Kuva: mohamed_hassan/pixabay
Tekoälytutkijana, joka kehittää tekoälyä terveydenhuoltoon, ihmiset kysyvät minulta usein, korvaako tekoäly tulevaisuudessa ihmisten lääkärit.
Kysymys ei tule yllätyksenä. Elämme kuitenkin aikakautta, jolloin näemme teknologian syrjäyttävän ihmisiä koko ajan. Koneet ovat automatisoineet käsityötä vaativia toimintoja vuosikymmeniä.
Mutta lääkärit eivät ole käsityöläisiä. Lääkärinä oleminen vaatii vuosien koulutusta, runsaasti kokemusta potilaiden diagnosoinnista ja hoidosta, valtavia määriä tietoa ihmiskehosta, korkeaa älykkyyttä ja innokasta arvostelukykyä.
Voivatko tietokoneet saavuttaa kaikki nämä ominaisuudet hoitaakseen lääkäreiden työn?
Ja juuri tässä kysymyksessä piilee vakava virhe. Onko meidän matkiminen tekoälyn perimmäinen tavoite? Pitääkö meidän kehittää kanssamme kilpailevaa tekoälyä? Emmekö sen sijaan voisi suunnitella järjestelmiä, jotka tekevät yhteistyötä kanssamme, lisäävät kykyjämme ja auttavat meitä tekemään asioita paremmin?
Käyttää, että voimme, mutta meidän on ensin muutettava ajattelutapaamme.
Päättelyn drosophila
Hävittyään tunnetusti IBM:n shakkipelaavalle Deep Blue -supertietokoneelle vuonna 1997 Garry Kasparov ei kääntynyt vihamieliseksi tekoälyä kohtaan. Sen sijaan hänestä tuli ihmisten ja koneiden välisen yhteistyön äänekäs puolestapuhuja. Hän aloitti sen, josta myöhemmin tuli kentaurishakki.
Kreikkalaisessa mytologiassa kentauri on hybridieläin, joka on puoliksi ihminen ja puoliksi hevonen. Jokainen kentaur-sahkin pelaaja on yhdistetty joukkue ihmisistä ja tietokoneista. Tietokoneet hyödyntävät laskentatehoaan miljoonien liikkeiden murskaamiseen ja parhaan mahdollisen joukon tarjoamiseen. Ihmispelaajat käyttävät harkintakykyään ja kokemustaan valitakseen tästä sarjasta yhden liikkeen, jonka he uskovat olevan strategisesti järkevin.
Kuka mielestäsi voitti varhaisessa freestyle-shakkiturnauksessa, johon osallistui ihmisiä, tietokoneita ja ihmis-tietokoneiden hybridijoukkueita? Ei ihmissuurmestareita. Ei parhaiten arvioituja shakkialgoritmeja, jotka toimivat supertietokoneissa. Joukkue, joka voitti, oli kentauri, joka koostui kahdesta amatöörishakinpelaajasta kolmen tavallisen tietokoneen avustamana.
Kasparov on kutsunut shakkia "päättelyn drosofiliksi"1. Se toimi pitkään koneälyn äärimmäisenä testinä. Jopa tekoälykehityksen alkuaikoina koneet onnistuivat tekemään lyhyen aikavälin taktisia päätöksiä. Esimerkiksi tietokoneet olivat parempia kuin ihmiset shakin loppupeleissä. Asiantuntevat ihmispelaajat olivat kuitenkin paljon parempia tekemään pitkän aikavälin strategisia päätöksiä, kuten päättämään, uhraavatko palan saavuttaakseen asemaedun.
Näemme samoja kuvioita muilla aloilla. Tekoäly ylittää ihmiset suljetuissa tehtävissä, kun taas ihmiset ovat edelleen huomattavasti parempia suorittaessaan avoimempia tehtäviä. Harkitse tekoälyä tukevia järjestelmiä radiologian skannausten tutkimiseen. Tietokoneet vastaavat tai jopa ylittävät asiantuntevat radiologit havaitessaan tiettyjä tiloja lääketieteellisistä kuvista. Mutta he eivät voi tulkita skannauksia potilaan henkilötietojen ja sairaushistorian yhteydessä. Sen tekeminen edellyttää ihmisen anatomian ja sairausprosessien ymmärtämistä.
"Tekoäly ei voi täysin automatisoida radiologisten skannausten raportointia, mutta se ei estä tekoälyä luomasta arvoa", sanoi Amit Kharat, yksi DeepTekin perustajista, jossa työskentelen. "Käyttämällä tekoälyä radiologiemme kykyjen lisäämiseen, voimme toimittaa laadukkaampia raportteja lyhyemmillä läpimenoajoilla, mikä parantaa viime kädessä lääketieteellisen kuvantamisen laatua ja kohtuuhintaisuutta."
