Tekoäly käsitteenä on julkaistu ensi kerran jo vuonna 1956 matemaatikko Alan Turingin toimesta. Hän kehitti ensimmäisen tietokoneen ja häntä voidaan pitää tietojenkäsittelytie-teen uranuurtajana. Tänä päivänä puhutaan edelleen ”Turning testistä”, jolla testataan te-koälyn kykyä ratkaista sille esitetyt tehtävät ihmistä paremmin. Tekoäly (Artificial Intel-ligence, AI) määritellään keinotekoisena luomuksena, yleensä tietokoneohjelman osoit-tamaksi ”älykkyydeksi”. Automatisoituja järjestelmiä, jotka saadaan toimimaan tekoälyn avulla voivat olla esimerkiksi ohjaus (control), suunnittelu ja ajoitus (planning and scheduling) ja puheentunnistus (speech recognition). Tällaisia järjestelmiä on hyödyn-netty esimerkiksi taloustieteissä, lääketieteessä ja videopeleissä (Raatikainen 2007, 31.) Valtioneuvoston julkaisemassa (2019) ”Tekoälyn kokonaiskuva ja kansallinen osaamis-kartoitus” -loppuraportissa määritellään tekoälyn sisältävän 10 eri osaamisaluetta, jotka
ovat kuvattu kuviossa 3. Keskeisenä osa-alueena on tunnistettu data-analyysi (data ana-lytics, data analysis), jossa dataa jalostetaan korkeamman tason tiedoksi ja hyödyllisten johtopäätösten tekemiseksi. Siihen liittyy tiiviisti toinen osa-alue: Koneoppiminen (machine learning), jossa tilastotieteen menetelmien avulla tietokoneet saavat kyvyn op-pia datasta ilman suoranaista ohjelmointia. Tätä käytetään ennustamaan ja luokittelemaan ilmiöiden lopputulemia. Valtioneuvoston raportissa (2019) yhdeksi tekoälyn osaamisalu-eeksi tunnistettiin myös niin kutsutut ”syvät neuroverkot” (deep neural networks). Ne perustuvat vahvasti koneoppimiseen, kuten kuvan- ja puheentunnistusohjelmat sekä kie-len kääntäminen. Omana tekoälyn osa-alueena on kuitenkin luonnollisen kiekie-len käsittely (Natural Language Processing, NLP), jolla tarkoitetaan tietokoneohjelmien käyttämistä luonnollisen tekstin ja puheen analysointiin sekä tuottamiseen. Kun puhutaan keinotekoi-sen systeemin kyvystä ennustaa tarve toimille ja arvioida niiden vaikutusta puhutaan kog-nitiosta, jolloin tulevaisuuden tutkimuksessa tullaan hyödyntämään erilaisia tietämyksen hallinnan menetelmiä, kuten ontologioita ja semantiikkaa. Erityisen mielenkiintoinen te-koälyn osa-alue on vuorovaikutus ihmisen kanssa, kun keskustellaan tekoälyä hyödyntä-vien järjestelmien käytettävyydestä. Tälle osa-alueelle sijoittuvat esimerkiksi suosittelu-järjestelmät, palvelurobotit, chatbotit sekä henkilökohtaiset assistentit, joiden tehtävä on tukea ja lukea ihmistä erilaisissa vuorovaikutustilanteissa. (Valtioneuvosto 2019.)
KUVIO 3. Tekoälyn kymmenen osaamisaluetta. (Valtioneuvosto 2019, 7)
Pauli Brattico ja Otto Lappi (2008) ovat käsitelleet tekoälyn luonnetta artikkelissaan ”Kii-nalaisesta huoneesta”, joka on filosofi John Searlen (1980) esittämä väittämä tekoälyn luonteesta. Heidän näkemyksensä on, ettei ole olemassa konetta tai tietokoneohjelmaa, joka pystyisi ajattelutoimintaan eli ymmärtämään käsittelemäänsä tiedon merkitystä. Tä-män ajattelun lähtökohtana on ymmärrys siitä, että tietokone käsittelee saamaansa tietoa syntaksiin perustuen. Tällä tarkoitetaan tiedon käsittelyä puhtaasti rakenteisesti, jolloin tietokone ottaa vastaan syötteitä ja tunnistaa niistä vain merkkien ulkomuodon ja antaa siihen liitetyn merkkijonon tulosteena. Tätä kutsutaan myös symbolien manipuloinnin ideaksi. Voidaankin sanoa, että tietokoneohjelma vastaa sääntökirjaa, joukkoa algorit-meja eli sääntöjä ja ohjeita, jotka ovat tallennettu ennalta määrättyyn järjestykseen.
