{"id":1630,"date":"2018-03-25T10:27:37","date_gmt":"2018-03-25T07:27:37","guid":{"rendered":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/?p=1630"},"modified":"2018-03-26T07:58:12","modified_gmt":"2018-03-26T04:58:12","slug":"koneoppiminen","status":"publish","type":"post","link":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/koneoppiminen\/","title":{"rendered":"Kirja teko\u00e4lyst\u00e4 ja koneoppimisesta"},"content":{"rendered":"

\"Most<\/a><\/p>\n

Teko\u00e4ly on yksi vilkkaimmista keskustelunaiheista t\u00e4ll\u00e4 hetkell\u00e4. Kiinnostus sit\u00e4 kohtaan ei ole pelk\u00e4st\u00e4\u00e4n kiinnostusta teknologiasta, sill\u00e4 teko\u00e4lyn kehittymisell\u00e4 on merkitt\u00e4vi\u00e4 vaikutuksia ty\u00f6el\u00e4m\u00e4\u00e4n, liike-el\u00e4m\u00e4\u00e4n, koulutusj\u00e4rjestelm\u00e4\u00e4n ja oikeastaan l\u00e4hes kaikkiin\u00a0yhteiskunnan osa-alueisiin. Mutta mist\u00e4 teko\u00e4lyss\u00e4 ja koneoppimisessa on kysymys?<\/strong><\/p>\n

K\u00e4sill\u00e4 oleva kirja on ”ei-tekninen, johtajille tarkoitettu perusjohdatus aiheeseen”. Se on kirjoitettu ytimekk\u00e4\u00e4sti ja selke\u00e4sti. Liikkeelle l\u00e4hdet\u00e4\u00e4n m\u00e4\u00e4ritelmist\u00e4. Mit\u00e4 siis ovat koneoppiminen ja teko\u00e4ly?<\/p>\n

Koneoppiminen<\/h3>\n

Koneoppiminen on matemaattisten proseduurien (algoritmien) k\u00e4ytt\u00e4mist\u00e4 datan analysoinnissa. Tavoitteena on l\u00f6yt\u00e4\u00e4 k\u00e4ytt\u00f6kelpoisia suhteita ja korrelaatioita datasta ja hy\u00f6dynt\u00e4\u00e4 n\u00e4it\u00e4 sitten p\u00e4\u00e4ttelyss\u00e4 vastaavissa tilanteissa.<\/p><\/blockquote>\n

Kyse on samankaltaisesta prosessista kuin ihmisten oppimisen kohdalla. Teemme havaintoja ymp\u00e4rist\u00f6st\u00e4mme ja k\u00e4yt\u00e4mme sitten n\u00e4it\u00e4 kokemuksia hyv\u00e4ksemme uusissa tilanteissa. Mit\u00e4 enemm\u00e4n meill\u00e4 on kokemuksia ja oppimista, sen parempi on kykymme tehd\u00e4 p\u00e4\u00e4t\u00f6ksi\u00e4.<\/p>\n

Yksi keskeinen osa koneoppimista on ennustava analytiikka<\/strong> (predictive analytics). Siin\u00e4 edell\u00e4 kuvatulla tavalla hy\u00f6dynnet\u00e4\u00e4n olemassa olevaa informaatiota, dataa, ennustamaan tapahtumia. Esimerkki ihmisen tekem\u00e4st\u00e4 vastaavasta\u00a0toiminnasta on l\u00e4\u00e4k\u00e4ri, joka kartoittaa potilaan oireita, elintapoja ja muuta informaatiota p\u00e4\u00e4tell\u00e4kseen mik\u00e4 sairaus potilaalla on.<\/p>\n

Ennustemallit tuottavat pisteytyksen (score), joka kuvaa todenn\u00e4k\u00f6isyytt\u00e4 tapahtumalle. Pisteytys kuvaa esimerkiksi sit\u00e4, miten ihmiset todenn\u00e4k\u00f6isesti tulevat k\u00e4ytt\u00e4ytym\u00e4\u00e4n tulevaisuudessa.<\/p>\n

