Tekoälyn vastuullinen hyödyntäminen

Data voi eri määritelmien mukaan olla

• kokoelma erillisiä arvoja, jotka välittävät tietoa ja kuvaavat määrää, laatua, tosiasioita, tilastoja, muita merkityksen perusyksiköitä tai yksinkertaisesti symbolien sarjoja, joita voidaan tulkita edelleen. (Wikipedia)
• tietokoneen tuottamaa tai tallentamaa tietoa (Britannica Dictionary)
• faktatietoa, kuten mittaukset tai tilastot, joita käytetään päättelyn, keskustelun tai laskennan perustana (Merriam-Webster Dictionary).

Tietojenkäsittelyssä algoritmi on käytännössä vastaava asia kuin resepti ruoanlaitossa: ohje, jonka mukaan raaka-aineita, tietojenkäsittelyssä dataa, käsitellään.

Eri määritelmien mukaan algoritmi voi olla

• joukko matemaattisia ohjeita tai sääntöjä, jotka erityisesti tietokoneelle annettuna auttavat laskemaan vastauksen ongelmaan (Cambridge Dictionary)
• systemaattinen menettely, joka tuottaa rajallisessa määrässä vaiheita vastauksen kysymykseen tai ratkaisun ongelmaan (Encyclopaedia Britannica)
• yksityiskohtainen kuvaus tai ohje siitä, miten tehtävä tai prosessi suoritetaan, tai jota seuraamalla voidaan ratkaista tietty ongelma. (Wikipedia)

Huomioi, että algoritmi ei ole teknologinen käsite, vaan se voi viitata mihin tahansa tiettyyn järjestelmälliseen tapaan käsitellä tietoa siten, että käsittelystä seuraa tietty tuotos tai toiminta. Tässä yhteydessä puhumme kuitenkin algoritmeista vain digitaalisen tietojenkäsittelyn kriittisenä elementtinä.

Automaattinen päätöksenteko käsitteenä ei viittaa suoraan mihinkään tiettyyn teknologiaan tai datankäsittelymenetelmään, vaan sen alla on kaksi pääluokkaa:

• Sääntöpohjainen automatisaatio, jossa päätökset generoituvat vakiomuotoisesta datasta lukittujenkäsittely-yhtälöiden mukaan. Esimerkiksi automaattinen veroilmoitus edustaa sääntöpohjaista automatisaatiota. Sovellusalueet ja käyttötapaukset rajattuja ja pragmaattisia.
• Tekoälyyn eli itsenäisesti toimiviin  järjestelmiin perustuva automatisaatio. Tällaisilla opetusdatalla koulutetuilla algoritmisilla järjestelmillä on kyvykkyys käsitellä luonteeltaan erilaisia aineistoja ja tuottaa niistä esimerkiksi analyysejä, ennusteita tai tilannekuvia erilaisissa esitysmuodoissa. Mahdollisia sovellusalueita ja käyttötapauksia on paljon, ja ne ovat vaikeasti rajattavia ja ennustettavia.

Tekoäly ei ole yksi tietynlainen tietojenkäsittelyn menetelmä, ja siksi sille on ollut erityisen vaikeaa löytää määritelmää, joka tyydyttäisi kaikkia. Tämä puolestaan on vaikeuttanut esimerkiksi EU:n tekoälyasetuksen tekemistä, koska asetusluonnoksen määritelmä on saanut alan toimijoilta runsasta ja osin ristiriitaista kritiikkiä.

Joitakin keskeisiä määritelmiä:

• Digitaalisen tietokoneen tai tietokoneohjatun robotin kyky suorittaa tehtäviä, jotka yleensä liitetään älyllisiin olentoihin. Termiä käytetään usein hankkeissa, joissa kehitetään järjestelmiä, joille on ihmiselle ominaisia älyllisiä prosesseja, kuten kyky järkeillä, löytää merkityksiä, yleistää tai oppia aiemmista kokemuksista (Encyclopaedia Britannica).
• Kaikki jossain määrin autonomisesti toimivat ohjelmistot, jotka tuottavat tulosteita ihmisen asettamien ja määrittelemien tehtävien mukaisesti. Tulosteet voivat olla muodoltaan esimerkiksi sisältöä, ennusteita, suosituksia tai päätöksiä, jotka vaikuttavat ympäristöön, jonka kanssa ohjelmisto tai laite, jonka toimintaan ohjelmisto vaikuttaa, on vuorovaikutuksessa (Algoritminen syrjintä ja yhdenvertaisuuden edistäminen, Valtioneuvoston selvitys- ja tutkimustoiminnan julkaisusarja 2022Avautuu uuteen ikkunaan.).

