Professoriluento | Matti Mäntymäki

Tekoäly ratkaisee jatkuvasti vaikeampia ongelmia

Shakki. Go, eli kiinalainen monimutkaisempi vastine shakille. Turingin testi. Ihmisen puheen tulkitseminen kaikkine murteineen,  muminoineen ja taustahälyineen. Laadukkaan tekstin tuottaminen. Nämä kaikki ovat olleet aikansa suuria tekoälyhaasteita. Nyt kaikki on enemmän ja vähemmän ratkaistu.

12 vuotta sitten, vuonna 2011,  Apple esitteli ääniassistentti Sirin. Sirin ensimmäinen versio ei aina oikein ymmärtänyt mitä sille sanottiin. Ja vastaili välillä niin hassusti, että sille naureskeltiin. Tässä 12 vuodessa Siri ja muut ääniassistentit ovat menneet huimasti eteenpäin. Vähemmän niille naureskellaan enää.  Noin vuosi sitten, 2022, ehkä vähän pelonsekaisestikin naureskeltiin, kun ChatGPT:n silloinen kolmosversio hallusinoi tekstiä ja keksi lähdeviittauksia. Nelosversiota käyttäessä harvemmin pääsee naureskelemaan.

Tekoälystä yleiskäyttöinen teknologia?

Yksi tekoälykehityksen keskeinen ulottuvuus on tekoälyn sovellusalueiden laajeneminen. Suomeksi tämä tarkoittaa, että tekoäly pystyy ratkaisemaan yhä laajempia ja monimutkaisempia ongelmia. Shakki on kapea ongelma. Itsenäisesti ajeleminen liikenteessä laajempi. Israelin ja palestiinalaisten välisen konfliktin ratkaiseminen vielä laajempi.

Tekoälykehitys menee koko ajan laajempia ja monimutkaisempia haasteita kohti. Ehkä maailman kuuluisin tietojärjestelmätieteilijä ja Turun yliopiston kunniatohtori Erik Brynjolfsson puhuu tekoälystä nk. yleiskäyttöisenä teknologiana. Historiasta esimerkkejä yleiskäyttöisistä teknologioista ovat vaikkapa sähkö ja internet.

Tekoäly akateemisena leirinuotiona

Sanotaan, että nykyaikainen tekoälytutkimus alkoi 1956 Dartmouthin yliopiston kesäseminaarista. Kohta seitsemässäkymmenessä vuodessa on saatu paljon aikaan. Tekoäly on mennyt teknisesti valtavasti eteenpäin. Ja samalla on myös opittu paljon ihmisen tiedonkäsittelystä, oppimisesta ja älystäkin.

Kaikesta tutkimuksesta ja teknisestä kehityksestä huolimatta yhtä yleispätevää määritelmää tekoälylle ei vielä näiden vajaan 70 vuoden aikana ole syntynyt. Tämä on näkökulmien moninaisuus ehkä ollut tutkimuksen kannalta positiivinen asia. Tekoälystä on tullut eräänlainen akateeminen leirinuotio, jonka ympärille eri alat ja eri alojen asiantuntijat ovat voineet kerääntyä omista lähtökohdistaan ja omia vahvuuksiaan hyödyntäen.

Tietojärjestelmätiede ja tekoäly

Tietojärjestelmätiede on tieteenala, joka tutkii tietotekniikan käyttöä, hyödyntämistä ja vaikutuksia yksilöille, organisaatioille ja yhteiskunnille. Miten tietojärjestelmätiede voisi tässä ajassa mielekkäästi lähestyä tätä tekoälyn akateemista leirinuotiota?

Ensimmäinen tietojärjestelmätieteellinen tulokulmakulma voisi olla pohtia, mikä siinä tekoälyssä on niin erityistä, jos mikään. Tietojärjestelmätieteen tutkimus alkoi 1960-luvulla. Siitä tähän päivään eri tutkijasukupolvet ovat ehtineet ihmettelemään monenlaista digitaalista palvelua, IT:tä ja ATK:ta.

Tietojärjestelmätieteen tutkimuksen piirissä Nick Berente ja kumppanit ovat ehdottaneet, että tämän päivän tekoälyssä on kolme erityispiirrettä verrattuna muuhun IT:hen. Nämä piirteet ovat autonomia, oppiminen ja läpinäkymättömyys.