Nelj\u00e4 tyypillist\u00e4 esimerkki\u00e4, miss\u00e4 ennustemallia voidaan k\u00e4ytt\u00e4\u00e4 ovat luottojen my\u00f6nt\u00e4minen, markkinoinnin kohdentaminen, \u00a0terveydenhuolto tai mediasis\u00e4lt\u00f6jen tarjoaminen.<\/p>\n

Luotonhakijan profiilin ja ennustemallin perusteella voidaan p\u00e4\u00e4tell\u00e4, kuinka todenn\u00e4k\u00f6isesti hakija maksaa luottonsa takaisin. Luottop\u00e4\u00e4t\u00f6s voidaan sitten tehd\u00e4 t\u00e4m\u00e4n informaation perusteella.<\/p>\n

Toisaalta ennustemallia voidaan hy\u00f6dynt\u00e4\u00e4, kun arvioidaan ketk\u00e4 ovat kiinnostuneita tuotteesta tai palvelusta. Ennustemalli voi perustua esimerkiksi ik\u00e4\u00e4n, sukupuoleen, koulutukseen, asuinpaikkakuntaan ja niin edelleen. Markkinointitoimenpiteit\u00e4 voidaan suunnata ennustemallin tuottaman tuloksen avulla.<\/p>\n

Terveydenhuollossa ennustemalli voi pohjata tietoon potilaan elintavoista, aikaisemmista sairauksista, sosioekonomisesta asemasta, i\u00e4st\u00e4 ja ennustaa n\u00e4in riski\u00e4 saada esimerkiksi syd\u00e4nkohtaus tai sairastua diabetekseen.<\/p>\n

Mit\u00e4 mediasis\u00e4lt\u00f6ihin tulee, ennustemalli voi oppia k\u00e4ytetyist\u00e4 sis\u00e4ll\u00f6ist\u00e4 ja ”tykk\u00e4yksist\u00e4”, mink\u00e4laisesta sis\u00e4ll\u00f6st\u00e4 mediankuluttaja pit\u00e4\u00e4 ja tarjota n\u00e4in h\u00e4nelle sis\u00e4lt\u00f6\u00e4.<\/p>\n

Koneoppimisen perusperiaatteet tuntuvat siten melko yksinkertaisilta ja ymm\u00e4rrett\u00e4vilt\u00e4. Ennustava malli perustuu yksinkertaisimmillaan regressioanalyysiin, joka on monelle opinnoista tuttua asia.<\/p>\n

Teko\u00e4ly<\/h3>\n

Mik\u00e4 sitten on teko\u00e4ly<\/strong> (artificial intelligence)? Sille on monia m\u00e4\u00e4ritelmi\u00e4, mutta kirjassa esitetyn perusm\u00e4\u00e4ritelm\u00e4n mukaan:<\/p>\n

Teko\u00e4ly (AI) on ihmisen analyysi- ja p\u00e4\u00e4t\u00f6ksentekokyvyn replikointia.<\/p><\/blockquote>\n

Kyse on siis siit\u00e4, ett\u00e4 edell\u00e4 kuvatuissa ennustavan mallin tuottaman pisteytyksen perusteella tapahtuva p\u00e4\u00e4t\u00f6s tapahtuisi koneen eik\u00e4 ihmisen toimesta. Eli ennustemalli ei tuota pelk\u00e4st\u00e4\u00e4n pisteytyst\u00e4 vaan luottop\u00e4\u00e4t\u00f6ksen, markkinointia, diagnoosin tai mediasis\u00e4lt\u00f6\u00e4.<\/p>\n

Mit\u00e4 parempi teko\u00e4ly-sovellus on, sen paremmin se pystyy ”ty\u00f6skentelem\u00e4\u00e4n” suhteessa alan asiantuntijaan.<\/p>\n

Perusvaiheet teko\u00e4lyn ja koneoppimisen hy\u00f6dynt\u00e4misess\u00e4 ovat:<\/p>\n

