Blogi

Ask a Techspert: Mitä päättely tarkoittaa?

Markdown

Googlen asiantuntijat selittävät tekoälyn päättelyä kattavassa haastattelussa, jossa käsitellään hahmontunnistusta, mallityyppejä, ennustamista, luokittelua, arviointia, yksityisyyttä, AI Overviewsia, agenttisia järjestelmiä ja tehokkuutta.

Päättely on merkittävä osa sitä, mikä tekee tekoälystä yhä kyvykkäämpää. Tässä Google Techspert -haastattelussa kaksi Googlen asiantuntijaa selittää, mitä päättely tarkoittaa ja miten se auttaa tekoälyjärjestelmiä tuottamaan hyödyllisiä tuloksia.

Huhtikuussa Google esitteli Ironwoodin, seitsemännen sukupolven Tensor Processing Unit (TPU) -sirunsa, joka on suunniteltu tuottamaan tehoa generatiivisen tekoälyn päättelylle. TPU:t ovat tekoälyjärjestelmiä käyttäviä siruja, eivätkä ne ole Googlelle uusia, mutta tämä sukupolvi on suunniteltu auttamaan tekoälyjärjestelmiä siirtymään reagoinnista ennakoivaan toimintaan. Päättely on prosessi, jonka avulla tekoälyjärjestelmät käyttävät malleja tietoon perustuvien tulosten tuottamiseen.

Tiedän, mitä sana päättely tarkoittaa — sitä, että saamiesi tietojen perusteella voit tehdä jonkinlaisen johtopäätöksen. Tarkoittaako se jollakin tavalla samaa, kun puhumme tekoälystä?

Googlen asiantuntija: Tavallaan kyllä. Se on yksinkertaistus, mutta mielestäni päättely on helpointa ymmärtää hahmontunnistuksena. Laajimmassa merkityksessä, kun puhumme generatiivisesta tekoälystä ja päättelystä, kysymme: pystyvätkö tekoälymallit tunnistamaan malleja ja ennustamaan, mitä haluat? Jos esimerkiksi sanoisin ”maapähkinävoi ja ____” ja pyytäisin yhdysvaltalaista yleisöä täydentämään tyhjän kohdan, he luultavasti sanoisivat ”hilloa”. Se on hyvä esimerkki puheen hahmojen päättelemisestä. Tekoälyn päättely pystyy tähän, mutta sen kyvyt ulottuvat paljon pidemmälle.

Googlen asiantuntija: Päättely tarkoittaa yleisesti sitä, miten käytämme mallia jonkin hyödyllisen tekemiseen. Ensin malli täytyy kouluttaa: tekoälymalli sisältää mallin parametrit, mallin arkkitehtuurin ja kokoonpanon eli koodin, jota se tarvitsee tehtävien suorittamiseen — ja nämä yhdessä toteuttavat mallin toiminnallisuuden. Päättelyn avulla kaikkea tätä voidaan ottaa käyttöön.

Millaiset tekoälymallit käyttävät päättelyä?

Googlen asiantuntija: Syväoppimiseen perustuva tekoäly, kuten kielimallit, kuvagenerointimallit ja äänimallit, käyttää päättelyä, koska se tekee ennusteita siitä, mitä tulee ”tapahtumaan”, aiemmista datan hahmoista oppimansa perusteella.

Googlen asiantuntija: Myös suosittelumallit käyttävät päättelyä.

Mikä on esimerkki suosittelumallista?

Googlen asiantuntija: Useimmat mainosmallit ovat suosittelumalleja, samoin kuin malli, joka suosittelee sinulle YouTube-videoita. Nämä ovat ”perinteistä” (joskus ”klassista”) tekoälyä — eivät generatiivista tekoälyä, kuten LLM-malleja tai kuva- ja videonluontimalleja — ja ne ovat hyödyntäneet päättelyä jo pitkään.

Eli päättely ei ole tekoälyssä uutta, vaan se on vain kehittynyt tekoälyn kyvykkyyden kasvaessa?

Googlen asiantuntija: Kyllä. Päättelyn avulla tekoälymallit eivät ainoastaan ennusta, vaan myös luokittelevat. Malli voi merkitä asioita sen perusteella, mitä se on oppinut. Tässä on tunnettu esimerkki: monta vuotta sitten Google antoi tekoälymallille kuvan ja kysyi, pystyisikö se tunnistamaan kuvassa olevan kissan. Datan ja päättelyn avulla se pystyi opettamaan itselleen, mikä kissa on ja miltä se näyttää, ja tunnistamaan kissan oikein.

Muistan tuon!

Googlen asiantuntija: Se oli esimerkki mallista, joka käytti päättelyä.

