Koneoppiminen

Jos saisit tehtäväksesi koota listan säännöistä, jotka määrittelevät täydellisesti kissan — miltä se tismalleen näyttää, miten se tarkalleen ottaen liikkuu — saattaisit pian törmätä vaikeuksiin. Tunnistat kuitenkin kissan kuin kissan kissaksi, vaikka et olekaan kohdannut kaikkia maailman kissoja.

Tosimaailman sääntöjä on vaikea listata tarkasti, vaikka haluammekin tarkastella todellisia ilmiöitä. Koneoppimisen avulla voidaankin rakentaa algoritmeja, jotka oppivat esimerkkejä hyödyntäen.

Esimerkiksi konenäkömalli voi oppia tunnistamaan kissoja nähtyään monia kissakuvia — ja vertailun vuoksi kuvia ilman kissoja. Karkeasti koneoppimismallit voi jakaa kahteen luokkaan:

Tietoaineistoa ryhmittelevät ja luokittelevat mallit

Monet tekoälymallit tunnistavat esineitä ja ihmisiä tai tekevät ennusteita tulevaisuuden tapahtumista tai monimutkaisista kehityskuluista. Koneoppimismalli voi oppia ryhmittelemään tietoja eri kategorioihin tai löytämään samankaltaisuuksia aineiston sisällä. Näitä kutsutaan erotteleviksi (discriminative) tai regressiomalleiksi.

Generatiiviset mallit luovat uutta aineistoa

Kuinka sitten matkia maailman monimuotoisuutta? Kuten aiemmin mainittu, on vaikeaa kirjoittaa tietokoneohjelma, joka voisi piirtää tarkasti kaikki maailman kissat. Generatiivisen mallinnuksen avulla pyritään löytämään näitä sääntöjä. Tietoaineistoista tiivistyy “resepti”, jonka avulla voidaan luoda uutta, samoja säännönmukaisuuksia toistavaa aineistoa. Kissoja piirtävälle generatiiviselle mallille annetaan siis liuta esimerkkikissoja, joiden pohjalta se luo uusia kissapiirroksia.