Boardman Advisors -ryhmän teemakokouksessa 14.11. perehdyttiin koneoppimiseen Risto Siilasmaan sekä Futuricen Tuomas Syrjäsen johdolla.

”Me johtajat ja hallitusammattilaiset saatamme havaita uuden teknologian ja uskoa, että se on tulevaisuuden kannalta merkittävässä asemassa. Emme yritä kuitenkaan oppia sitä asiaa, ja tämä on väärä asenne. Emme voi vastuullisesti hoitaa tehtäväämme, jos emme jollain tasolla ymmärrä niitä keskeisiä trendejä ja dynamiikkaa”, Siilasmaa teroittaa. Tilanteet ja markkinat ovat kaikille erilaisia, ja kaikkien täytyy osata soveltaa oppimaansa omassa kontekstissa.

Koneoppiminen elää kulta-aikaansa nyt, koska laskentatehoa on. Vielä kymmenen vuotta sitten isoa neuroverkkoa ei olisi voitu silloisella laskentateholla pyörittää. Amazon Alexa -virtuaaliavustaja opetetaan 16 000 tunnin materiaalin avuin, jonka Alexa oppii muutamassa tunnissa. Parikymmentä vuotta sitten oli todellinen ongelma tunnistaa luotettavasti ihmisen käsin kirjoittamia merkkejä esimerkiksi postikorteista. Koneen ja lääkärin yhteistyöllä ihosyöpä voidaan diagnosoida nopeammin ja varmemmin.

Suurin ero ihmisen ja koneen kyvykkyyden välillä on se, että koneelle viisikymmentäulotteinen avaruus ja yhtä helppo kuin kaksiulotteinen avaruus ihmiselle. Koneoppimista on vaikea ymmärtää, sillä matalassakin neuroverkossa on miljoonia datapisteitä ja laskutoimituksia.

Toisaalta koneoppimisen järjestelmillä on isoja rajoitteita

Järjestelmät ajattelevat eri tavalla kuin ihmiset. Niin kauan, kun emme ymmärrä tätä, emme ymmärrä minkälaisia vinoumia, haasteita ja vaaroja koneoppimisessa on. Ohjelmoijien vinoumat voivat siirtyä järjestelmään huomaamatta.

Yhdysvaltojen armeija opetti koneen tunnistamaan erilaisia tankkeja. Amerikkalaiset tankit oli kuvattu studio-olosuhteissa ja vihollisen tankit maastossa. Lopputuloksena ensimmäisenä testiaamuna järjestelmä räjäytti omat panssarivaunut taivaan tuuliin, sillä kone oli oppinut tunnistamaan hyvä- ja huonolaatuiset kuvat toisistaan, ja siten tulkitsi maastossa olevat tankit opetusmateriaalin maastokuvien kaltaisiksi eli vihollistankeiksi.

Toisessa tapauksessa opettaminen epäonnistui, kun koneelle syötettiin aina oikea ja väärä vastaus vuorotellen, jolloin kone oppi tunnistamaan vain rytmin. Kone oppii vain yhteen suuntaan. Sille on helppo opettaa tunnistamaan kissa, mutta sama kone ei osaa vastata kysymykseen siitä, miltä kissa näyttää. Tätä varten pitäisi luoda toinen kone.

Mitä yritysten pitäisi tehdä, jotta pääsee tähän aaltoon mukaan?

Yrityksessä on oltava perusymmärrys koneoppimisesta sekä digitalisaation tarjoamista mahdollisuuksista ylipäätään, Siilasmaa sanoo. Nokialla kaikki työntekijät vastaanoton työntekijöistä lähtien käyvät koneoppimiskoulutuksen, sillä jokaisen työntekijän on ymmärrettävä koneoppimisen peruslainalaisuudet, laskentatehon vaateet, opetusmateriaalin laadun merkitys sekä se, että järjestelmiä voi huijata.

Seuraava askel on kasvattaa koneoppimisen osaamista yrityksessä. Kun ihmiset havaitsevat liiketoimintaongelmia, joita voisi ratkaista koneoppimisella, organisaatiossa on valmiina osaajat, jotka voivat lähteä ratkomaan haastetta.

Kannattaa lähteä liikkeelle siitä, mikä korpeaa eniten ja on helpoin ratkaista, Syrjänen sanoo. Onnistuneista kokeiluista on pitkä matka hyvään käytettävyyteen ja toimiviin prosesseihin. Liikkeelle pääseminen on kuitenkin oleellista, sillä kokeilujen kautta paljastuu uusia ideoita ja toiminnallisuuksia.

Yrityksessä on oltava datastrategia. Useat yritykset eivät edes tiedä, mitä dataa heillä on. Järjestelmän pitäisi osata tietosuoja-asetusten läpi pystyä yhdistelemään tietoa merkityksellisellä tavalla. Onko sinun organisaatiossasi mietitty, mikä data on arvokasta?