Yliopistotutkija Timo Lähivaara piti Kuopion klassillisen lukion tekoälykurssillemme luennon 7.10.19 koneoppimisesta ja kuvantunnistamisesta. Lähivaara toimii tällä hetkellä tutkijana Itä-Suomen yliopistolla Kuopion sovelletun fysiikan laitoksella. Hän on tehnyt töitä erityisesti inversio-ongelmien ja huokoisen väliaineen parissa.

Timo Lähivaara jakoi tekoälyn vahvaan ja heikkoon: heikko tekoäly suoriutuu yksinkertaisista sille opetetuista tehtävistä. Vahvalla tekoälyllä on jo ihmisen kaltaista älykkyyttä ja kykyä suoriutua tehtävistä. Lähivaaran mukaan kaikki nykyajan tekoälystä on suurin osa heikkoa tekoälyä ja vahvaan on vielä hyvin pitkä matka.

Lähivaaran mukaan AI eli tekoäly on yläkäsite, jonka alle koneoppiminen kuuluu. Koneoppimiselle eli machine learning:lläon lisäksi useita alaluokkia, kuten neuroverkot. Tässä esityksessä Lähivaara sanoi lähinnä käsittelevänsä ns. syviä neuroverkkoja eli DNN:ia.

Esityksessä ryhdyttiin sitten käymään läpi, miten eläimen aivot tunnistavat kappaleita. Pohdittiin, miten lapsi tunnistaa kissan. Lapsi ei ole saattanut nähdä juuri tätä kissaa aikaisemmin, mutta hän voi varmuudella tunnistaa sen silti kissaksi. Voidaan ajatella, että lapsen aivoissa on syntynyt eräänlainen neuroverkko, johon on kerääntynyt eräänlaisia piirteitä, joita kaikilla kissoilla on. Lapsella saattaa olla vaikeuksia tunnistaa hännätöntä kissaa kissaksi aluksi, mutta esimerkkien myötä tämä eräänlainen neuroverkko kehittyy.

Lähivaara kertoi sitten tarkemmin kissoilla tehdyistä kuuluisista mittauksista, joissa havaittiin, että vaakasuorat ja pystysuorat objektit aktivoivat kissan aivoista eri alueita. Tämä loi vahvistusta teorialle, että eläimen aivot ovat jonkinlainen hyvin monimutkainen neuroverkko. Aivoissa myös jokaisella kerroksella on oma yksilöllinen toimintonsa. Neuroverkoilla pyritään siis matkimaan aivojen toimintaa joillain tavoin, mutta huomattavasti yksinkertaisemmin.

Koneoppimisessa on kerätty mittava oppimisaineisto, joka on luokiteltua eli jokaiselle kuvalle tässä tapauksessa on annettu merkintä. Näin syväoppimisalgoritmi alkaa opettaa itseään, kunnes sen toiminta pysäytetään. Sitten opetetun mallin toimivuutta voidaan testata jollakin kuvalla, joka ei kuulunut opetusaineistoon, ja vertailla tuloksia.

Lähivaara esitteli meille Alexnetin datasetin avulla opetetun mallin toimintaa. Yksinkertaiset lajit, kuten kissan ja muurahaisen se tunnisti, mutta oudommat lajit, joista mekään emme välttämättä tienneet, menivät huonoiksi arvauksiksi. Myös oudot asiat, kuten leopardikuvioiset sohvat, tuottivat mallille vaikeuksia. Leopardikuvioisen sohvan malli luokitteli esimerkiksi tiikeriksi.

Sitten Timo Lähivaara esitteli samanlaista tunnistusta reaaliajassa webkameran avulla. Malli pystyi tunnistamaan luotettavastikin erilaisia pöydällä olleita objekteja, kuten mukin, hiiren ja näppäimistön. Mallin arvaukseen vaikutti kuitenkin kuvakulma, jolloin koko näppäimistön nähdessä malli saattoi arvata välilyöntinäppäintä.

Lähivaara selitti jälkeen hieman tarkemmin, miten mallin “ajatusprosessi” toimii. Ensin kuvasta poistetaan turhia asioita, jotta prosessi on nopeampi. Sen resoluutiota esimerkiksi tiputetaan ja värejä muutetaan sekä kuva rajataan kohteeseen. Näin arvaaminen reaaliajassa on nopeampaa.

Oikean maailman sovellukseksi tekniikalle Lähivaara mainitsi esimerkiksi kasvojentunnistuksen ja paikallisena esimerkkinä puolestaan Kuopion torin parkkihallin portit, jotka aukeavat “itsestään” kun kamerat tunnistavat rekisterikilven.

Esineitä voidaan tunnistaa tekoälyn avulla jo melko luotettavasti. Erikoisemmat esineet silti aiheuttavat järjestelmille ongelmia. Tunnistusmallin kouluttaminen vaatii valtavasti dataa ja hyvin paljon laskentakykyä. Kuvantunnistamiseen kykeneville järjestelmille on jo useita sovelluksia kasvojentunnistuksesta poliisiautojen rekisterikilven lukijoihin. Tunnistamiseen kykenevät järjestelmät luokitellaan vielä heikoksi tekoälyksi.

Tekijät: Roope Siikaluoma, Konsta Jalkanen, Matias Aarnio ja Joonas Piippo

Kuopion klassillinen lukio 16.11.19

Tekoälykurssi