(Searle 1980; Brattico & Lappi 2008.)
Searlen (1980) mukaan on olemassa heikkoa ja vahvaa tekoälyä. Vahva tekoäly on oh-jelma, joka pystyy tuottamaan mentaalisia tiloja, kuten tietoisuutta, tunteita ja ajatuksia.
Vastaavasti heikon tekoälyn ohjelma voi olla vain kuvaus jostain kohteesta; Systeemillä ei voi olla ymmärrystä, jos se on vain oikealla ohjelmalla varustettu tietokone. Tietokone noudattaa vain sille opetettuja symbolisääntöjä, jolloin puhutaan merkitysominaisuuksien teoriasta (Searle 1980). Jo heikolla tekoälyllä pystytään toteuttamaan yksittäisissä tehtä-vissä taitaviin suorituksiin kykeneviä algoritmeja, kuten hakukoneita, roskapostisuodat-timia tai vaikkapa robottiruohonleikkureita. Lisäksi pystytään tekemään myös jo paljon edistyneempiäkin toimintoja, kuten kameroiden keinonäköön perustuvaa kasvojen tun-nistamista, hahmon- ja liiketunnistusta. Myös puheentunnistusta on jo hyödynnetty eri aloilla tai sovellutuksissa, kuten esimerkiksi Applen Siri. Vahvalla tekoälyllä puolestaan tarkoitetaan tulevaisuuteen ennustettavaa tekoälyä, joka pystyisi toimimaan täysin irral-laan ihmisälystä. (Raatikainen 2007; Brattico & Lappi 2008; Oravec 2018.)
PSOP -chatbotin toimintaperiaate perustuu nykyisellään syntaksiin ja toteuttaa käytän-nössä merkitysominaisuuksien teoriaa. Sen logiikkaa voidaan peilata yleisemmällä ta-solla tietojenkäsittelytieteessä ja informaatiotutkimuksen kohteena oleviin älykkäisiin web-palveluihin, joissa tiedonhaun edellytyksenä on vastaavasti, että kone osaa tulkita ja ymmärtää laajempia tietosisältöjä käsitteiden semantiikkaan eli merkitysoppiin perus-tuen. Tällöin tutkitaan tiedon merkitystä symbolisten ilmausten (signifier) ja niiden
tar-koitteiden (denotation) välisissä suhteissa. (Hyvönen 2018, 33-39.) Tekoälytutkimus (Ar-tificial Intelligence) hyödyntää semanttisen webin tapauksessa predikaattilogiikkaa (pre-dicate logic), jonka taustalla toimii lauselogiikka. Siinä tieto kuvataan väitelauseina (pro-positio), jotka ovat sovellusmaailman tilasta riippuen joko tosia tai epätosia. Lauselogii-kan avulla voidaan johtaa sisäkkäisiä ohjelmointilauseita, joiden keskinäiset suhteet voi-vat olla myös keskenään tosia tai epätosia. (Hyvönen 2018, 151-157.)
Neuroverkko -käsite on lainattu lääketieteeltä ja sen avulla yritetään jäljitellä aivojen ra-kennetta tekoälylle. Syvässä neuroverkossa on useita kerroksia, joissa monimutkaisem-paa abstraktisemmonimutkaisem-paa dataa pystytään käsittelemään. Ohjatussa oppimisessa kone tietää vastauksesta tekemänsä päättelyn avulla, että se on oppinut tekemään oikean valinnan jäljittelemällä muita oikeita vastauksia (Yonck 2011; Rotonen 2017.) Vahvistusoppimi-sen logiikka perustuu kausaalisuuden ymmärtämiseen, ”kun on x, niin silloin y on jotain
”. Kone kirjoittaa algoritmia saamansa palautteen perusteella ja parantaa tulostaan. Oh-jaamatonta oppimista tapahtuu esimerkiksi sosiaalisessa mediassa, jossa käyttäjät ryhmi-tellään heidän tekemiensä valintojen perusteella tiettyihin joukkoihin eli klustereihin. Täl-löin kone tarkastelee ainoastaan syötteenä saamansa dataa ja muokkaa aineistoa sen mu-kaan. (Hoyer 2011; Rotonen 2017; Oravec 2018.) PSOP -chatbotin opettamisessa käytään vahvistusoppimista, joka perustuu sosiaali- ja terveydenhuollon ammattilaiseen te-kemään lokianalyysiin botin kyvystä vastata sille esitettyihin kysymyksiin.