Googlen asiantuntija: Muistatko vielä, kun pari vuotta sitten puhuttiin tekoälyn luomista kuvista, joissa fysiikan lait käytännössä sivuutettiin? Esimerkiksi ihmisten kädet kuvattiin usein väärin. Nykyiset mallit suoriutuvat tässä paljon paremmin. Ne hallitsevat paremmin muun muassa fysiikan ja tekstuurit. Sama pätee tekstin kääntämiseen. Esimerkiksi kieltenkäännös perustui aiemmin tilastollisiin menetelmiin. Se oli käyttökelpoista, mutta ei aivan oikein eikä todellakaan keskustelunomaista. Tilastollinen kääntäminen kuitenkin johdatti meidät generatiiviseen tekoälykääntämiseen, jota nykyään monet uskaltavat käyttää jopa asiakkaille suunnatuissa tuotteissaan. Käytämme edelleen päättelyksi kutsuttua prosessia, mutta taustalla oleva tekoäly ja laskentakapasiteettimme ovat kehittyneet huomattavasti.

Voidaanko mitata, miten hyvin päättely toimii?

Googlen asiantuntija: Voimme mitata sitä tarkastelemalla, miten hyvin malli suoriutuu tietyistä tehtävistä. Käytämme päättelyä myös mallien arviointiin ja kouluttamiseen niiden parantamiseksi. Kun koulutamme mallia, suoritamme siis jatkuvasti päättelyä parantaaksemme samalla mallin laatua.

Ja tällaisten koulutusasetelmien ansiosta päättelyn taso paranee yhä, ainakin alan vertailumittareilla mitattuna, olettaisin.

Googlen asiantuntija: Kyllä. Mutta on myös kysymys ihmisten kokemuksesta — kuinka moni meistä on huomannut näiden asioiden parantuneen? Yleisesti ottaen parannus on ollut huomattava. Toinen asia, josta Googlella välitämme päättelyn kehitystyössä, on yksityisyys: huolehdimme siitä, mitä tietoja meidän täytyy tallentaa, jotta nämä käyttökokemukset toimivat.

Mitä esimerkkejä Googlen tekoälystä on, joissa parantunut päättely näkyy?

Googlen asiantuntija: Yksi Googlen parhaista päättelyn käyttökohteista on AI Overviews. Kirjoitat kyselyn Hakuun, ja erittäin monimutkainen järjestelmä jakaa sen useille malleille tulosten saamiseksi. Se käyttää päättelyä ymmärtääkseen kyselysi ja selvittääkseen, millaisen vastauksen haluat, ja lopuksi se tiivistää oppimansa erittäin hyödylliseen muotoon. Päättely on keskeistä myös monissa agenttisissa hankkeissa, joita Google toteuttaa. Agenttien avulla voit pyytää tekoälymallia päättelynsä perusteella tuottamaan tietoa ja lisäksi saada sen tekemään asioita puolestasi. Tämä on eräänlainen laajennus siitä, miten aiemmin ymmärsimme päättelyn.

Päättely siis kehittyy hyödyntämään dataa eli tietoa vastausten tarjoamiseen ja jopa toimintaan ryhtymiseen. Miten se muuten muuttuu?

Googlen asiantuntija: No, yksi erittäin tärkeä asia on kustannus. Pyrimme tekemään päättelystä mahdollisimman edullista. Oletetaan, että haluamme tuoda Geministä saataville pienemmän ja edullisemman version. Kehittäisimme mallin päättelyä löytääksemme tapoja muuttaa laskennan periaatetta tai mallin muodostavaa koodia muuttamatta semantiikkaa eli tehtävää, jota mallin on tarkoitus suorittaa, jotta kustannuksia saadaan pienennettyä. Kyse on käytännössä mallin pienemmän ja tehokkaamman version tekemisestä, jotta useammat ihmiset voivat hyödyntää sen kykyjä.

Miten kustannuksia saadaan laskettua?

Googlen asiantuntija: Yksi tapa on optimoida laitteisto. Siksi Google tuo Ironwoodin markkinoille tänä vuonna. Se on optimoitu päättelyyn päättely ensin -suunnittelunsa ansiosta: siinä on enemmän laskentatehoa ja muistia, ja se on optimoitu tietyille lukutyypeille. Ohjelmistopuolella Google kehittää kääntäjiään ja kehikoitaan. Tavoitteena on, että tekoälyn päättelystä tulee ajan myötä tehokkaampaa: parempaa laatua pienemmällä resurssien käytöllä ja edullisemmin, jotta siitä on hyötyä.

Tutustu Ailoot API -dokumentaatioon osoitteessa ailoot.ai/docs.