Nykyään on ajatuksena, että ihmisiä pisteytetään tietyissä päätöksiä vaativissa asioissa, kuten pankissa, vakuutuksissa tai jopa heidän oikeudellisissa päätöksissä esim. Yhdysvalloissa. Eu suojelee yksilöä tarkemmin mm. sosiaaliselta pisteytykseltä. Kuitenkin vallalla olevat pisteytetyt päätökset ovat neuroverkon tuottamia vastavirta-algoritmi (back propagation -algoritmilla) opetettuja vaihtoehtoja. Esim. pitäisikö pankin myöntää laina? Yksiselitteinen vastaus neuroverkoilla on syötettyihin parametreihin on vaihtoehdot kyllä ja ei. Nämä tekijät saavat neuroverkon neuroneista painoja, sen mukaan miten kukin tekijä on edistänyt tai vähentänyt laskun maksamisen todennäköisyyttä muilla henkilöillä. Kun nämä painot lasketaan yhteen syntyy päätös neuroverkossa, kyllän ja ein välillä. Nämä tekijät saattavat olla mielivaltaisia itse asiaan verrattuna, mutta ne on kuitenkin pisteytetty koskemaan ei- tai kyllä-vaihtoehtoja painoarvolla tulo-ja päättö- komputatioonalisten neuronien välillä.
On myös hieman monimutkaisempia tapoja tietää yksilön kelpoisuutta. Ja tässä astuvat konvolutiiviset neuroverkot mukaan. Kun neuroneille opetetaan jotain, ne ikään kuin muodostavat asioiden väilille monipuolisia suhteita. Syvä oppivissa (Deep Learning) -verkoissa on ideana, että nämä asiat eivät ole vain yksiulotteisia suhteita, jotka johtaisivat tulo-ja-päättö neuronien väliseen yksikerroksiseen suhteiden määrittelyyn, esimerkiksi päättöneuroneiden kyllän ja ein välillä, vaan monimutkaisempaan useiden kerrosten muodostamiin hahmoihin, jotka ennustavat tiettyjen asian ilmiöiden suhteita.
Konvolutiivinen neuroverkko muodostaa ikään kuin kuvan hahmojen ymmärtäviä yhteyksiä neuronien välillä. Erityisesti tätä konvolutiivista neuroverkkoa on käytetty kuvan tunnistuksessa. Kuvassa tai tiettyjen merkitysten formaalissa muodossa on tiettyjä rakenteita, se saa erityisen neuroverkon kerroksen (Neural network layer) oppimaan tällaisen muodon. Esimerkiksi kissojen viikset, korvat, tai kissojen turkin muodot eri kissojen kuvissa ovat niiden kuvaavia ominaisuuksia joista kissa tunnistetaan. Kun tietyt hahmot on hankittu sisimmissä piilotetuissa kerroksissa, se osaa vahvistaa päättö kerroksen neuronien tulosta esimerkiksi kissasta. Konvolutiiviset neuroverkot voidaan laittaa myös muodostamaan ja haaveilemaan kissoista. Tietyn sana ja hahmoparien mukaisesti.
Ideana on että nämä hahmot sijoittuvat matemaattisesti vektoriavaruuteen mm. transformereissa jotka tuottavat sanojen merkityksiä. Lähekkäiset hahmot ovat myös avaruudessa lähekkäin ja niistä voidaan laskea tietyillä poikki vektoreilla suhteita muihin hahmoihin ja näin muodostaa monimutkaisempia kuvia ja mahdollisesti sana tai merkitys pareja. On jopa videoita, joissa tietyt asiat kehittyvät ja toimivat avaruudessa, sen opitun materiaalin perusteella joka asiasta on hankittu. Läheiset alueet jakavat samoja ominaisuuksia muiden opittujen hahmojen kanssa, ja näin myös neuraalisessa presentaatiossa piilotetussa kerroksessa ilmenee konvolutiivisten neuronien suhteiden hahmoina.
Miten soveltaa neuroverkkoa korvaamaan sosiaalinen pisteytys
Alku oli neuroverkkojen toiminnan kertausta, nyt tullaan varsinaiseen asiaan. Koska keskeistä on nykyään että me käytämme tietoverkoissa paljon tietokoneiden resursseja ihmisten profilointiin, siis tiettyjen laskennallisten riippuvuussuhteiden tai hahmojen tunnistamiseen. Äärimmillään näitä keinoja käytetään ihmisten pisteyttämiseen mm. esim. Kiinassa. jossa ei ole mahdollista esim. matkustaa, jos on algoritmien mielestä epäluotettava.