    \n
  1. Datan sy\u00f6tt\u00f6. Data voi olla numeraalista, teksti\u00e4, \u00e4\u00e4ni\u00e4 tai kuvia.<\/li>\n
  2. Datan k\u00e4sittely. Data muokataan muotoon, jossa sit\u00e4 voidaan k\u00e4sitell\u00e4.<\/li>\n
  3. Ennustavat mallit. Mallit perustuvat koneoppimiseen ja aikaisemman datan hy\u00f6dynt\u00e4miseen.<\/li>\n
  4. P\u00e4\u00e4t\u00f6ss\u00e4\u00e4nn\u00f6t. S\u00e4\u00e4nn\u00f6ill\u00e4 m\u00e4\u00e4ritell\u00e4\u00e4n, mit\u00e4 tapahtuu ennustavan mallin tuottaman informaation perusteella.<\/li>\n
  5. Reaktio. T\u00e4ss\u00e4 m\u00e4\u00e4ritell\u00e4\u00e4n, mit\u00e4 konkreettista tapahtuu p\u00e4\u00e4t\u00f6ss\u00e4\u00e4nt\u00f6jen tuottaman lopputuloksen perusteella.<\/li>\n<\/ol>\n

    Teko\u00e4lyn hy\u00f6dynt\u00e4minen muodostuu n\u00e4iden vaiheiden ja toimenpiteiden yhdistelm\u00e4st\u00e4.<\/p>\n

    Koneoppimista kannattaa hy\u00f6dynt\u00e4\u00e4, koska se\u00a0on nopea, halpa, ei ole puolueellinen ja ennusteiden osumistarkkuus voidaan saada hyv\u00e4ksi.<\/p>\n

    Siksi algoritmit ovat korvaamassa ihmisi\u00e4 monilla alueilla. My\u00f6s monissa sellaisissa teht\u00e4viss\u00e4, jotka vaativat aikaisemmin ”valkokaulusty\u00f6ntekij\u00f6it\u00e4” tekem\u00e4\u00e4n p\u00e4\u00e4t\u00f6ksi\u00e4.<\/p>\n

    Teko\u00e4lyn tulo ole kuitenkaan pelkk\u00e4\u00e4 myrkky\u00e4 ihmisten tekem\u00e4lle ty\u00f6lle. Algoritmi ei v\u00e4ltt\u00e4m\u00e4tt\u00e4 kaikissa tilanteissa korvaa ihmisty\u00f6t\u00e4 vaan tukee sit\u00e4. On my\u00f6s mahdollista, ett\u00e4 algoritmien avulla p\u00e4\u00e4st\u00e4\u00e4n kiinni sellaisiin kysymyksiin, joita ei aikaisemmin ole voitu l\u00e4hesty\u00e4.<\/p>\n

    Arviointia<\/h3>\n

    Edell\u00e4 kuvattu ”rautalankamalli” koneoppimisesta avataan kirjassa sopivalla syvyystasolla. Eri vaiheista on kappaleen verran teksti\u00e4, jossa havainnollistetaan esimerkiksi ennustavan mallin rakentamista tai p\u00e4\u00e4t\u00f6ksentekos\u00e4\u00e4nt\u00f6jen laatimista.<\/p>\n

    Koneoppimisen perusasiat ovat olleet k\u00e4yt\u00f6ss\u00e4 pitk\u00e4\u00e4n, sill\u00e4 jo 1950-luvulla laskettiin pisteytyksi\u00e4 luottop\u00e4\u00e4t\u00f6sten tueksi. Kehitys on t\u00e4ll\u00e4\u00a0hetkell\u00e4\u00a0kuitenkin nopeaa ja sit\u00e4 tapahtuu kolmella alueella: algoritmit kehittyv\u00e4t, dataa on enemm\u00e4n tarjolla ja j\u00e4rjestelm\u00e4t sek\u00e4 sovellukset kehittyv\u00e4t.<\/p>\n

    Laitteita (k\u00e4nnyk\u00f6it\u00e4, tabletteja, tietokoneita), jotka tuottavat dataa on aikaisempaa enemm\u00e4n.\u00a0Sensorit integroituvat aikaisemmin ”tyhmiin” laitteisiin. \u00a0Laitteiden muisti- ja laskentakapasiteetti on my\u00f6s aikaisempaa parempi. Merkitt\u00e4v\u00e4 edistysaskel on my\u00f6s se, ett\u00e4 kommunikointi koneen kanssa ei ole en\u00e4\u00e4 pelk\u00e4st\u00e4\u00e4n k\u00e4skyjen kirjoittamista vaan se voi tapahtua puheentunnistusta hy\u00f6dynt\u00e4en.<\/p>\n

