Alustuseks ütlen ära, et siin artiklis ei ole tehisintellekt kui eneseteadlikuks saanud ehitusmasin kes inimkonda kukutada üritab, vaid järjest targemaks ja kavalamaks saanud ennustusvõimelised arvutid ja tarkvara, mida juba tänasel päeval järjest rohkem igasugu protsessidesse kaasatakse.

Et aru saada kuidas tehisintellekt meid üldse tulevikus mõjutama hakkab, tuleb aru saada kus ja kuidas pakub tehisintellekt enim väärtust ja kasu.

Suuremad tehnoloogiaettevõtted nagu Apple, Google ja Amazon on viimasel ajal aktiivselt kokku ostnud väiksemaid tehisintellekti arendamisega tegelevaid ettevõtteid. Suurettevõtete huvi tehisintellekti vastu on tekitanud tarbijates igasugu emotsioone – alustades ärevast huvist selle vastu mida tehisintellekt ühel päeval teha suudaks kuni hirmuni enda töö kaotamise ees. Kõige parem tehisintellekti võidukäiku suures plaanis vaadata on ühe küsimusega: Kuidas tehnoloogia, eriti tehisintellekt suudab vähendada kulusid. Alles siis saab hakata täpselt hindama tulevasi muutusi.

Tehisintellekt täidab põhiliselt ühte otstarvet võttes midagi mis oli varem ajakulukas ja suhteliselt kallis ning tehes selle kiireks ja odavaks. See asi on ennustamine. Ehk siis teisisõnu võime võtta kogutud informatsioon ja luua selle abil uut informatsiooni mida sul varem ei olnud. Toome välja olukordi kus tehisintellekt on teinud suuri edusamme just ennustamise valdkonnas. Vaatame kuidas tehisintellekt aitab meil lahendada probleeme mida varem ei oleks ennustamisega seotudki, kuidas mõned inimoskused muutuvad tähtsusetuks samas kui teised muutuvad väärtuslikumaks. Need spekulatsioonid põhinevad tehnoloogia senistel muutustel ja justnimelt tehnoloogia arenguga seotud kulude vähenemisel.

 

Masinõppimine

Enamus tehisintellekti viimaseid saavutusi langeb kategooriasse “masinõppimine”, mis tähendab arvuteid mis suudavad õppida neile etteantud andmetest või eelnevatest kogemustest. Kujuta näiteks ette, mida nõuab ostukorvis olevate esemete tuvastamine. Kui me suudaks kirjeldada kuidas õun välja näeb siis me suudaks ka arvuti panna ära tundma õunu, tuginedes nende värvile ja kujule. Siiski on ka teisi objekte mis näevad välja nagu õunad, nii kujult kui ka värvilt. Me võiksime lõputult parandada enda kirjeldust õunast aga lõpuks muutuks kogu see üritus mõttetuks just tohutu ajakulu tõttu.

Keerulised ja segased keskkonnad on just need kus masinõppimine tuleb kõige enam kasuks. Näiteks ühte tüüpi harjutuses näidatakse masinale seeriat pilte mille all on nimi. Siis näidatakse talle miljoneid pilte ja need kõik sisaldavad nimega objekte, millest ainult mõned on õunad. Tulemusena hakkab masin ise nägema reeglipärasusi – näiteks, et õunad on tihti punased. Selliseid reeglipärasusi kasutades – värv, kuju, tekstuur ja kõige tähtsamana kontekst, annavad masinale kogu vajaliku info, et edaspidi iseseisvalt aru saada mis on õun ja mis mitte.

Üldiselt ennustamisest rääkides mõtleme me seda, mis hakkab tulevikus juhtuma. Näiteks, masinõppimist saab kasutada, et ennustada millal pangalaenu taotleja ei suuda enam laenu tagasi maksta jne. Samuti saab masinõppimist kasutada meditsiinis, kasutades kõiki patsiendi sümptomeid saame panna diagnoosi, ennustada haigust. Sellisel kujul andmete kasutamine ei ole midagi uut. Matemaatilised põhimõtted masinõppimise taga ei ole samuti midagi uut. Mis on siis muutunud?

Hiljutised edusammud arvutite kiiruses, andmesäilitusmahtudes, andmetöötluse kiirustes, sensorites ja algoritmides kombineeritult on märkimisväärselt vähendanud masinõppimise kulusid. Tulemusi võib näha näotuvastuses, automaatsetes tõlgetes mis on muutunud juba peaaegu ideaali-lähedaseks.

 

Ennustamise väärtus

Kuidas siis masinõppimise edusammud mõjutavad tavainimest ja tema töökohta? Kuidas mõjutab see töölise võimet mõne ülesandega hakkama saada, mis võib olla näiteks auto juhtimine või tootele hinna määramine? Peale mingite tegevuste tegemist tekivad tagajärjed. Iga tegevuse tegemisel on ka hunnik tingimusi. Näiteks, autojuhi otsus keerata kas paremale või vasakule sõltub suuresti ennustusest mida teised autojuhid antud ajahetkel võiksid tegema hakata.

Nii vaadates tuleb eristada selgelt jälgida ennustamise väärtust ja hinda. Nagu me nägime, siis on tehisintellekti areng kõvasti vähendanud ennustamise hinda. Ennustamine muutub väärtuslikumaks kui andmed muutuvad laiemalt kättesaadavaks ja ligipääsetavaks. Tehnika areng on suurendanud nii erinevate andmete hulka kui ka mitmekesisust. Mida aeg edasi, seda rohkem võimalikuks muutub ennustamine ka erinevates valdkondades.