Miten kuitenkin voisimme luoda luotettavuutta kuvaavan järjestelmän, mutta emme olisi niin biassed, mm. ihonvärin tai jonkun muun luokittelevan asian suhteen, joka osoittaisi huonoa rasistista arviointia väärillä kohdilla henkilöstä. Tarvitsisimme erityisen neuroverkon, joka olisi vastavuoroinen, ei pelkästään luokitteleva. Jolla olisi kykyä muodostaa kysymyksiä henkilölle ja tämän perusteella se muodostaisi henkilökohtaisen assistentin ja neuroverkon tulkitakseen henkilön hahmoa verrattuna muihin ihmisiin. Ei olisikaan kyseessä pisteytys joidenkin tekijöiden perusteella (jotka suurimmalta osalta olisivat biased ja vääriä epäolennaisia tulkintoja), vaan konvolutiivinen neuroverkko joka osaisi muodostaa tekoäly agentin, niiden suhteiden ymmärtämiseksi, missä henkilö aktuaalisesti elää maailmassa.
Sosiaalisten suhteiden tekoäly agentin hahmot voisivat keskustella keskenään agentin toiminnan skenaarioista. Esimerkiksi äidinkielen ja kielitaidon rajat asettavat tiettyjä toimintaympäristön rajoja. Tekoäly agentti on vähemmän julma ihmisen suhteen, miten hän saattaisi menestyä, kuin pisteytys metodit. Tekoäly agentti ottaisi haltuunsa ja avustaisi yksilöä valitsemaan ne skenaariot, jotka olisivat otollisia hänen kehittymisen kannalta. Lainan saantiin tarvittaisiin skenaario opiskelusta ja työpaikasta. Agentti saattaisi simuloida erilaisia skenaarioita, joita henkilö saattaisi valita saavuttaakseen haluamansa. Se olisi koko ajan tietoinen hahmostaan, ihmisen sisäisistä ja ulkoisista tekijöistä. Kyse olisi jonkinlaisesta stokastisesta todellisuus käsityksestä, jossa skenaariot määräytyisivat tiettyjen polkujen kautta, saavuttaakseen ne halut jotka ihmisellä on toimimiseen ja menestykseen.
Mutta ennen kaikkea voisimme hahmottaa yksilöllisen merkityksen hahmoja mielen rakenteissa, ei yksilön ulkoisissa merkeissä. Näillä saisimme kuvan miten yksilö suhtautuu kulttuurisiin signaaleihin sisäisesti, kieleen, mediaan, vuorovaikutuksen, työskentelyyn. Lisäksi voisimme hahmottaa tekoälyllä niitä piirteitä jotka liittyvät neuraalisen toimintaan, sen nopeuteen ja päättelykykyyn ja eräällä tavalla tekoälyn hahmoilla kuvaisimme niitä hahmoja, joita yksilöllä on ympäristöstään kuvaajina. Kaikessa tässä olisi olennaista että vuorovaikuttava tekoäly agenttimme ohjaisi toimintaa oikeaan suuntaan tarvittaessa. Ja ilman pisteytyksen tuomaan kieltoa saada palvelua ja tiettyä alistumista realiteettien ehtoihin, tekoäly agentti sen sijaan olisi aina positiivinen mahdollisuus ideoida ja oppia tämän vuorovaikutuksessa yhä uusista mahdollisuuksista maailmassa. Tilalla olisi ohjaava puhe ja skenaariot ja erityinen pisteytys korvautuisi syvemmällä ymmärryksellä yksilön hahmoista ja semantiikasta hänen sisällään.
Tärkeää tekoäly agentin toiminnassa on yhdistää yksilön oman toimijuuden perusteella muodostuva todellisuudessa suunnistaminen. Tähän suunnistamiseen suhtautuvan agentti tarvitsisi ymmärtää vain yksilön tavoitteita ja päämääriä. Kun on tiettyjä ideoita siitä mikä on hyvää ja kannattavaa, pitää tekoäly agentin huomioida, miten näitä tavoitteita yksilön kohdalla voidaan hyödyntää kaikkein parhaiten hahmoissa, jotka kuvaavat oppimis matkan varrella olevien päämäärien saavuttamiseen. Tekoäly agentti osaa hahmottaa niitä toimia mitä kehittyminen tiettyjen toimintojen ja vastuiden saamiseen yhteiskunnassa tarvitsee.
