07.06.2018

Evästauolla

Helena Herttuainen

tekoaly1

Tekoäly tulee

Tekoälystä ja koneoppimisesta puhutaan ja kirjoitetaan jatkuvasti ja usein ylisanoja käyttäen. Päätimme katsoa, miten tekoälyn asiantuntijat arvioivat älykkäiden järjestelmien vaikuttavan asiantuntijatyöhön, mihin oppivat koneet tällä hetkellä pystyvät – ja mihin ne eivät pysty. Yksi luontevista tekoälyn soveltamisen kohteista on sairaalaympäristö, jossa syntyy koko ajan valtavat määrät potilasdataa. Suurten tietovarastojen kokoamisella ja älykkäällä hyödyntämisellä voidaan myös esimerkiksi tehostaa metsäteollisuuden puunsaantia.

 

tekoaly2

Datasta informaatiota

Koneille pitää osata esittää oikeita kysymyksiä, jotta niiltä saisi järkeviä vastauksia.

Helsingin yliopiston systeemibiologian professori Sampsa Hautaniemi soveltaa laskennallisia tieteitä lääketieteeseen, sillä se tarjoaa valtavasti potilasaineistoja, joiden käsittelyyn tarvitaan laskentaa. Hänen mielestään laskennallisten menetelmien toiminnan ymmärtäminen edes alkeellisella tasolla pitäisi olla jo nyt osa kaikkien yliopistossa opiskelevien perussivistystä.

– Laskennalliset menetelmät ovat tehokkaita, mutta edelleenkin hyvin riippuvaisia siitä, millaisia kysymyksiä niille esitetään. Sen vuoksi yliopistojen pitäisi saada opiskelijat kaikilla aloilla – myös humanistisilla aloilla – ymmärtämään laskennallisten tieteiden perusteet, Hautaniemi sanoo.

– Erilaisissa yhteistyökuvioissa vastapuoli ei välttämättä aina tiedä esittäessään pyyntöjä, vaatiiko se kahden tunnin vai kahden vuoden työpanoksen. Edes useat matemaatikot eivät osaa kunnolla hyödyntää tietotekniikan mahdollisuuksia. Laskennallisten työkalujen käyttöön ja ohjelmointiin tarvitaan riittävästi matematiikan tajua.

– Joku sanoi, että tekoäly ei tule korvaamaan lääkäriä, mutta sellaiset lääkärit, jotka käyttävät tekoälyä, tulevat korvaamaan ne lääkärit, jotka eivät sitä käytä.

hautaniemi

Laskennalliset menetelmät ovat tehokkaita, mutta riippuvaisia siitä, millaisia kysymyksiä niille esitetään. Yliopistojen pitäisi saada opiskelijat kaikilla aloilla ymmärtämään laskennallisten tieteiden perusteet, Hautaniemi sanoo.

 

 

Dataa separoimassa

Hautaniemi tutkii syöpähoitojen tehoa analysoimalla laskennallisin menetelmin valtavia potilaista saatavia data-aineistoja. Tutkijoiden haaste on saada datamerestä seulottua hoidon kannalta hyödyllistä informaatiota. Ja siinä tekoäly, koneoppiminen ja erittäin vaativat laskennalliset menetelmät ovat jo arkea.

– Perinteiset tilastolliset menetelmät eivät toimi hyvin aineistoissa, joissa on valtavasti muuttujia. Onneksi pitkälle kehitetyistä laskennallisista sovelluksista on jo tehty sellaisia softapaketteja, joita pystyy käyttämään helposti. Erityisen pitkällä laskennallisten menetelmien käytössä ollaan lääketieteessä, joka Hautaniemen mielestä on tieteenä poikkitieteellisin.

– Lähestymistapoja on valtavasti, eikä siellä ole juuri vastustettu uusia menetelmiä, mikäli niistä on hyötyä. Hautaniemi toivoo, että koneiden avulla rutiinitehtävistä vapautuisi yhä enemmän ajattelukapasiteettia tutkimusten suunnitteluun, tulosten tarkasteluun ja informaation löytämiseen.

– Oppivia systeemejä pystytään käyttämään siellä, missä on hyvä infrastruktuuri eli laadukasta dataa sijoitettuna tietokantaan, johon tekoäly voidaan liittää helposti. Itse asiassa datan laatu on tärkein tutkijoita tällä hetkellä rajaava tekijä. Työtä haittaa tehokkaasti, jos esimerkiksi johonkin tutkimukseen käytettävä data on levällään 200 Excel-tiedostossa. On laskettu, että lääketieteellisissä projekteissa jopa 70 prosenttia tutkijoiden ajasta kuluu esikäsittelyyn, kuten tiedostoformaattien muokkaukseen, ja varsinaiselle analyysille jää 10–20 prosenttia. Tilanne on paljon parempi esimerkiksi tehohoidossa, jossa mittausdataa tallentuu kootusti yhteen paikkaan, jossa se on vaivatta tutkijoiden käytettävissä.

– Tällä hetkellä tekoäly soveltuu parhaiten aloille, joilla on selkeä ilmiasu, kuten tehohoito tai syöpätutkimus. Tekoälyn soveltaminen on huomattavasti vaikeampaa psykiatrisiin sairauksiin, joissa diagnosointi on haastavaa.

Valoisat kehitysnäkymät

Hautaniemen mielestä Suomessa on laskennallisten menetelmien kehittämiseen lääketieteessä jopa paremmat mahdollisuudet kuin monissa muissa maissa.

– Suomessa on hyviä osaajia, erinomainen opetus, laadukkaat keskitetysti kerättävät aineistot ja avoimuuden kulttuuri – mikä on todella poikkeuksellista – sekä tutkijan elämää helpottava geneettisesti homogeeninen populaatio. Tulevaisuuden kannalta iso haaste on opiskelijakunnan polarisoituminen niihin, jotka haluavat oppia käyttämään tekoälyä ja niihin, joita se ei kiinnosta.

Hautaniemi odottaa kiinnostuneena, mitä seuraava kehityshyppäys tuo mukanaan.

– Nyt on niin paljon niin fiksuja ihmisiä tekemässä tekoälyyn liittyvää tutkimusta, että läpimurtoja tehdään väkisinkin, kun datoista löytyy uusia riippuvuuksia ja pystytään ottamaan huomioon useampia muuttujia kuin aikaisemmin. •

Lue seuraavaksi Tekoäly 2/4 tästä.

teksti Jussi-Pekka Aukia
Kuvat Jussi-Pekka Aukia, ShutterStock

 

 

 

Anna palautetta

Viesti välitetään sähköpostilla sivuston ylläpitäjille. Sitä ei julkaista.

Anna palautetta

Viesti välitetään sähköpostilla sivuston ylläpitäjille. Sitä ei julkaista.