Isesõirtvad autod on väga hea näide. Tehnoloogia mis aitab autol kiirendada, pöörata ja pidurdada ilma juhita on juba põlvkondi vana. Tol ajal põhinesid need süsteemid tervel hunnikul “mis siis kui” reeglitel. Ehk siis algoritm oli kaunis lihtne “Kui tee peal on suur kivi, siis pidurda.” Aga selline protsess oli aeglane ja erinevaid muutujaid on lihtsalt liiga palju mida sellisel viisil sisse programmeerida. 2000 aastate alguses tekkis kellelgi asjalik idee: auto võiks sõida iseseisvalt, ennustades mida inimjuht teeks teatud tingimustes, antud juhul tuleks tingimused kaamerasilmadest ja lasermõõtmiste tulemustest. Selline äratundmine auto poolt kombineerituna masinaõppimisega muutis esimesed täielikult isesõitvad autod reaalsuseks palju varem kui osati arvata.

 

Kes langetab otsused?

Otsustusvõime on oskus langetada kaalutletud otsuseid – erinevate otsuste ja nende tagajärgete mõistmine ja ennustamine. Ülesandeid kus tagajärgi on lihtne kirjeldada ja inimese otsustamist on vähe vaja, saab üldjuhul automatiseerida. Teiste ülesannete jaoks, kus tagajärgede kirjeldamine on keerulisem, eriti kui tagajärg eksiteerib inimese peas ning seda on suhteliselt võimatu kerge vaevaga masinale arusaadavaks teha.

See ei tähenda, et meie arusaamine inimese otsustusvõimest ei paraneks tulevikus või et see ei võiks kunagi saada automatiseeritud. Masinõppimise uuemad versioonid leiavad ühe paremini seoseid tegude ja tagajärgede vahel ning kasutavad seda infot, et parandada enda ennustusi.

Üks New Yorgis asuv tehisintellektiga tegelev ettevõtte pakub personaalseid assistente kes panevad kirja kohtumisi ja haldavad kalendreid. Et virtuaalset assistenti treenida pandi ta lugema tuhandeid kirjavahetusi inimeste vahel, õppimaks kuidas ja milliseid valikuid inimesed teevad. Nii õppides, suudab assistent peagi ennustada ka probleeme mis võivad tekkida ja pakkuda parimaid lahendusi.

Ülesannete pisikesteks etappideks jaotamine aitab meil näha kuidas tehisintellekt võiks töökeskkonnas veelgi rohkem kasuks tulla. Kuigi arutelud tehisintellekti üle taanduvad tavaliselt inimene vs. masin tüüpi vaidlusteks, võiks teemat pigem käsitleda vastavalt sellele, kui palju läheb vaja otsustusvõimet mingite tegevuste sooritamiseks. Juhtudel kus terve otsuse saab defineerida algusest lõpuni algoritmiga (näiteks pildituvastus või isejuhtivad autod), on loogiline oletada, et peagi asendavad masinad inimese. Juhtudel kus otsuseid on keerulisem lahti seletada ja kirjeldada, võtab see muidugi kauem aega.

 

Ennustusmasinate tööle rakendamine

Ennustustehnoloogiate areng viib järjest lähemale tervete kompleksete ülesannete automatiseerimisele. See nõuab masinatelt usaldusväärsete ennustamiste loomist ja nendele tuginedes otsustamist mida teha järgmiseks. Näiteks paljudes ärivaldkonna tõlkeülesannetes muutub otsustamine inimfaktorina järjest väiksemaks kuna ennustusepõhine tõlketehnoloogia paraneb jõudsalt. Vahel on siiski veel vaja sekkuda, kui tõlget vajab keeruline läbirääkimine vms. Googlei meilipostkast suudab juba mingil määral aru saada e-mailide sisust ja luua neile automaatselt lühivastused, siiski küsitakse enne vastuse saatmist inimeselt üle – milline parim variant. Vastusevariandi valimine on siiski kiirem kui ise trükkimine ja kokkuvõttes saab inimene rohkematele e-mailidele vastata lühema ajaga.

Meditsiin on kindlasti valdkond kus tehisintellekt mängib üha suuremat rolli. Tehisintellekt suudab küll parandada ja täpsustada diagnoose mis omakorda tagavad efektiivsema ja parema ravi kuid lõppsõna jääb kindlasti veel pikaks ajaks arstidele. Erinevatel patsientidel on erinevad vajadused ja inimesed on veel nende mõistmises enamasti paremad. On ka palju situatsioone kus masinate kasutamise plussid ei pruugi iial üle kaaluda inimeste omasid, eriti enamiku tavainimeste silmis.

 

Vaadates tulevikku

21 sajandi hakul olid enamlevinud ennustusprobleemid lihtsad statistilised küsimused nagu näiteks laohaldus ja nõudluse ennustamine. Viimase kümne aastaga oleme aga selgeks saanud pildituvastuse, autojuhtimise ja kasutatavad automaattõlked. Praegusel hetkel võib arvata, et siia peagi lisanduvate valdkondade hulk on meeletu.

Võtmeülesanded enamikes ettevõtetes saavad olema:

1. Töötajate väljakoolitamisel fookuse viimine ennustuse-põhiselt otsustus-põhilisele.
2. Tehisintellekti kasutamise suuna ja kiiruse valimine.
3. Efektiivsete meeskondade loomine kus on kaasatud hea otsustusvõimega inimesed ja hea ennustusvõimega tehisintellekt.