologioiden ep\u00e4m\u00e4\u00e4r\u00e4isen luonteen vuoksi k\u00e4ytt\u00e4j\u00e4t ovat ep\u00e4varmoja siit\u00e4, mit\u00e4 teknologia on, mit\u00e4 sill\u00e4 voi tehd\u00e4, ja miten se vaikuttaa koko yhteiskuntaan. Jopa teko\u00e4lyn \u201cyhteiskunnallisia vaikutuksia\u201d k\u00e4sittelev\u00e4 tutkimus tarkastelee usein teknologiaa optimistisesta tai pessimistisest\u00e4 n\u00e4k\u00f6kulmasta.\n\n\n\nOn tyypillist\u00e4, ett\u00e4 nousevasta teknologiasta syntyy mahdollisesti ristiriitaisia merkityksi\u00e4, teknologisia viitekehyksi\u00e4 ja ajatuksia. Teko\u00e4ly vilahtelee otsikoissa tuon tuosta. Viime k\u00e4dess\u00e4 n\u00e4m\u00e4 julkiset keskustelut muokkaavat teknologisia kehityskulkuja.\n\n\n\nVoisi sanoa, ett\u00e4 teko\u00e4lyn kaltaisen nousevan teknologian kehitys nopeutuu tai hidastuu riippuen jaetuista k\u00e4sityksist\u00e4 ja asenteista, joita teko\u00e4lyyn liittyy. \n\n\n\nAjattele esimerkiksi ydinvoiman sek\u00e4 geeniteknologian ymp\u00e4rilt\u00e4 haihtunutta hehkutusta. N\u00e4m\u00e4 nousevat teknologiat toivat mukanaan poikkeuksellisia, tulevaisuuteen suuntautuvia mahdollisuuksia yhteiskunnalle ja yrityksille, mutta lopulta joutuivat julkisen kritiikin vuoksi syrj\u00e4\u00e4n.", "date_published": "2019-12-11T15:43:43+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/konvoluutioverkot-saivat-innoituksensa-nakoaistista/", "url": "https://connecting-dots.aalto.fi/konvoluutioverkot-saivat-innoituksensa-nakoaistista/", "title": "Konvoluutioverkot saivat innoituksensa n\u00e4k\u00f6aistista", "content_html": "\nKonvoluutioneuroverkoissa (convolutional neural networks, CNNs) on osia, joiden rakenne ja toiminta muistuttavat el\u00e4inaivojen varhaisia n\u00e4k\u00f6alueita. Opetetut neuroverkot suoriutuvat l\u00e4hes ihmisen tasoisesti joissakin tunnistusteht\u00e4viss\u00e4.
\n\n\n\nKun katsot jonkin henkil\u00f6n kasvokuvaa, aivosi pilkkovat n\u00e4k\u00f6havainnon osiin. Havainto alkaa yksinkertaisista piirteist\u00e4 ja siirtyy kerroksittain monimutkaisempiin kokonaisuuksiin, hieman alla olevan piirroksen kaltaisesti:
\n\n\n\n![\"A](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/Asset-1-1-1920x749.png\")
T\u00e4m\u00e4 kaikki toki tapahtuu silm\u00e4nr\u00e4p\u00e4yksess\u00e4 (heh) ja tiedostamatta, joten todenn\u00e4k\u00f6isesti huomaat vain aivojesi lopullisen tulkinnan silmiesi v\u00e4litt\u00e4m\u00e4st\u00e4 informaatiosta.
\n\n\n\nKonvoluutioverkot k\u00e4sittelev\u00e4t informaatiota samalla tavalla kerroksittain. Jokainen kerros tuottaa v\u00e4h\u00e4n monimutkaisemman k\u00e4sityksen kuvasta kuin edellinen. Joissakin kerroksissa k\u00e4ytet\u00e4\u00e4n matemaattista operaatiota nimelt\u00e4 konvoluutio: t\u00e4st\u00e4 tulee verkkorakenteen nimi.
\n\n\n\nMuistutamme, ett\u00e4 biologisessa n\u00e4k\u00f6j\u00e4rjestelm\u00e4ss\u00e4 on monia ominaisuuksia, joita konvoluutioverkoissa ei ole, ja jotkin konvoluutioverkon ominaisuudet tuskin vastaavat luonnollisia olosuhteita.