    Siksi onkin paikallaan pohtia kehityksen seurauksia. Kirjassa pohditaan my\u00f6s aihepiiriin liittyvi\u00e4 eettisi\u00e4 ulottuvuuksia. Teko\u00e4lyn hy\u00f6dynt\u00e4minen edellytt\u00e4\u00e4 valvontaan liittyvi\u00e4 toimenpiteit\u00e4 sek\u00e4 lains\u00e4\u00e4d\u00e4nn\u00f6n kehitt\u00e4mist\u00e4. Hyv\u00e4 esimerkki ajankohtaisesta aihepiiriin liittyv\u00e4st\u00e4 teemasta on Facebookin<\/strong> ja Cambridge Analytican<\/strong> tapaus.<\/p>\n

    Kaiken kaikkiaan kirja oli helposti omaksuttava ja ajattelua viritt\u00e4v\u00e4 esitys aiheesta. Kirjan avulla on helppo ymm\u00e4rt\u00e4\u00e4, miksi koneoppiminen ja teko\u00e4ly muuttavat organisaatioiden, yritysten ja yhteiskunnan toimintaa niin monella tavalla. Itsekin osaan ajatella soveltamismahdollisuuksia omalla substanssialueellani hieman paremmin.<\/p>\n

    Lopuksi on hyv\u00e4 todeta, ett\u00e4 koneoppimisen ja teko\u00e4lyn perusteet esimerkiksi t\u00e4m\u00e4n kirjan tasolla tarkasteltuna eiv\u00e4t todellakaan ole monimutkaisia. Hieman tilastotiedett\u00e4 opiskelleelle perusasiassa ei ole mit\u00e4\u00e4n uutta. Hyv\u00e4 muistutus on my\u00f6s se, ett\u00e4 teko\u00e4ly on dataa ja matematiikkaa, eik\u00e4 toistaiseksi ”\u00e4lykkyytt\u00e4” ihmisten lailla.<\/p>\n

    Steven Finlay: Artificial Intelligence and Machine Learning for Business. A no-nonsense guide to data driven technologies. Relativistic, United Kingdom. 2017.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

    Teko\u00e4ly on yksi vilkkaimmista keskustelunaiheista t\u00e4ll\u00e4 hetkell\u00e4. Kiinnostus sit\u00e4 kohtaan ei ole pelk\u00e4st\u00e4\u00e4n kiinnostusta teknologiasta, sill\u00e4 teko\u00e4lyn kehittymisell\u00e4 on merkitt\u00e4vi\u00e4 vaikutuksia ty\u00f6el\u00e4m\u00e4\u00e4n, liike-el\u00e4m\u00e4\u00e4n, koulutusj\u00e4rjestelm\u00e4\u00e4n ja oikeastaan l\u00e4hes kaikkiin\u00a0yhteiskunnan osa-alueisiin. Mutta mist\u00e4 teko\u00e4lyss\u00e4 ja koneoppimisessa on kysymys? K\u00e4sill\u00e4 oleva kirja on ”ei-tekninen, johtajille tarkoitettu perusjohdatus aiheeseen”. Se on kirjoitettu ytimekk\u00e4\u00e4sti ja selke\u00e4sti. Liikkeelle l\u00e4hdet\u00e4\u00e4n m\u00e4\u00e4ritelmist\u00e4. Mit\u00e4 … <\/p>\n

    Jatka lukemista ”Kirja teko\u00e4lyst\u00e4 ja koneoppimisesta”<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[1],"tags":[47,45,46],"class_list":["post-1630","post","type-post","status-publish","format-standard","hentry","category-kirjat","tag-ai","tag-koneoppiminen","tag-tekoaly"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/posts\/1630","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/comments?post=1630"}],"version-history":[{"count":9,"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/posts\/1630\/revisions"}],"predecessor-version":[{"id":1639,"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/posts\/1630\/revisions\/1639"}],"wp:attachment":[{"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/media?parent=1630"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/categories?post=1630"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.pauliforma.fi\/rantaradanvarrelta\/wp-json\/wp\/v2\/tags?post=1630"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}