Datan oltava oikeita asioita kuvaavaa ja kohdistuttava syvimpiin parametreihin, ei pintatietoon
Konvolutiivisen neuroverkon opettamiseen liittyy keskeisesti se data jota käytetään sen hahmojen tunnistukseen. Jos tämä data koskee käyttäytymistä, esimerkiksi sitä, käveletkö punaisia päin, on tekoälyn tehtävä hahmo päätelmiä tämän datan avulla, ja se muodostaa suhteita neuroneihin juurikin ilmaistakseen tämän käyttäytymisen suhteita. Silloin erottelevaksi tekijäksi muodostuu erityisesti ulkoiset käyttäytymisen tekijät, koska data koskee sitä. Kuitenkin ääritapauksessa tällaisen pisteytyksen sijaan tekoälyn agentin olisi opittava tuntemaan mielen hahmoja, miksi henkilö kulkee joskus punaisia päin? Nämä hahmot kertovat enemmän ja ovat suhteessa todellisiin rakenteisiin, joita yksilössä ilmenee. Käyttäytyminen ja lakien noudattaminen on mielen prosessi, millaisissa tilanteissa lain rikkomisella ei ole merkitystä, tai itse asiassa on yksilön tai jopa yhteisön parhaaksi. Yksilön subjekti arvioi tällaisia kysymyksiä enemmän suhteessa toimijuuteen, jossa hän suunnistaa maailmassa. Hahmojen pitäisi tunnistaa sisäiset prosessit, mutta meillä ei ole kuin käyttäytymis dataa ja se tekee tekoälystä pisteytyksessä armotonta ja yksilöitä alistavaa, jopa vuorovaikutuksessa henkistä väkivaltaa joka vie vapauden. En tarkoita etteikö meillä pitäisi olla rajoja lain noudattamisessa, mutta asiaa sovelletaan moneen muuhunkin käyttäytymisen kuvioon, perusteetta. Tekoälyn käyttökokemuksen ja data-analyytikot tietävät tämän.
Eri asia, jos meillä todellakin olisi dataa, joka kertoisi hahmoista aivojen sisällä. Kaikenlainen ihmisen älykkyyden mittaaminen ja kulttuuristen tilanteiden arvottaminen pitäisi kieltää ja ennemminkin luoda toiminta skenaarioita datan perusteella. Mihin yksilö on kykenevä, mikä olisi hänen oikea työpaikkansa ja millaisia ihmissuhteita tai parisuhteita hän arvostaa? Hahmot jotka käytös datasta tulevat ovat pinnallisia, eivätkä kerro todellisista mekanismeista käytöksessä, jotka sijaitsevat mielessä. Vain ihmisen neuraaliseen toimintaan liittyvä data on tarpeeksi syvää hahmoiltaan ja suhteiltaan osaamisen ja käytöksen suhteen. Data olisi todella henkilökohtaista, ja tekoälyn täytyykin olla enemmän dynaaminen, kuin suunnistamisen portteja sulkeva. Ennemminkin niin että jokainen portti on mahdollinen, mutta se vaatii aikaisempia ponnisteluja tietyn määrän ja tiettyjä skenaarioita avautuakseen.
Filosofinen ulottuvuus datan luokittelussa pinnallisten tai subjektiivisten hahmojen mukaan
Lopulta kysymyksessä tullaan subjekti-objekti ongelmaan. Koska subjekti tietää parhaiten mikään objektiivisesti mitattava, käytös, toiminta, selviytyminen, sääntöjen noudattaminen, kuuliaisuus tai edes maailmassa suunnistaminen, ei korvaa subjektin sisäisen maailman suhteita ja tietoisuuden rakenteita. Meidän on mahdotonta ulkoisesti, objektiivisesti tietää tekoälyllä siitä datasta, jonka saamme, todellisia vaikuttimia ja parametreja, hahmoja yksilölle. Mitattavia asioita on vaikea sovittaa subjektiin, tämä kun tuntee universumin ja maailman sekä ympäristönsä vaikutukset, jopa kvanttimekaanisella tasolla. Silloin väliintulo objektiolla on loukkaus. Ja koska meillä ei ole tietoa ja dataa tehdä subjektia koskevia päätöksiä, luomme tekoälyllä käytökseen ja objektioon liittyviä biassoituja hahmoja, jotka eivät päde tulkinnassa muuten kuin yksilön persoonallisuutta alistaen ja henkistä väkivaltaa käyttäen. Tarvitsemme portteja yksilön syvimpiin ajatuksiin, mutta toimijuus säilyy alistettuna koska meillä on subjekti-objekti ongelma.
