Tehisintellekt teeb tänapäeval inimese eest nii mõndagi ise ära. Vahel ei saa robotid aga kõigest õigesti aru.
Näiteks sellesama artikli kirjutamist segas tõsiasi, et intervjuuks kohtumise kokku leppimiseks saadetud kinnitusmeil ei jõudnud Microsofti andmeteadlase Teele Tamme e-postkasti, vaid hoopis rämpssisu kausta.
Põhimõtteliselt otsustas robot, et see talle saadetud e-kiri oli Tamme harilikust kirjavahetusest erinev ja seetõttu tema silma alla ilmselt sattuma ei peakski. Seekord AI eksis.
Tehisaru, täpsemalt Microsofte Teamsi õpetamine ongi aga Tamme meeskonna töö sisuks. Eesmärgiks on, et arvuti oleks võimeline ära tundma IT-süsteemi normaalsest toimimisest suuremaid ja väiksemaid kõrvalekaldeid, automaatselt jälgima süsteemide tervist ja seisukorda, et niiviisi eelkõige võimalikke probleeme ennetada.
Kui Microsofti Eesti arenduskeskuses kasutatakse seda lahendust eelkõige Microsoft Teamsi ehitamisel, siis tegelikult on kõrvalekallete otsimine levinud ka tervishoius, panganduses, tehastes ja mujalgi.
Näiteks haiglas, kus inimene on südamelööke, vererõhku jt näitajaid mõõtvate seadmete külge ühendatud, jälgitakse nii just nimelt kõrvalekaldeid. Kui mingid näitajad lähevad normist välja, annab seade alarmi. Nii saab reageerida enne, kui asi päris hulluks läheb.
Loovad metoodikat
“Meie ehitame metoodikat, kuidas süsteemi jälgida, ja teenust, mis meie tiimidele tõrke puhul teate esitab,” selgitab Tamme.
Eesmärk on sealjuures teha seda kiiresti ja skaleeruvalt. “Näitajaid, mida jälgime, on väga palju ja need on omavahel seotud. Ühe näitaja põhjal saadav info polegi nii oluline, kui see, millise pildi annavad nad koos,” märgib ta.
Oluline on ka, et andmed jookseksid kokku väga kiiresti, pea reaalajas.
Sealjuures peaks probleemide tekkel nende juurpõhjus, kui vähegi võimalik, välja tulema automaatselt, sest see võimaldab inseneridel kiiresti ja täpselt lahendust otsima asuda. Samas ei või insenere valepositiivsete ehk ekslike häireteadetega liigselt koormata, kogu teadete süsteem peab olema võimalikult täpne.
See on praegu valdkonna üks kõige suuremaid väljakutseid. Olukordi, kus tehisaru on vastu võtnud küll loogilise, aga lõppkokkuvõttes vale otsuse, nagu näiteks e-kirjade valesti rämpssisukausta teisaldamine, teame me kõik.
“Olin ükskord Aasias reisil ja keset reisi pandi lihtsalt ootamatult pangakaart kinni. See oli lukus ja seda ei saanudki lahti,” meenutab Tamme. Kõrvalekallete tuvastamisega tegelevad ka pankade infosüsteemid ja mõne sealse tehisaru jaoks tunduski niisugune maksekäitumine väga kahtlasena.
Seni ilma inimeseta ei saa
Kõrvalekaldeid tuvastava tehnoloogia loojate vaatenurgast on kõige suuremaks väljakutseks protsessi täielik automatiseerimine. “Me ei tea ikkagi lõplikult, milline kõrvalekalle on ka päriselt tehniliste protsesside tagajärg ja milline ekslik veateade,” selgitab Tamme.
Näiteks kui selgub näitajatest, et mõnes riigis kukub kõnede arv drastiliselt, siis võib-olla ei olegi selle põhjuseks tehniline rike, vaid hoopis riigipüha. Seetõttu päris ilma inimese järelevalveta kõrvalekallete põhjuste tuvastamine ja sellele reageerimine veel siiski ei eksisteeri.
Vähe andmeid ei tähenda probleemi puudumist
Omaette küsimus on andmete kättesaadavus. Mingite asjade kohta on väga palju andmeid, mõnedest asjadest on andmeid aga üsna vähe.
Sellisel juhul kipuvad need valdkonnad tähelepanu alt välja jääma, kuigi tegelikult võib tegemist olla oluliste teemadega. Niisugune olukord võib tekkida näiteks kõrvalekallete puhul, mida reaalsuses tekib vähe. Siis tekib küsimus, kuidas leida lahendus olulistele küsimustele, mille kohta on vähe andmeid.
Võib juhtuda, et kõige täpsem mudel on selline, mis ütleb, et kõrvalekaldeid pole, sest neid andmeid on lihtsalt väga vähe. “Aga see ei ole see, mida mudelist tegelikult vaja oleks. Vaja läheb just kõrvalekallete jälgimist või pigem kõrvalekalde tõenäosuse prognoosimist,” selgitab Tamme.
Millised näitajad?
Jälgimise all on näiteks, kui kiiresti ühendus tekib, kas koosolekuga on veebis võimalik üldse ühineda, kui sujuv on kõne, kui palju on seal katkestusi ja muud taolist.
Muutuseid võivad süsteemis tekitada väga erinevad faktorid, näiteks tuleb turule uus telefon, mille WiFi või audio-videoseadmed pole korras. Või siis toimub mõne riigi internetisüsteemis mõni oluline muutus.
Muutus võib toimuda ka kasutajakäitumises. Hea näide sellest on koroonaaeg, kui inimesed töötasid palju kodust ja kasutasid selleks väga erinevaid internetipakette ja tehnilisi vahendeid. Või siis vastupidi, tegid koosolekuid ringi sõites. “Ma olen näiteks teinud koosolekuid auto kõrvalistmel ja tean juba, millised on Tallinna–Tartu maanteel punktid, kus kõne katkema kipub.”
Kõigi nende näitajate analüüsimine võimaldabki arendusotsused püstitada konkreetsele tehnilisele tagasisidele ja saada aimu probleemkohtadest, mis vajavad lahendamist.
AI olgu moraalne
Microsoftis on väga oluline, et kõiki ettevõtte käsutuses olevaid andmeid kasutataks lõpptarbija heaks ja neid hoitaks väga turvaliselt, kinnitab Tamme.
Kui küberturvalisus on juba küllalt laial levinud temaatika, siis tulevikuperspektiivis on isegi olulisem, et tehisaru käituks eetiliselt. See tähendab, et mõelda tuleb sellele, mida ja kuidas ta tegema peaks ja teha tohiks, et tulemus oleks eetiline ega teeks kasutajale ega ka kellelegi teisele halba.
“Microsoftis on meil muidugi palju partnereid, kelle tööks ongi meeskondade nõustamine,” selgitab Tamme. “Aga tegelikult nõuab eetiliselt käituva tehisaru loomine eelkõige iseenda mõtteviisi muutust, et niisugustele kategooriatele üldse tähelepanu pöörama hakata.”