Näissäkin määritelmissä on jo eroja sekä rajauksessa että ydinominaisuuksien valinnassa, mutta pääpiirteissään tekoälyä määrittävät näiden mukaan

• kyky suorittaa toimintoja, joita pidetään ihmisen älykkyyttä vaativina
• kyky itsenäiseen, autonomiseen toimintaan
• kyky olla vuorovaikutuksessa ympäristöstä tulevien signaalien ja datan kanssa ja sopeuttaa toimintaansa niiden mukaan suhteessa järjestelmän aiempaan toimintaan ja tuotoksiin (järjestelmän oppivuus)
• pyrkimys toteuttaa ihmisen järjestelmälle antamaa tavoitetta ja tuotosta tavalla, joka optimoi tulokset.

Koneoppiminen (machine learning) on tekoälyn ja datatieteen kannalta olennainen menetelmä. Ilman koneoppimista meillä tuskin olisi niitä tietojenkäsittelyjärjestelmiä, joita nyt kutsumme arkikielessä tekoälyksi.

Koneoppimiselle annetaan jonkin verran toisistaan poikkeavia määritelmiä, esimerkiksi:

• Koneoppiminen on tekoälyn osa-alue, joka keskittyy sellaisten järjestelmien rakentamiseen, jotka oppivat tai parantavat suorituskykyään käyttämänsä tiedon perusteella (Oracle).
• Koneoppiminen on tekoälyn osa-alue, jonka tarkoituksena on saada ohjelmisto toimimaan entistä paremmin pohjatiedon ja mahdollisen käyttäjän toiminnan perusteella (Wikipedia).

Koneoppiminen ei tarkoita sitä, että järjestelmä oppisi ja kehittyisi itsenäisesti aina vain paremmaksi ja tehokkaammaksi siinä, mitä se on opetettu tekemään. Koneoppimisjärjestelmät oppivat, kun niitä opetetaan tiettyyn tarkoitukseen. Niitä on myös opetettava lisää tai uudelleen, jotta ne pysyvät ajan tasalla muuttuvassa ympäristössä. Lisäksi järjestelmät on syytä testata tarkasti ennen kuin ne otetaan käyttöön.

Syväoppiminen on koneoppimisen osa-alue. Juuri syväoppimisen kehittymisen ansiosta uudet autonomiset algoritmiset järjestelmät kykenevät yhdistelemään erilaisia data- ja aineistotyyppejä ja generoimaan uudenlaisia tuotoksia.

Syväoppiminen perustuu niin sanottuihin neuroverkkoihin, jotka jäljittelevät ihmisaivojen toiminnan perusteita.

Syväoppiminen on tekoälyn menetelmä, jossa tietokoneita opetetaan käsittelemään dataa ihmisaivojen innoittamalla tavalla. Syväoppimismenetelmien avulla voi automatisoida tehtäviä, jotka yleensä vaativat ihmisälyä, kuten kuva-aineiston kuvailutiedon tuottaminen tai äänitiedoston muuntaminen tekstiksi.

– Amazon Web Services (AWS)

Neuroverkot ovat syväoppimisen mahdollistavia tietoteknologisia rakenteita, jotka jäljittelevät ihmisaivojen toimintaa ja rakenteita neuroneineen ja synapseineen.

Neuroverkko on tekoälyn menetelmä, jossa tietokoneet opetetaan käsittelemään tietoja ihmisaivojen kaltaisella tavalla. Se luo mukautuvan järjestelmän, jonka avulla tietokoneet oppivat virheistään ja kehittyvät jatkuvasti. Näin keinotekoiset neuroverkot pyrkivät ratkaisemaan monimutkaisia ongelmia, kuten asiakirjojen tiivistämistä tai kasvojen tunnistamista, entistä tarkemmin.

– Amazon Web Services (AWS)

Seurausetiikka perustuu väitteeseen, että tekojen seuraukset ovat arvoltaan tärkeämpiä kuin niiden muodollinen tarkoitus. Se, onko yksittäinen teko hyvä vai paha, määrittyy vain sen mukaan, millaiset seuraukset sillä on.

Seurauseettistä ajattelua on esiintynyt historiassa runsaasti, mutta modernina aikana sitä on edustanut utilitarismi eli hyötyetiikka. Sen periaatteet ja tavoitteet muotoili englantilainen filosofi ja juristi Jeremy Bentham ja niitä kehitti edelleen englantilainen filosofi ja taloustieteilijä John Stuart Mill.

Oikean ja väärän mittari on suurin mahdollinen onnellisuus suurimmalle mahdolliselle joukolle ihmisiä. 

– Tiivistys Benthamin utilitarismin perusperiaatteesta

Eettisesti vahvan yhteiskunnan tehtävä on siis tuottaa mahdollisimman suurta hyvinvointia mahdollisimman monelle, ja tämä on ollut useimpien modernien länsimaisten demokratioiden keskeinen periaate.

Utilitarismin haavoittuvuus on se, että se ei anna välineitä ratkoa ihmisten, ryhmien ja tilanteiden välisistä eroista johtuvia ristiriitoja. Jos päätämme vaikkapa edistää yleistä onnellisuutta lisäämällä turvallisuutta ja laitamme siksi rikollisia kevyemmin perustein vankilaan, tulemme samalla kasvattaneeksi yhteiselle lompakollemme aiheutuvia kustannuksia. Se taas voi johtaa peruspalvelujen heikkenemiseen ja yleisen hyvinvoinnin laskemiseen.