Chatbottien käyttöönoton ja yleensä koneoppisen on mahdollistanut käytettävissä olevan alati lisääntyvän datan hyödyntäminen. (Hoyer 2011; Yonck 2011; Valtioneuvosto 2019b; Valtiovarainministeriö 2019b.) Chatbotin ohjelmointialgoritmit voivat perustua yksinkertaiseen kyllä-ei valintaan tai monimutkaisempaan luonnollisen kielen tunnistus (NLP) -logiikkaan. Viimeksi mainitun yhteydessä toteutuu ajatus siitä, että chatbot -ro-botti osaa tunnistaa käyttäjän syöttämästä kysymyksestä aihealueen avainsanan perus-teella ja tarjota tämän perusperus-teella ennakkoon tietokantaan syötettyä vastausta. (Cameron ym. 2017; Voutilainen 2018.) Kuviossa 4 on toisaalta kuvattu esimerkkinä yksinkertaisen chatbotin algoritmi, joka on sille valmiiksi ohjelmoitu. Siinä kysytään käyttäjältä vastausta kysymykseen: ” Onko sinulla ongelmia työssäsi?”, johon vastaamalla kyllä tai ei -päättelyketju etenee sen perusteella, mitä käyttäjä vastaa botille. (Cameron ym. 2017.)
Chatbotin opettaminen on jo paljon haasteellisempaa luonnollisen kielen prosessiin (Na-tural Language Processing, NLP) kuin sen toimintalogiikan perustuminen pelkkiin kyllä ja ei vastauksiin. Luonnollisen kielen ymmärtämisellä tarkoitetaan koneen ja ihmisen vä-listä vuorovaikutusta ”kysymys - vastaus” -kontekstissa. Chatbottien käyttöönotto on re-sursseja vaativaa työtä, jotka pitää suunnitella hyvin. Jotta chatbotti voisi palvella parhai-ten eli tuottaa laadukkaita vastauksia mahdollisimman nopeasti asiakkaan esittämiin ky-symyksiin, niin sille on määriteltävä toimintaa ohjaavat säännöt eli algoritmit. Yksinker-taisimmillaan ne tarkoittavat yksittäisiä avainsanoja tai niistä koottuja ehtolausekkeita, joiden tuloksena botti antaa toivotun vastauksen. (Vaira ym. 2018; Voutilainen 2018.) Tietokantaan tallennetun tiedon saatavuutta parantaa myös media- ja kommunikaatiotek-nologian hyödyntäminen oikeanlaisen käyttöliittymän välityksellä. Tekkommunikaatiotek-nologian avulla käyttäjä pystyy vastaanottamaan hakemaansa tietoa omaan käyttötarkoitukseensa, jolloin puhutaan yleisellä tasolla tapahtuvasta teknologiavälitteisestä sosiaalisesta vuorovaiku-tuksesta (Saari 2011). Chatbot -ohjelmoituna hakukoneena, joka on liitetty tieteellisesti korkeatasoiseen tietokantaan, voisi hyvin olla yksi tällainen tieto- ja viestintäteknologian KUVIO 4. Chatbotin yksinkertainen päättelyalgoritmi (Cameron ym. 2017, 4/ Figure 3 Proposed chatbot script)
käyttöliittymä sosiaali- ja terveydenhuollon ammattilaisten käyttöön. Tekoälystä on hyö-tyä tiedon saatavuuden parantamisessa. Tämän on esimerkiksi Euroopan komissio toden-nut keväällä 2018, jolloin se antoi ehdotuksen direktiivin uudistamisesta julkisen sektorin tietoaineiston toisiokäytöstä. (Voutilainen 2018, 905.)
Lisääntynyt kansalaisten mobiili- ja älylaitteiden käyttö mahdollistaa etähoidon ja -pal-velut. Tämä tiedon tarve yhdistettynä ennakko-olettamukseen, että tekoäly (Artificial In-telligence, AI) tulee lähivuosina muuttamaan myös täysin terveydenhuollon neuvontapal-velut, diagnoosien laatimisen, lääkehoidon ja ylipäätänsä koko terveydenhuollon analy-tiikan. Kansanterveystyön näkökulmasta preaktiivinen toiminta interventioineen tervey-denhuollossa tulee mahdolliseksi tekoälyn käyttöönoton myötä. Samoin palvelujen koh-dentaminen tasapuolisesti ja oikea aikaisesti eri väestöryhmille mahdollistuu tehokkaam-min. (Valtioneuvosto 2019; Valtiovarainministeriö 2019.)