Siirry sisältöön
Tekoäly
Missä ajassa sinun tekoälysi elää?

Kaikesta muutospuheesta huolimatta tunnutaan usein uskovan, että mikään ei oikeasti muutukaan, ja eilispäivän, tai viime vuoden data on ihan kuranttia tekoälyn opetukseen.

Kirjoittajat:

Altti Lagstedt

yliopettaja
Haaga-Helia ammattikorkeakoulu

Julkaistu : 27.04.2023

Paljon puhutaan siitä, että vain muutos on pysyvää, kaikki muuttuu, tai kuten suosittu fraasi asian ilmaisee: nyt muutos on nopeampaa kuin koskaan aiemmin, eikä muutos koskaan enää tule olemaan näin hidasta kuin nyt.

Jos tämä pitää paikkansa, kuinka hyödyllistä peruutuspeiliin katseleminen oikeastaan on? Jos tänään kaikki on jo toisin kuin eilen, voiko tämän päivän päätöksiä tehdä eilispäivän datalla?

Niin ristiriitaiselta kuin se kuulostaakin, niin yleinen vastaus on, että kyllä voi. Yhä suurempia datamassoja menneen elämän dataa valjastetaan tekoälyjen hyödynnettäväksi tulevaisuuden kysymysten ratkaisemiseen. Kaikesta muutospuheesta huolimatta tunnutaan vakaasti uskovan, että mikään ei oikeasti muutukaan – ikään kuin eilispäivän, tai viime vuoden data olisi ihan kuranttia tekoälyn opetukseen.

Pohdittaessa tekoälyn hyödyntämistä, onkin tärkeää kysyä kuinka suuri osa ”jatkuvasta muutoksesta” on vain puhetta puheen vuoksi, ehkä jopa Nonakan (1994) kuvaamaa kriisin tunteen luontia, jonka avulla pidetään organisaatiot (ja yhteiskunnat) dynaamisina? Onko kuitenkin niin, että vaikka yksilötasolla muutos vaikuttaa huikealta, perusasioissa todellisuudessa juuri mikään ei muutu, ja kerätty data on muutoksesta huolimatta aivan relevanttia? Eletäänkö organisaatioissa niin kuin näennäisdemokratioissa, joissa vaaleista huolimatta politiikka ei muutu piiruakaan?

Vai tapahtuuko jopa niin, että opettamalla tekoälyä eilispäivän datalla, saamme eilispäivän dataan sopivia vastauksia, mikä ohjaa meitä elämään eilispäivää yhä uudestaan? Tosielämän päivämme murmelina?

Tällöin riskinä on, että muutoksen oletetaan olevan todellinen, mutta tekoälyyn pohjautuvat järjestelmät jäävät suoltamaan vanhaan maailmaan sopivia ohjeita, ja samalla vesittävät todellisen muutoksen. Jäämmekö jumiin menneeseen, kuten perhe Heinrich Böllin novellissa ”Ois joulu ainainen”?

Vastaus lienee kyllä ja ei. Jatkuvaa muutosta onkin syytä pohtia hieman kriittisesti, ja aikakäsitys tuo tähän tärkeän ulottuvuuden. Tänä päivänä länsimainen aikakäsityksemme on hyvin pitkälti lineaarinen: kaikki muuttuu, samaan hetkeen ei palata, vaan uusi hetki tuo aina uuden tulevaisuuden. Kehitys kehittyy.

Toinen perinteinen aikakäsitys on syklinen, ja se on tyypillisempi joissain uskonnoissa ja esimerkiksi agraarisemmissa yhteiskunnissa. Syklisessä aikakäsityksessä korostetaan kaiken toistuvuutta, ajan mittaan palataan aina samaan tilanteeseen uudestaan ja uudestaan (esimerkiksi maataloustöiden määräytyminen vuodenkierron mukaan).

Jos pitäydyttäisiin puhtaasti lineaarisessa aikakäsityksessä, muutos olisi todellakin jatkuvaa kaikilla osa-alueilla. Tällöin myös tekoälyllä olisi kohtuullisen vähän annettavaa päätöksenteossa.

Käytännössä näin ei kuitenkaan ole. Esimerkiksi joulu tulee joka vuosi, ja ihmiset myös käyttäytyvät suurin piirtein samalla tavoin joka jouluna: sekä kulutuskäyttäytyminen että liikenneruuhkat ovat ennustettavissa. Aiempaa jouludataa voidaan hyvinkin hyödyntää ja tekoäly voi hyvinkin tuoda lisäarvoa sekä kaupoille että liikenteenohjaukselle.

Tekoälyn hyödyntämisen näkökulmasta voidaankin todeta, että aika ei olekaan puhtaasti lineaarinen, vaan osittain syklinen. Kun pohditaan tekoälyn hyödyntämistä päätöksenteon tukena, on syytä pohtia datan lisäksi myös sitä, minkälainen ilmiö kokonaisuudessaan on kyseessä. Kuinka paljon ilmiössä oikeasti on syklisyyttä, ja kuinka paljon lineaarisuutta?

Hyvin harvoin on kyseessä puhtaasti jompaakumpaa: esimerkiksi ilmastonmuutos tekee syklisestä vuodenkierrosta osittain lineaarisen: tämän vuoden kesä on todennäköisesti kuumempi kuin viimekesä, ja sillä voi olla radikaalejakin vaikutuksia esimerkiksi kulutuskäyttäytymiseen.

Koska puhtaasti syklisiä systeemejä on vähän, käytännössä syklisissäkin tapauksissa tekoäly on aika-ajoin opetettava uudelleen tuoreemmalla datalla. Opetustiheys riippuu lineaarisuuden määrästä. Jos syklisyyden ja lineaarisuuden määriä ei voida tapauskohtaisesti arvioida, on suuri riski, että tehdään vääriä oletuksia syklisyydestä ja tekoäly ”dementoituu”, eli alkaa elää mennyttä elämää, ja sen (ja siihen luottavien päättäjien) kosketuspinta nykyhetkeen katoaa lopulta kokonaan.

Lähteet

Böll, H. 1962. Tohtori Murken kootut tauot ja muita satiireja. Otava. Helsinki.

Nonaka, I. 1994. A Dynamic Theory of Organizational Knowledge Creation. Organization Science, 5, 1, s. 14–37.