Toisaalla seurauseettisessä ajattelussa vaanii myös enemmistön hyvinvointidiktatuuri: jos optimoimme suurinta mahdollista hyvinvointia niin suurelle joukolle kuin mahdollista, mitä tapahtuu niille, jotka eivät ole tässä enemmistössä?

Esimerkiksi uskontojen eettiset ja moraaliset käskyt voidaan nähdä varhaisina muotoina velvollisuus- tai sääntöetiikasta eli deontologisesta etiikasta. Nykyisin velvollisuusetiikka perustuu erittäin pitkälle saksalaisen filosofin Immanuel Kantin ajatteluun.

Toisin kuin seurausetiikassa, deontologisessa etiikassa tekoa pidetään moraalisesti hyvänä itse teon jonkin ominaisuuden vuoksi, ei siksi, että teon tulos on hyvä. Oletetaan siis, että on universaaleja arvoja ja sääntöjä, joiden mukaan on aina toimittava, olivat olosuhteet ja seuraukset millaiset tahansa. Tällaista etiikkaa kuvaavat sellaiset ilmaisut kuin "velvollisuus velvollisuuden vuoksi" tai "hyve on oma palkkansa".

Kant uskoi korkeamman voiman määräämien moraalisääntöjen sijaan ihmisen omaan kykyyn oivaltaa moraalisesti oikeat ja pakolliset teot käyttämällä järkeä. Hän uskoi myös, että tällainen ”rationaalisesti moraalinen” ja itsestään tietoinen ajattelu ja toiminta johtaisivat ajan myötä demokratiaan ja maailmanrauhaan.

Myös Kantin pitkästi argumentoivasta ja usein vaikeasti avautuvasta filosofiasta on kulkenut meidän aikaamme iskulause, joka tunnetaan kategorisena imperatiivina. Sen mukaan teko on moraalisesti hyvä, jos sen periaatteen, jonka perusteella tekoon ryhdytään, voidaan toivoa olevan kaikkia velvoittava, yleispätevä laki.

Kantilaisen etiikan kritisoijien mukaan aina noudatettavien sääntöjen muotoilu on käytännössä mahdotonta ja yritykset johtavat useimmiten lopulta jäykkiin ja tyhjiin, ylhäältä annettuihin käskyihin. Jotkut pitävät kantilaista etiikkaa myös tunnekylmänä, yksilön sisäisen kokemusmaailman ohittavana rakennelmana.

Länsimaissa hyve-etiikkaa on esiintynyt erityisesti antiikin kreikkalaisten filosofien ajattelussa. Se on edelleen kuitenkin erityisen tärkeässä asemassa itäaasialaisessa kulttuurissa: Kiinassa, Koreassa ja Japanissa.

Hyve-etiikassa keskiössä on ihminen itse, mutta ei niinkään jonkin eettisen koodiston toteuttajana vaan yksilönä, joka pyrkii kehittymään moraalisesti ja hyveellisesti, ikään kuin jalostumaan korkeammalle tasolle ihmisenä. Hänen persoonansa on eettisen kasvun kohde.

Useimmat hyve-etiikan teoriat ovat saaneet innoituksensa Aristoteleelta, jonka mukaan hyveellinen ihminen on henkilö, jolla on ihanteellisia luonteenpiirteitä. Esimerkiksi henkilö on hyveellinen, jos hän on ystävällinen monissa tilanteissa koko elämänsä ajan siksi, että se on hänen luonteensa, eikä siksi, että hän tietoisesti haluaa maksimoida hyötyjä tai saada palveluksia tai yksinkertaisesti tehdä velvollisuutensa.

Hyve-etiikan teorioissa ei ensisijaisesti pyritä tunnistamaan yleispäteviä periaatteita, joita voidaan soveltaa missä tahansa moraalisessa tilanteessa. Hyve-etiikan teorioissa käsitellään laajempia kysymyksiä, kuten "miten juuri minun pitäisi elää?” tai "mitä on hyvä elämä?"

Tällaisessa henkilön persoonaan perustuvassa etiikassa on luultavasti eniten järkeä orgaanisessa ja hierarkkisessa maailmankuvassa: jotta yhteiskunta voisi ylläpitää itseään, eri ihmisten on toimittava eri rooleissa, ja jos ihmiset eivät toimi rooleissaan oikein, yhteiskunta ei pysty ylläpitämään itseään.

Hyve-etiikkaa on kritisoitu muun muassa yhteiskunnallisen soveltamisen vaikeudesta, aika- ja paikkakohtaisesta sidonnaisuudesta kunkin kulttuurin omiin arvostuksiin, heikkoudesta konfliktien ratkaisemisessa sekä siitä, että sen lähtöoletus kunkin yksilön pysyvistä, selkeistä luonteenpiirteistä voi olla perustavasti väärä.