Automaattinen täydennys älypuhelimissa on kätevää, mutta joskus se johtaa tahattomiin virheisiin. Katsotaanpa, miten tekoälyn automaattinen täydennys toimii ja sen rajoituksia.
Jos olet joskus käyttänyt älypuhelinta, olet todennäköisesti turhautunut automaattiseen täydennykseen. Automaattinen täydennys on tekoälyn (AI) haara, joka on suunniteltu helpottamaan ihmisten elämää, joten miksi se on mielestämme turhauttavaa? Automaattisen täydennyksen epämukavuus muistuttaa meitä tekoälyn todellisuudesta. John McCarthy ehdotti tekoälyä ensimmäisen kerran vuonna 1956.
Se viittaa tietokoneohjelmien kykyyn oppia ja järkeillä ihmisten tavoin. Tekoäly on arvokkainta, kun sitä sovelletaan muilla tieteen ja yhteiskunnan aloilla. AlphaGo, joka sai maailmanlaajuista huomiota viime vuonna, on esimerkki Go:hun sovelletusta tekoälystä. Näiden huippuluokan pelien lisäksi tekoäly muuttaa myös toimialoja, kuten terveydenhuoltoa, rahoitusta, liikennettä ja paljon muuta. Esimerkiksi terveydenhuollossa kehitetään tekoälyjärjestelmiä auttamaan potilaiden diagnosoinnissa ja hoidon suunnittelussa, ja rahoituksessa käytetään algoritmeja markkinatietojen analysointiin ja sijoitusstrategioiden ehdottamiseen.
Todellisuudessa tekoälyä on monilla eri aloilla ja sen älykkyysaste vaihtelee. Siksi tekoäly voidaan luokitella kahteen tyyppiin: vahva tekoäly ja heikko tekoäly. Vahva tekoäly on tekoäly, joka voi todella ajatella ja ratkaista ongelmia. Heikko tekoäly on silloin, kun järjestelmällä ei ole tuntoa, mutta se matkii aistia. Voit ajatella tekoälyä, joka voi puhua ihmisille luonnollisesti, vahvana tekoälynä, ja tekoälyä, joka pystyy analysoimaan tietoja vain heikkona tekoälynä. Elokuvassa Iron Man Tony Starkin assistentti Jarvis on vahva tekoäly, kun taas älypuhelimien automaattinen täydennys on heikko tekoäly.
Mikä sitten tekee tekoälystä ainutlaatuisen teknologian? Se on koneoppimista tai "koneoppimista". Koneoppiminen on "algoritmien ja tekniikoiden kehittämisen alaa, jotka mahdollistavat tietokoneiden oppimisen". Vuonna 1959 Arthur Samuel määritteli koneoppimisen ensimmäisen kerran "tutkimusalaksi, joka kehittää algoritmeja, joiden avulla koneet voivat oppia tiedoista ja suorittaa käyttäytymistä, jota ei ole määritelty koodissa". Koneoppiminen keskittyy ennusteiden tekemiseen koulutustiedoista opittujen ominaisuuksien perusteella.
Nykyisessä kaupallistetussa tekoälyssä koneoppiminen suoritetaan ensisijaisesti menetelmällä, jota kutsutaan kuvioiden sovittamiseksi. Kuvioiden sovittaminen on tapa selvittää, mitä tiedät jo ongelmasta, ja kokeilla sitten tunnettua ratkaisua. Älypuhelimesi automaattinen täydennysominaisuus on esimerkki kuvioiden täsmäämisestä. Se oppii kirjoitettavat merkit ja sovittaa ne vastaavaan tekstiin. Tällä tekniikalla on kuitenkin rajoituksensa. Monet ihmiset käyttävät älypuhelimissaan kuvioiden täsmäämistä korjatakseen kielioppivirheitä, kuten ylemmän merkkiviivan pois jättämisen tai tahattomien sanojen automaattisen täydennyksen.
Toinen esimerkki kuvioiden vastaavuudesta on Facebookin sisältösuositukset. Jos olet joskus ollut Facebookissa, olet todennäköisesti huomannut, että katsottuasi videon uutissyötteessäsi suositellaan muita videoita videon alle. Tämä esimerkki kuitenkin havainnollistaa myös kuvioiden sovituksen rajoituksia. Suositellessaan sisältöä se tekee saman asian käyttäjille. Et tiedä, miten käyttäjät reagoivat suosituksiisi, etkä saa juurikaan palautetta.
Tässä on kuvioiden tunnistus auttaa voittamaan kuvioiden yhteensovittamisen rajoitukset. Kuviontunnistus tarkoittaa, että ohjelmisto havaitsee uudet mallit seuraamalla käyttäjien käyttäytymistä. Vaikka kuvioiden yhteensovittamista sovelletaan kaikkiin käyttäjiin kerralla, kuvioiden tunnistus tunnistaa ja korjaa kuviot käyttäjäkohtaisesti. Nykyiset sovellukset sisältävät automaattisen postintunnistuksen ja automaattisen sormenjälkien tunnistamisen. Joissakin älypuhelimissa on jo käyttäjäkohtainen automaattinen täydennysominaisuus. Se kerää tietoja kirjoittamistasi hahmoista ja analysoi, mitä tulee seuraavaksi. Toisin kuin perinteinen kuvioiden sovitus, automaattinen täydennys on käyttäjäkohtainen, mikä tekee siitä meille hieman kätevämmän.
Aivan kuten kuvioiden yhteensovittaminen väistyi kuvioiden tunnistamiselle, järjestelmä paranee jatkuvasti, mutta kuilun ylittäminen vie melko vähän aikaa. Sillä on edelleen vaikeuksia ymmärtää monimutkaisia lauseita, ja puheentunnistuksen tapauksessa se ei tunnista erilaisia aksentteja ja ääntämistä. Nämä ongelmat vain paranevat, kun tietoja kerätään enemmän. Toistaiseksi suurin osa tosielämän tilanteistamme on heikkoa tekoälyä, ja vahvaa tekoälyä koskeva tutkimus jatkuu. Tekoäly on yhtäkkiä muotia, mutta sen eteneminen voi olla hitaampaa kuin uskomme.
Tämä teknologinen kehitys on enemmän kuin pelkkä teknologinen läpimurto; se tuo mukanaan myös sosiaalisia ja eettisiä kysymyksiä. Tekoäly häiritsee todennäköisesti työmarkkinoita, koska se korvaa vähitellen ihmisten työpaikat, ja meidän on pohdittava ja varauduttava näiden teknologisten edistysten sosiaalisiin seurauksiin. On tärkeää valmistautua tulevaisuuteen ja siihen, kuinka tekoäly muuttaa elämäämme.
