Tilaa lehti

Mainokset

FAULHABER GROUP

SEW EURODRIVE

Tekoälyn todellisuus

Nykyinen tekoäly kehittyy nopeasti. Sen kyky ratkoa pitkiä tehtäviä tuplaantuu tällä hetkellä 7 kuukaudessa. Kohta tekoäly pystyy ratkaisemaan tehtäviä, joihin ihmiseltä menee päiviä tai viikkoja. Ihmiset käyttävät tekoälyä omassa työssään ratkaisemaan erilaisia yksinkertaisia asioita, kuten tiivistämään tekstiä tai hakemaan yhteenvetoa monesta dokumentista. Tämä toki jo on hyvä apu työn tekemisessä.

Julkaistu:

Todellisuudessa kohta ollaan pääsemässä oikeanlaiseen tekoälyn käyttämiseen. Asiakasarvon muodostaminen tekoälyn avulla on vielä pientä. Suurin osa varsinaisista toteutuksista perustuu erilaisiin ML (Machine Learning) algoritmeihin ja tilastollisiin toteutuksiin, jotka toimivat luotettavasti. Hieman edistyneemmät käyttävät isoja kielimalleja (LLM) ja ne yrittävät selittää prosessin tai laitteen tilaa käyttäen huollon tietoja sekä aikasarjatietoa. Nämä toteutukset on esikonfiguroitu valmiiden ohjeiden avulla, jolloin ne on voitu testata, että ei tapahdu niin sanottua hallusinointia, jossa tekoälymalli luo todentuntuista, mutta väärää tietoa. Tekoälyn hallitseminen on vaikeaa varsinkin, kun malli on geneerinen ja se on luotu ja koulutettu isolla datamäärällä.

Tarvitsemme siis edelleen ihmisiä tuottamaan uutta tietoa ja varmistamaan mallien toimivuus.

Suomessa on saatava luotua perusta tekoälyagenttien käyttämiseksi ensi vuoden aikana, koska niiden kehitys on tällä hetkellä todella nopeaa. Tämän jälkeen tehtaalla voidaan ajaa pieniä tekoälymalleja (Small Language Model). Tämä auttaa ihmisiä päätöksien tekemisessä. Tekoäyn avulla saadaan esimerkiksi ehdotuksia huoltotehtäviksi, auttaa niiden suunnittelussa, tekemisessä ja raportoinnissa. Näin toteutettu ratkaisu toimii nopealla vasteajalla ja ei tarvitse yhteyttä internetiin. Tietoturvallisuus saadaan samalla toteutettua niin, että kaikki tieto pysyy tehtaan sisällä. Pitkän aikavälin vaarana voi kuitenkin olla, kun siirrytään luottamaan ja käyttämään vain tekoälyn tuottamaa ohjeistusta ja tilannekuvaa, uuden datan ja tietämyksen muodostaminen vähenee, jolloin mallin koulutukseen ei synny uutta tietoa.

Tarvitsemme siis edelleen ihmisiä tuottamaan uutta tietoa ja varmistamaan mallien toimivuus sekä tekemään varsinaiset käsin tehtävät työt tehtaalla. Tarvitsemme erikoisosaamista: tekoälyä ja agentteja ohjelmoivia ihmisiä, datakeskuksia ja uusia toimintatapoja, jotka nostavat tehokkuutta ja helpottavat rutiinien kanssa. Teollisuus tarvitsee uutta teknologiaa ja toimintatapoja, jotka tehostavat tuottavuutta oleellisesti.

Mika Karaila
Tutkimusjohtaja, Valmet Automation
Työelämäprofessori, Aalto Yliopisto

Sinua voisi kiinnostaa myös