Autonomia eli itsenäisyys tarkoittaa sitä, että tekoälyn idea on toimia kokonaan ilman ihmistä tai vähäisellä ihmisen mukanaololla. Tekoälyn ja ylipäänsä automaation taloudellinen merkitys tulee tästä tuottavuushyödystä. Vain hieman yksinkertaistaen: mitä enemmän tekoälyä ja vähemmän ihmistä, sitä suurempi tuottavuushyöty.

Tekoälyn toinen tunnusomainen piirre on Berenten ja kumppaneiden mukaan oppiminen. Oppiminen tarkoittaa, että tekoäly, nimenomaan koneoppiva tekoäly, pystyy mukauttamaan toimintaansa saamansa informaation perusteella. Ja koska tekoäly on autonominen, tämä mukauttaminen voi tapahtua ilman ihmistä.

Nykymuotoisen tekoälyn kolmas tunnusomainen piirre on siis läpinäkymättömyys.

Läpinäkymättömyys tarkoittaa, että koneoppimiseen perustuvien tekoälyjärjestelmien algoritmit ja arkkitehtuurit ovat usein niin monimutkaisia, että ihmisen on vaikea hahmottaa miten järjestelmät käsittelevät tietoa. Eli siis oppivat autonomisesti saamansa aineiston pohjalta.

Tämä läpinäkymättömyys pätee jopa teknisiin asiantuntijoihin.

Tekoälyn kehittyminen tarkoittaa siis lisää autonomiaa, lisää oppimista ja lisää läpinäkymättömyyttä.  Ei tarvitse olla tietojärjestelmätieteilijä, että näkee tässä potentiaalisen johtamishaasteen, riskin ja jopa mahdollisen muutoksen ihmistyön roolissa yhteiskunnassa. Toinen tietojärjestelmätieteellinen tulokulma voisikin olla tarkastella tekoälykehitystä ja tekoälyn aiheuttamaa muutosta vastuullisuuden ja sosiaalisen kestävyyden kautta.

Kohti vastuullista ja kestävää tekoälyä

Tekoälyn potentiaaliset hyödyt ovat niin suuret, että näiden hyötyjen vuoksi ollaan mitä ilmeisimmin valmiita ottamaan hyvinkin merkittäviä riskejä, sietämään haittoja ja kohtamaan ei-toivottuja seurauksia. Passiivimuodolla ’ollaan’ viittaan niin yksittäisiin ihmisiin kuin yrityksiin, organisaatioihin ja yhteiskuntiinkin.

Tekoäly on käytössä korkean potentiaalisen hyödyn, mutta samalla myös korkean riskin päätöksenteossa esim. liikenteen, terveydenhoidon sekä pankki- ja vakuutustoiminnan piirissä. Yhdysvalloista tekoäly on ollut mukana päättämässä, kuka pääsee ehdonalaiseen ja ketä priorisoidaan terveydenhoidossa. Varovasti ilmaistuna: kokemukset eivät ole olleet pelkästään positiivisia.

Maailmassa tuntuu vallitsevan varsin suuri yksimielisyys ainakin siitä, että tekoälykehityksen pitäisi pysyä ihmisen hallinnassa. Aika pitkälti tunnutaan olevan samaa mieltä myös siitä, että tekoälyn pitäisi toimia tavalla, joka on yhteiskunnassa sosiaalisesti hyväksytty. Ja myös siitä, että tekoälyn riskien ja haittojen pitäisi olla merkittävästi pienemmät kuin saatavat hyödyt.

Vastuullisen tekoälyn tutkimuksen kehityskaari

Tutkimusmielessä tekoälyn eettisyys ja vastuullisuuskeskustelussa voidaan ehkä nähdä jonkinlainen kehityskaari. Tämän kaaren  ensimmäinen vaihe oli tekoälyn yksilötason vaikutuksissa, nk. algoritmisissa vinoumissa, tekoälyn tekemässä syrjinnässä ja tekoälyn eettisten periaatteiden tunnistamisessa.