\n", "content_text": "Konvoluutioneuroverkoissa (convolutional neural networks, CNNs) on osia, joiden rakenne ja toiminta muistuttavat el\u00e4inaivojen varhaisia n\u00e4k\u00f6alueita. Opetetut neuroverkot suoriutuvat l\u00e4hes ihmisen tasoisesti joissakin tunnistusteht\u00e4viss\u00e4. \n\n\n\nKun katsot jonkin henkil\u00f6n kasvokuvaa, aivosi pilkkovat n\u00e4k\u00f6havainnon osiin. Havainto alkaa yksinkertaisista piirteist\u00e4 ja siirtyy kerroksittain monimutkaisempiin kokonaisuuksiin, hieman alla olevan piirroksen kaltaisesti:\n\n\n\n\n\n\n\nT\u00e4m\u00e4 kaikki toki tapahtuu silm\u00e4nr\u00e4p\u00e4yksess\u00e4 (heh) ja tiedostamatta, joten todenn\u00e4k\u00f6isesti huomaat vain aivojesi lopullisen tulkinnan silmiesi v\u00e4litt\u00e4m\u00e4st\u00e4 informaatiosta.\n\n\n\nKonvoluutioverkot k\u00e4sittelev\u00e4t informaatiota samalla tavalla kerroksittain. Jokainen kerros tuottaa v\u00e4h\u00e4n monimutkaisemman k\u00e4sityksen kuvasta kuin edellinen. Joissakin kerroksissa k\u00e4ytet\u00e4\u00e4n matemaattista operaatiota nimelt\u00e4 konvoluutio: t\u00e4st\u00e4 tulee verkkorakenteen nimi.\n\n\n\nMuistutamme, ett\u00e4 biologisessa n\u00e4k\u00f6j\u00e4rjestelm\u00e4ss\u00e4 on monia ominaisuuksia, joita konvoluutioverkoissa ei ole, ja jotkin konvoluutioverkon ominaisuudet tuskin vastaavat luonnollisia olosuhteita.", "date_published": "2019-12-11T15:43:22+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/eri-keinoja-oppia-ja-opettaa/", "url": "https://connecting-dots.aalto.fi/eri-keinoja-oppia-ja-opettaa/", "title": "Eri keinoja oppia ja opettaa", "content_html": "\nKoneoppimismallit oppivat tunnistamaan ja luokittelemaan tietoja opetusdatan avulla. Opetusdata on todellisen luokitteludatan kanssa samankaltaista, mutta ei suinkaan samaa dataa (koska seh\u00e4n olisi huijausta!).
\n\n\n\n![\"Opetusdata](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/data-1-1920x416.png\")
Otetaan esimerkiksi ohjelma, jota opetetaan tunnistamaan eri el\u00e4imi\u00e4. Opetuksen voi toteuttaa eri tavoilla:
\n\n\n\n![\"Valvotussa](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/svl-fin-1-1920x393.png\")
Opetusdata voi sis\u00e4lt\u00e4\u00e4 esimerkkej\u00e4 oikeista pareista (esimerkiksi kuvia koirista, joihin on liitetty nimike \u2018koira\u2019 ym.). T\u00e4t\u00e4 kutsutaan valvotuksi oppimiseksi, koska tied\u00e4mme, ett\u00e4 opetusdata sis\u00e4lt\u00e4\u00e4 oikeita esimerkkej\u00e4.
\n\n\n\nValvottu oppiminen muistuttaa tuttujen sanojen opettelua vieraalla kielell\u00e4: esimerkiksi silloin, kun joku kertoo, ett\u00e4 \u2018hund\u2019 on \u2018koira\u2019 ruotsiksi.
\n\n\n\nOpetusdata voi my\u00f6s olla raakadataa, ja voimme antaa ohjelman k\u00e4sitell\u00e4 sit\u00e4 itse. T\u00e4st\u00e4 voidaan jatkaa kahdella tavalla:
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/rawdata-1-1-326x1080.png\")
Ohjelma voi keksi\u00e4 merkitsev\u00e4t piirteet itse (etsim\u00e4ll\u00e4 s\u00e4\u00e4nn\u00f6nmukaisuuksia aineistosta) ja luokitella asiat kokonaan itse.
