Tekoälystä enemmän irti kuvien ja avoimen lähdekoodin avulla

Net 2017,  14.3.2017

Sanotaan, että kuva kertoo enemmän kuin tuhat sanaa, mutta kuvat voivat välittää myös paljon monimutkaista tietoa. Lue tohtori Joseph Regerin blogi:

Tri Joseph Reger:Tekoälystä enemmän irti kuvien ja avoimen lähdekoodin avulla

Pilvi avaa sovelluskehitykselle monia uusia mahdollisuuksia. Vain muutama vuosi sitten uusia sovelluksia kehitettiin pienimuotoisesti kehitysyksiköiden syövereissä. Eivätkä haasteet loppuneet alkuunkaan siihen, kun sovellus saatiin valmiiksi. Sen jälkeen sille piti rakentaa infrastruktuuri ja yrittää ylläpitää yhdenmukaista ympäristöä, jotta saatiin sovellus ylipäätään toimimaan. Se oli usein turhauttava prosessi. Nyt käytössämme on loistavia välineitä, kuten OpenStack, jonka avulla uusia sovelluksia voi alusta lähtien kehittää pilvessä. Tämän ansiosta ne on myös helppo ottaa käyttöön.

Tekoäly on yksi jännittävistä alueista, jotka voivat hyödyntää OpenStack-työkaluja. Yksinkertaisesti sanottuna tekoäly luo ymmärrystä dataa hyödyntämällä. Tämä tuli mahdolliseksi vasta vähän aikaa sitten – kun saatiin vihdoin tarpeeksi käsittelykapasiteettia, ja kun koneoppiminen kehittyi riittävästi. Tällä hetkellä kehitetään lukuisia tekoälyyn perustuvia sovelluksia, kaikki OpenStackin ohjelmointirajanpintaa hyödyntäen. Ne mahdollistavat lähitulevaisuudessa erilaisten toimintojen yhdistämisen ja liittämisen paljon laajempaankin pilviekosysteemiin.

Lähestymme tekoälyä imagification-käsitteen kautta. Se muuntaa minkä tahansa tietoon liittyvän ongelman kuvista koostuvaksi palapeliksi. Ennen kuin selitän tarkemmin, on tärkeää huomata, että kun neuroverkkoa opetetaan tavanomaisen lähestymistavan mukaan, jokainen eri tehtävä täytyy opettaa erikseen ja koko koulutus täytyy toistaa jokaisen ongelman kohdalla.

Me Fujitsussa yritämme myös imitoida tapaa, jolla ihmiset oppivat. Imitoinnissa aiemmin opittua sovelletaan johonkin uuteen tehtävään. Tällöin koko neuroverkkoa ei tarvitse opettaa jokaiseen tehtävään erikseen ja opettamiseen käytetty aika lyhenee. Neuroverkkojemme mekanismi muistuttaa tapaa, jolla ihmisaivot hahmottavat kuvat. Me siis piirrämme datan avulla kuvan. Sitten hyödynnämme yleiseen käyttöön tarkoitettua neuroverkkoa, jonka olemme opettaneet lukemaan kuvia. Kun se osaa lukea kuvia, siltä voidaan myös pyytää selvityksiä tai sille voidaan antaa muita tehtäviä. Jokainen kysymämme uusi kysymys liittyy uuteen piirrevektoriin, ja jokainen uusi sovellus tarvitsee uuden imagification-syötteen, ennen kuin neuroverkko pystyy tutkimaan kyseisen kuvan piirteitä ja kuvioita. Sovellamme parhaillaan tätä menetelmää, kun yritämme omalta osaltamme ratkaista monenlaisia tosielämän ongelmia.

Neuroverkko pystyy esimerkiksi tunnistamaan ihmisen allekirjoituksen. Vielä vuonna 2017 käytämme mustetuherrusta todistaaksemme henkilöllisyytemme. Koneoppimisen avulla järjestelmä pystyy vastaamaan kysymyksiin, kuten onko uusi allekirjoitus riittävän samanlainen edellisten kanssa, mistä voidaan vetää se johtopäätös, että se on aito. Tekoäly pystyy tosin paljon muuhunkin – voisimme jopa kysyä, kuka allekirjoituksen kirjoitti, ja selvittää, miten yhdenmukaisia eri allekirjoitukset ovat.  

On rohkaisevaa, että tätä voidaan soveltaa mihin tahansa, ei vain staattisiin kuviin. Tarvitaan vain visuaalinen esitys. Autolla ajaminen on yksi mahdollinen käyttökohde. Tulevaisuudessa voi olla mahdollista, että vakuutusyhtiöt antavat asiakkailleen rannekkeen, joka havaitsee huonoihin ajotapoihin viittaavia mikroeleitä. Fujitsun syväoppimisen aikasarjateknologia analysoi rannekkeesta kerätyn kiihtyvyysmittarin antureiden datan, ja kuljettajan toimintaa voidaan luokitella lähes reaaliaikaisesti.  Sen avulla voidaan havaita esimerkiksi puhelimessa puhuminen ajon aikana, ratin takana syöminen tai yhdellä kädellä ohjaaminen. Viime kädessä on mahdollista, että vakuutusyhtiö palkitsee turvallisen ajotavan omaavia, joilla kyseisiä tapoja esiintyy vähän.

Sovellamme samaa tekniikkaa 3D-kuviin, joita on kerätty mekaanisista komponenteista, kuten auton moottorin osista. Voimme näyttää sovellukselle (jota kutsumme nimellä 3D-muotoanalyysi palveluna) komponentin ja kysyä siltä, mitkä muodot ovat samanlaisia, tai käskeä sitä etsimään mahdollisia vastaavia muotoja. Sitä voi jopa pyytää arvioimaan paljonko valmistuskulut todennäköisesti olisivat.

Jokaista mainitsemaani sovellusesimerkkiä pyörittää Open Stack. Se tarjoaa seuraavan sukupolven tekoälyn vaatiman ketteryyden, suorituskyvyn, API-ekosysteemin ja globaalin jakelualustan. OpenStack on keskeisessä roolissa myös Fujitsun Cloud Service K5:ssä ja MetaArcissa, jotka auttavat yrityksiä toteuttamaan digitalisaatiohankkeitaan.

Nykypäivänä kaikki on kytketty kaikkeen, ja jokainen laite termostaateista autoista ja koneista antureihin ja komponentteihin on kytketty johonkin. Suurilla yrityksillä, jotka ovat usein kankeita liikkeissään, on monessa tapauksessa vaikeuksia hyödyntää tuottamaansa suurta datamäärää kilpailukykynsä edistämisessä. Fujitsun Cloud Service K5 ja MetaArc auttavat yrityksiä säilyttämään kilpailukykynsä uudessa digitaalisessa maailmassa mahdollistamalla eri teknologioiden kuten esineiden internetin, big datan ja tekoälyn hyödyntämisen. Kuten yllä mainitut esimerkit osoittavat, kaiken tekemisemme ytimessä on ihminen, jota Fujitsu Cloud Service K5 ja MetaArc tukevat loistavasti.

J RegerJuttu on käännös tri Joseph Regerin blogista 7.2.2017:
How Pictures and an OpenSource approach are Unlocking the Power of AI

Joseph Reger on Fujitsun Chief Technology Officer. Hän esiintyy Fujitsu World Tourilla 26.4.

Lisätietoja
info@fi.fujitsu.com

Julkaistu Net-lehden numerossa 2017,  14.3.2017

Facebook  Twitter  Google  LinkedIn