Toinen vaihe tätä vastuullisen tekoälyn tutkimuksen kehityskaarta voisi olla oli tekoälyn hallinta ja johtaminen, eettisten periaatteiden tuominen käytäntöön organisaatio- ja yritystasolla.  Abstraktit eettiset periaatteet irrallaan organisaation prosesseista ja IT-johtamisesta tuskin johtavat toiminnan tason muutokseen. Tämän tekoälyn eettisten periaatteiden toimeenpanohaasteen kanssa olemmekin Turun yliopistossa tietojärjestelmätieteessä työskennelleet vuosikymmenen alusta lähtien. Tekoälyn hallinnan ja vastuullisuuden tutkimuksessa olemme nousseet vähintään keskeiseksi toimijaksi Euroopassa.

Tutkimuksen kehityskaaren kolmas vaihe voisi olla  laaja-alaisempi keskustelu tekoälyn sosiaalisesta vastuullisuudesta ja kestävyydestä. Esimerkiksi nk. ESG-mittaristo tarkastelee yritysvastuuta ympäristön, sosiaalisen vastuun ja hyvän hallintotavan näkökulmista. ESG-kriteeristöä käytetään jo nyt sijoituskohteiden arvioinnissa sekä johdon palkitsemisjärjestelmissä.  Kun tekoälyn merkitys tuotannontekijänä kasvaa, tekoälyasioiden huomioiminen kestävyys- ja yritysvastuuajattelussa sekä vastuullisuusmittareissa näyttäytyy mielestäni vähintäänkin tarpeellisena.

Samoin mielestäni olisi tarpeellista käydä keskustelua tekoälyn yhteiskunnallisista vaikutuksista, esimerkiksi liittyen ihmistyön kysyntään ja siitä maksettavaan palkkaan. Samoin olisi tarpeen käydä keskustelua tekoälyn avulla saatavasta tuottavuuskasvusta ja siitä syntyvän taloudellisen arvonlisän jakamisesta tavalla, joka koetaan yhteiskunnassa innovaatiota mahdollistavaksi ja yksilöitä kannustavaksi, mutta myös sosiaalisesti oikeudenmukaiseksi ja reiluksi.

Tietojärjestelmätieteen piirissä IT:n vastuullisuus-ja kestävyysnäkökulmat ovat jo vuosia olleet merkittäviä tutkimusteemoja.  Samoin keskeisiä teemoja ovat olleet digitalisaation aiheuttamat muutokset, vähän rauhallisempi muutos eli digitaalinen transformaatio ja radikaalimpi muutos, nk. digitaalinen disruptio. Tekoälykehitys tuskin vähentää näiden tutkimusteemojen merkitystä.

Mitä seuraavaksi?

Lopuksi kolme esimerkkiä potentiaalisesti kiinnostavista akateemisista kysymyksenasetteluista liittyen tekoälyn kestävyys ja vastuullisuusnäkökulmiin. Ensimmäinen kysymystematiikka liittyy tekoälyn johtamis-, hallinta ja vastuullisuusasioihin sekä tekoälyjärjestelmien suunnittelemiseen ja toteutukseen. Tämän sateenvarjon alla tietojärjestelmätiede, mutta myös akateeminen yhteisö laajemminkin, voisi tarkastella esimerkiksi, miten varmistetaan tekoälyjärjestelmien riittävä läpinäkyvyys ja huomioidaan eri sidosryhmien toisistaan poikkeavat tarpeet ja lähtökohdat?

Toiseksi niin kutsutun generatiivisen tekoälyn nopea kehityksen myötä voisi olla tarpeen tarkastella esimerkiksi, miten tunnistetaan ja arvioidaan generatiivisen tekoälyn tuottaman sisällön todenmukaisuutta ja vääristymiä?

Kolmas kestävyystematiikka voisi liittyä tekoälyn, tässä ajassa erityisesti generatiivisen tekoälyn vaikutuksiin työhön, työmarkkinoihin ja yhteiskuntaan. Olisi mielestäni varsin perusteltua pyrkiä systemaattisesti ja laaja-alaisesti lisäämään ymmärrystä esimerkiksi siitä, miten generatiivinen tekoäly vaikuttaa asiantuntijatyön luonteeseen, tuottavuuteen ja tarpeeseen?

Oletan, että vaikkapa näiden teemojen parissa riittää lähivuosina puuhaa paitsi tietojärjestelmätieteilijöille, myös liiketaloustieteilijöille, taloustieteilijöille ja monille muille sosiaali- ja ihmistieteilijöille. Tekoälyn akateeminen leirinuotio ei näytä olevan ihan heti hiipumassa.