\n\n\n\nJos kaikki koirat ja kissat opetusdatassa ovat valkoisia, mutta hevoset ovat ruskeita, on todenn\u00e4k\u00f6ist\u00e4, ett\u00e4 ohjelma p\u00e4\u00e4tyy lajittelemaan el\u00e4imet v\u00e4rin mukaan el\u00e4inlajin sijaan. T\u00e4t\u00e4 me emme halunneet!
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/rawdata-2-334x1080.png\")
Jotta t\u00e4ll\u00e4 l\u00e4hestymistavalla saadaan realistinen lopputulos, ohjelmalla pit\u00e4\u00e4 olla valtavat m\u00e4\u00e4r\u00e4t monimuotoista dataa.
\n\n\n\nVoidaan ajatella, ett\u00e4 ihminen oppii suurimman osan asioista valvomatta. Vauvat oppivat j\u00e4sent\u00e4m\u00e4\u00e4n ja tuottamaan lauseita ihan itse: kukaan ei ensin selit\u00e4 kielioppi- tai \u00e4\u00e4nt\u00e4miss\u00e4\u00e4nt\u00f6j\u00e4 vauvoille, ja silti he oppivat puhumaan.
\n\n\n\nOn toki totta, ett\u00e4 ihmisvauvat viett\u00e4v\u00e4t suurimman osan ajastaan seurailllen itsen\u00e4isesti aikuisen esimerkki\u00e4, toisin kuin keinoneuroverkot.
\n\n\n\n![\"\"](\"https://connecting-dots.aalto.fi/wp-content/uploads/2019/12/rfl-1-1920x336.png\")
Ohjelma voi my\u00f6s oppia yrityksen ja erehdyksen kautta. T\u00e4t\u00e4 kutsutaan vahvistusoppimiseksi. Jos esimerkkiohjelmamme erehtyisi vaikkapa laittamaan kissan kenneliin, syntyisi paljon murinaa ja s\u00e4hin\u00e4\u00e4. T\u00e4m\u00e4 palaute saisi ohjelman v\u00e4ltt\u00e4m\u00e4\u00e4n saman tempun toistamista.
\n\n\n\nJos jaat jotakin sosiaalisessa mediassa ja saat paljon tykk\u00e4yksi\u00e4, on se sinulle kannustus tehd\u00e4 sama uudestaan. T\u00e4m\u00e4 on vahvistusoppimista (psykologian k\u00e4sitteiss\u00e4 operanttia ehdollistumista)!
\n", "content_text": "Koneoppimismallit oppivat tunnistamaan ja luokittelemaan tietoja opetusdatan avulla. Opetusdata on todellisen luokitteludatan kanssa samankaltaista, mutta ei suinkaan samaa dataa (koska seh\u00e4n olisi huijausta!). \n\n\n\n\n\n\n\nOtetaan esimerkiksi ohjelma, jota opetetaan tunnistamaan eri el\u00e4imi\u00e4. Opetuksen voi toteuttaa eri tavoilla: \n\n\n\nValvottu oppiminen \n\n\n\n\n\n\n\nOpetusdata voi sis\u00e4lt\u00e4\u00e4 esimerkkej\u00e4 oikeista pareista (esimerkiksi kuvia koirista, joihin on liitetty nimike \u2018koira\u2019 ym.). T\u00e4t\u00e4 kutsutaan valvotuksi oppimiseksi, koska tied\u00e4mme, ett\u00e4 opetusdata sis\u00e4lt\u00e4\u00e4 oikeita esimerkkej\u00e4. \n\n\n\nValvottu oppiminen muistuttaa tuttujen sanojen opettelua vieraalla kielell\u00e4: esimerkiksi silloin, kun joku kertoo, ett\u00e4 \u2018hund\u2019 on \u2018koira\u2019 ruotsiksi. \n\n\n\nOpetusdata voi my\u00f6s olla raakadataa, ja voimme antaa ohjelman k\u00e4sitell\u00e4 sit\u00e4 itse. T\u00e4st\u00e4 voidaan jatkaa kahdella tavalla:\n\n\n\nValvomaton oppiminen\n\n\n\n\n\n\n\n\n\nOhjelma voi keksi\u00e4 merkitsev\u00e4t piirteet itse (etsim\u00e4ll\u00e4 s\u00e4\u00e4nn\u00f6nmukaisuuksia aineistosta) ja luokitella asiat kokonaan itse.\n\n\n\nJos kaikki koirat ja kissat opetusdatassa ovat valkoisia, mutta hevoset ovat ruskeita, on todenn\u00e4k\u00f6ist\u00e4, ett\u00e4 ohjelma p\u00e4\u00e4tyy lajittelemaan el\u00e4imet v\u00e4rin mukaan el\u00e4inlajin sijaan. T\u00e4t\u00e4 me emme halunneet!\n\n\n\n\n\n\n\nJotta t\u00e4ll\u00e4 l\u00e4hestymistavalla saadaan realistinen lopputulos, ohjelmalla pit\u00e4\u00e4 olla valtavat m\u00e4\u00e4r\u00e4t monimuotoista dataa. \n\n\n\nVoidaan ajatella, ett\u00e4 ihminen oppii suurimman osan asioista valvomatta. Vauvat oppivat j\u00e4sent\u00e4m\u00e4\u00e4n ja tuottamaan lauseita ihan itse: kukaan ei ensin selit\u00e4 kielioppi- tai \u00e4\u00e4nt\u00e4miss\u00e4\u00e4nt\u00f6j\u00e4 vauvoille, ja silti he oppivat puhumaan. \n\n\n\nOn toki totta, ett\u00e4 ihmisvauvat viett\u00e4v\u00e4t suurimman osan ajastaan seurailllen itsen\u00e4isesti aikuisen esimerkki\u00e4, toisin kuin keinoneuroverkot.\n\n\n\nVahvistusoppiminen\n\n\n\n\n\n\n\nOhjelma voi my\u00f6s oppia yrityksen ja erehdyksen kautta. T\u00e4t\u00e4 kutsutaan vahvistusoppimiseksi. Jos esimerkkiohjelmamme erehtyisi vaikkapa laittamaan kissan kenneliin, syntyisi paljon murinaa ja s\u00e4hin\u00e4\u00e4. T\u00e4m\u00e4 palaute saisi ohjelman v\u00e4ltt\u00e4m\u00e4\u00e4n saman tempun toistamista.\n\n\n\nJos jaat jotakin sosiaalisessa mediassa ja saat paljon tykk\u00e4yksi\u00e4, on se sinulle kannustus tehd\u00e4 sama uudestaan. T\u00e4m\u00e4 on vahvistusoppimista (psykologian k\u00e4sitteiss\u00e4 operanttia ehdollistumista)!", "date_published": "2019-12-11T15:38:49+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/aivot-energia-ja-teho/", "url": "https://connecting-dots.aalto.fi/aivot-energia-ja-teho/", "title": "Aivot, energia ja teho", "content_html": "\nAivot vaativat noin 20 % kehon p\u00e4ivitt\u00e4isest\u00e4 energiankulutuksesta.
\n\n\n\nTehoon k\u00e4\u00e4nnettyn\u00e4 t\u00e4m\u00e4 tarkoittaa noin 12.6 wattia \u2014 suurin piirtein kirkkaan LED-lampun verran.
\n\n\n\nAivoissa on noin 1014 synapsia eli kahden hermosolun v\u00e4list\u00e4 liitospintaa.
\n\n\n\nSiin\u00e4p\u00e4 aika tehokas hermosolukimppu!