Erityinen tekoälyn avustama toimijuus maailmassa ei vaatisi muuta kuin subjekti-objektiivisuus riidan ratkaisemisen. Voimme ihmisinä ymmärtää erilaisuutta, mutta voiko tekoäly ymmärtää erilaisuuden muodostumista subjekti-objekti välillä. Sillähän on objektiivinen mitattava käsitys subjektista, eikä se pysty lopulta kuin demoamaan subjektin sisäisiä kerroksia, hahmoja joilla se kokee syvimpiä tunteita ja käsityksiä tietoisuudessaan. Jokaisen ihmisen ollessa erilainen ja vaatiessa subjektiivista kohtelua, helposti tartumme ulkoisiin merkkeihin ja muodollisuuksiin ihmisinäkin. Jos keskittyisimme tietosuuteen sosiaalisen kilpailun merkkien ja muotojen sijasta saattaisimme kokea jopa muistisairaiden ihmisten tietoisuuden kiinnostavana ja motivoivana. Miten paljon vaikeampaa tekoälyn on suhtautua ihmiseen subjektiivisia asioita ymmärtäen, jo algoritmeista, eikä opetetusta eettisestä kehyksestään käsin. Subjekti-objektiivisuus tekee haasteen erityisesti konealgoritmin suorituksiin, ja saattaa olla että ihmisten pisteytys jonkin suorituksen ja data ulottuvuuden perusteella on varsin turhauttavan yksinkertaista. Mutta samalla se aliarvioi ja asettaa ihmisen diktatuurisen käytännön alle. Demokraattisessa Euroopassa on jopa ihmisten pisteyttämistä tekoälyllä kieltävä laki. Tämä tulee tarpeen, koska missään tapauksissa sellainen yksiulotteisuus ihmisen objektiivisesta toiminnasta, ei ole kuin alistavaa ja diktatuurista informaation yksisuuntaista tulkitsemista. Dynaamisuus ja reitit puuttuvat. Tämän sijaan on ymmärrettävä luoda tekoäly agentteja jotka ovat luomassa todellisia polkuja ihmisille inhimillisten tavoitteiden ja haaveiden reitteinä.
Miten ratkaista subjekti-objekti ongelma ja luoda tekoäly agentti joka opastaa tulevaisuuteen
Tarvitsemme ensinnäkin yksinkertaistavan suhde koodi kielen, jolla saavutamme yksilön ja tietokoneen rajapinnan subjekti-objekti suhteen suoremman yhteyden mielen hahmoihin. Kielessä ei tarvitse olla montaa merkitystä, mutta ne ovat avaimia, joilla yksilön sisäiset hahmot tulevat paremmin esille, verrattuna ulkoiseen käyttäytymisen tarkkailuun. Esimerkkeinä saattaisi toimia suhteisiin liittyvät matemaattiset kuviot tai jotkut merkitysten hahmoihin liittyvät uskonnollisen kielen mielen kuuliaisuutta liittyvät koodit. Pääasia että kieli on joustava, ja jokaiselle henkilölle yksilöllinen portti, koneen ja ihmisen mielen välillä. Tämä herättää myös eettisiä keskusteluja, mutta olen vakuuttunut, että sillä on suorempi yhteys mielen hahmoihin, kuin puhutulla kielellä.
Lisäksi tarvitsemme tekoäly agentin, joka on vuorovaikutuksessa toisiin agentteihin ja ihmiseen. Kun yhteinen sisäinen kieli on määritelty, skenaarioiden avautumisessa täytyy agenttien tehdä ihmisten kanssa yhteistyötä. Agentin on ymmärrettävä mitkä asiat ovat yksilön päämääriä ja asetettava sopivat reitit rasteineen, ja välitavoitteineen yksilön henkilökohtaisen päämäärän ja reitin välille. Sen on pystyttävä suunnittelemaan ja luomaan todellisuutta, ei vain oltava mekaanisena valintaa ja luokittelun osaavana koneena. Tämä on suuri haaste tekoälylle.
Lopuksi
Olen tullut matkan kanssanne tekoälyn luonteesta. Kuinka konvulotiivisella neuroverkolla voimme hahmottaa tiettyjä sisäisiä hahmoja ihmisestä. Tällä emme törmää pisteytykseen, joka on vaarassa tappaa luovuutta ja saada meidät väärällä tavalla systeemin jäseniksi. Kehityssuunnasta huolimatta voimme teknologisesti luoda paremman todellisuuden.