\n", "content_text": "Aivot vaativat noin 20 % kehon p\u00e4ivitt\u00e4isest\u00e4 energiankulutuksesta. \n\n\n\nTehoon k\u00e4\u00e4nnettyn\u00e4 t\u00e4m\u00e4 tarkoittaa noin 12.6 wattia \u2014 suurin piirtein kirkkaan LED-lampun verran. \n\n\n\nAivoissa on noin 1014 synapsia eli kahden hermosolun v\u00e4list\u00e4 liitospintaa. \n\n\n\nSiin\u00e4p\u00e4 aika tehokas hermosolukimppu!", "date_published": "2019-12-11T15:14:32+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] }, { "id": "https://connecting-dots.aalto.fi/mita-tekoaly-on/", "url": "https://connecting-dots.aalto.fi/mita-tekoaly-on/", "title": "Mit\u00e4 teko\u00e4ly on?", "content_html": "\nL\u00e4hdet\u00e4\u00e4n kakkureseptist\u00e4: siihen kuuluu lista ainesosista ja lista ohjeita. Jos noudatat resepti\u00e4, syntyy kakku. Tietojenk\u00e4sittelyss\u00e4 ainesosat muodostavat tietoaineiston, ohjeet ovat algoritmeja, ja koko resepti on ohjelma.
\n\n\n\nMik\u00e4p\u00e4 sitten itse kakku on? Sit\u00e4 voisi kutsua vaikka tulosteeksi.
\n\n\n\nTeko\u00e4ly on itse asiassa kokonainen keittokirja t\u00e4ynn\u00e4 kaiken sortin algoritmeja ja tietoaineistoja.
\n\n\n\nTeko\u00e4lylle ei ole olemassa mit\u00e4\u00e4n virallista, yksiselitteist\u00e4 m\u00e4\u00e4ritelm\u00e4\u00e4. Tutkimuskohteena teko\u00e4ly on laskennallinen ala, joka keskittyy koneiden kykyyn \u201cajatella\u201d \u2013 siis tunnistaa s\u00e4\u00e4nn\u00f6nmukaisuuksia tietoaineistoista, oppia niist\u00e4 ja muodostaa ennusteita.
\n\n\n\n\u201c\u00c4lykkyys\u201d nykyp\u00e4iv\u00e4n teko\u00e4lyss\u00e4 syntyy kahdesta ominaisuudesta: autonomiasta ja joustavuudesta.
\n\n\n\n\n\n\n\n\n\n\n\nAutonomia on ohjelman kyky toimia monimutkaisissa ymp\u00e4rist\u00f6iss\u00e4 ilman jatkuvaa ihmisen ohjausta.
Tutustu Teko\u00e4lyn perusteet -kurssiin!
Joustavuus on ohjelman kyky parantaa suoritustaan oppimalla kokemuksesta.
Teko\u00e4lymenetelmi\u00e4 voidaan k\u00e4ytt\u00e4\u00e4 useilla aloilla.
\n\n\n\nTutkimuksessa menetelm\u00e4t ovat arvokas ty\u00f6kalu kaikkeen sellaiseen ty\u00f6h\u00f6n, jossa tarvitaan luokittelua, tunnistamista, optimointia tai jopa uusien yhdistelmien l\u00f6yt\u00e4mist\u00e4 sek\u00e4 tulevaisuusennusteiden muodostamista.
\n\n\n\nTeko\u00e4lyn tukeman tutkimuksen avulla voimme esimerkiksi jo ennustaa paremmin s\u00e4\u00e4t\u00e4, tunnistaa puhetta, ja tunnistaa automaattisesti l\u00e4\u00e4ketieteellisi\u00e4 kuvantamistuloksia. Oikeastaan teko\u00e4lymenetelmi\u00e4 voi k\u00e4ytt\u00e4\u00e4 miss\u00e4 tahansa, miss\u00e4 tietoaineisto k\u00e4\u00e4ntyy hyvin numeroiksi.
\n\n\n\nGeneratiivista mallintamista voidaan k\u00e4ytt\u00e4\u00e4 my\u00f6s luovan ty\u00f6n tukena. Teko\u00e4lyn ehdottama uusi yhdistelm\u00e4 voi joskus pelastaa tyhj\u00e4n paperin syndroomalta.
\n\n\n\nLuova ty\u00f6 jopa tavallaan muuttuu kuratoinnin kaltaiseksi teht\u00e4v\u00e4ksi: teko\u00e4lyohjelmalle voidaan sy\u00f6tt\u00e4\u00e4 sarja kuvia, ohjelma voidaan ajaa, ja lopuksi voidaan valikoida mielenkiintoisimmat lopputulokset.
\n", "content_text": "L\u00e4hdet\u00e4\u00e4n kakkureseptist\u00e4: siihen kuuluu lista ainesosista ja lista ohjeita. Jos noudatat resepti\u00e4, syntyy kakku. Tietojenk\u00e4sittelyss\u00e4 ainesosat muodostavat tietoaineiston, ohjeet ovat algoritmeja, ja koko resepti on ohjelma.\n\n\n\nMik\u00e4p\u00e4 sitten itse kakku on? Sit\u00e4 voisi kutsua vaikka tulosteeksi.\n\n\n\nTeko\u00e4ly on itse asiassa kokonainen keittokirja t\u00e4ynn\u00e4 kaiken sortin algoritmeja ja tietoaineistoja.\n\n\n\nTeko\u00e4lylle ei ole olemassa mit\u00e4\u00e4n virallista, yksiselitteist\u00e4 m\u00e4\u00e4ritelm\u00e4\u00e4. Tutkimuskohteena teko\u00e4ly on laskennallinen ala, joka keskittyy koneiden kykyyn \u201cajatella\u201d \u2013 siis tunnistaa s\u00e4\u00e4nn\u00f6nmukaisuuksia tietoaineistoista, oppia niist\u00e4 ja muodostaa ennusteita.\n\n\n\n\u201c\u00c4lykkyys\u201d nykyp\u00e4iv\u00e4n teko\u00e4lyss\u00e4 syntyy kahdesta ominaisuudesta: autonomiasta ja joustavuudesta.\n\n\n\nAutonomia on ohjelman kyky toimia monimutkaisissa ymp\u00e4rist\u00f6iss\u00e4 ilman jatkuvaa ihmisen ohjausta.Joustavuus on ohjelman kyky parantaa suoritustaan oppimalla kokemuksesta.Tutustu Teko\u00e4lyn perusteet -kurssiin!\n\n\n\n\n\n\n\nTeko\u00e4ly tutkimuksessa ja luovilla aloilla\n\n\n\nTeko\u00e4lymenetelmi\u00e4 voidaan k\u00e4ytt\u00e4\u00e4 useilla aloilla.\n\n\n\nTutkimuksessa menetelm\u00e4t ovat arvokas ty\u00f6kalu kaikkeen sellaiseen ty\u00f6h\u00f6n, jossa tarvitaan luokittelua, tunnistamista, optimointia tai jopa uusien yhdistelmien l\u00f6yt\u00e4mist\u00e4 sek\u00e4 tulevaisuusennusteiden muodostamista.\n\n\n\nTeko\u00e4lyn tukeman tutkimuksen avulla voimme esimerkiksi jo ennustaa paremmin s\u00e4\u00e4t\u00e4, tunnistaa puhetta, ja tunnistaa automaattisesti l\u00e4\u00e4ketieteellisi\u00e4 kuvantamistuloksia. Oikeastaan teko\u00e4lymenetelmi\u00e4 voi k\u00e4ytt\u00e4\u00e4 miss\u00e4 tahansa, miss\u00e4 tietoaineisto k\u00e4\u00e4ntyy hyvin numeroiksi.\n\n\n\nGeneratiivista mallintamista voidaan k\u00e4ytt\u00e4\u00e4 my\u00f6s luovan ty\u00f6n tukena. Teko\u00e4lyn ehdottama uusi yhdistelm\u00e4 voi joskus pelastaa tyhj\u00e4n paperin syndroomalta. \n\n\n\nLuova ty\u00f6 jopa tavallaan muuttuu kuratoinnin kaltaiseksi teht\u00e4v\u00e4ksi: teko\u00e4lyohjelmalle voidaan sy\u00f6tt\u00e4\u00e4 sarja kuvia, ohjelma voidaan ajaa, ja lopuksi voidaan valikoida mielenkiintoisimmat lopputulokset.", "date_published": "2019-12-11T11:21:59+02:00", "date_modified": "2019-12-13T12:04:08+02:00", "author": { "name": "Saara Halmetoja", "url": "https://connecting-dots.aalto.fi/author/saara-halmetoja/", "avatar": "https://secure.gravatar.com/avatar/2c66549c0d0b6476a956b456a805b983?s=512&d=mm&r=g" }, "tags": [ "Suomeksi" ] } ] }