Lue myös: Epämukava totuus kvanttitietokoneista
Tekoäly terveydenhuollossa
Tekoälytutkijat ovat perinteisesti keskittyneet kehittämään algoritmeja, jotka voivat jäljitellä ihmisen älykkyyttä. Heidän ensisijaisena tavoitteenaan oli parantaa koneiden autonomiaa. Mutta me emme todellakaan tarvitse tekoälyä ollakseen itsenäisiä. Tekoälyn on oltava luotettava ja luotettava.
Ihmiset ovat loistavia joissakin asioissa ja tietokoneet toisissa. Tarvitsemme järjestelmiä, jotka tuovat esiin molempien parhaat puolet – jotta niiden yhdistelmä on paljon tehokkaampi kuin kumpikaan niistä voisi koskaan olla yksinään.
Tämä on tietysti helpommin sanottu kuin tehty ja vaatii paradigman muutosta sekä tekoälykehittäjiltä että sen mahdollisilta käyttäjiltä. Arvioidakseen algoritmien suorituskykyä kehittäjät vertaavat niitä siihen, miten ihmiset suorittavat samassa tehtävässä. Toisin sanoen he voivat verrata kuvantunnistusjärjestelmää siihen, kuinka hyvin ihmiset voivat tunnistaa kuvia testiaineistosta. He saattavat testata radiologista diagnostiikkajärjestelmää ihmisradiologien päätöksiä vastaan.
Aidosti yhteistyökykyisen tekoälyn kehittämiseksi tarvitsemme uudempia suorituskykymittareita, jotka ovat yhteistoiminnallisia vertailun sijaan. Tarvitsemme mittareita, jotka eivät mittaa sitä, kuinka hyvin tekoäly toimii yksinään, vaan kuinka hyvin ihmisen ja tekoälyn yhdistelmä toimii yhdessä. Tällaiset mittarit auttavat suuresti muuttamaan kilpailuparadigmaa, jonka alla tekoälyä nykyään kehitetään.
Esimerkiksi sen sijaan, että arvioisit kasvojentunnistuksen tekoälyjärjestelmää vertaamalla sitä siihen, kuinka hyviä ihmisiä tunnistavat kasvot, voit verrata sitä, kuinka hyviä ihmislukijoita ovat tekoälyn apuna samoihin ihmislukijoihin, kun tekoäly ei auta niitä.
Yhteistyön suorituskyvyn mittaamisen lisäksi meidän on myös suunniteltava käyttöliittymiä, jotka parantavat käyttäjien luottamusta heitä ohjaavaan tekoälyyn. Käyttäjät, varsinkin merkittävää tietoa ja asiantuntemusta vaativat tieteenalat, suhtautuvat skeptisesti tekoälyn tuottamiin neuvoihin.
Äskettäisessä tutkimuksessa radiologeille näytettiin rintakehän röntgenkuvat ja heidän diagnoosinsa, ja heitä pyydettiin arvioimaan diagnoosien oikeellisuutta. Kaikki diagnoosit olivat ihmisasiantuntijoiden laatimia, mutta osa niistä oli virheellisesti merkitty ikään kuin ne olisivat peräisin tekoälyjärjestelmästä.
Näille radiologeille esitettiin myöhemmin kysymyksiä heidän tutkimiensa diagnoosien laadusta. He arvioivat diagnoosit johdonmukaisesti huonolaatuisiksi, kun he luulivat tarkistavansa tekoälyjärjestelmän tuomion ihmisasiantuntijan sijaan.
Kuinka voimme kehittää järjestelmiä, jotka parantavat tehokkuutta sisällyttämällä tekoälyelementtejä ja turvaavat samalla ihmisten toimivuuden, osallistumisen ja luovuuden?
Lue myös: Miksi meidän on päästävä tekoälystä ihmistiedon rajoista
Ihmiskeskeinen tekoäly
"Tulevaisuudessa käytämme tekoälyä tunnistamaan piilomalleja, joita asiantuntijasilmä ei näe, mutta radiologit ratkaisevat nämä päätökset kliinisen ja juridisen kontekstin perusteella", Vinay Duddalwar, radiologian professori yliopistosta. Etelä-Kaliforniasta ja alalla työskentelevä tunnettu tutkija, sanoi.
Stanford Digital Economy Labin johtaja Erik Brynjolfsson veti tammikuun 2022 esseessä jyrkän rajan ihmisen kaltaisen tekoälyn ja ihmiskeskeisen tekoälyn välille. Kopioimalla ja automatisoimalla ihmisen kykyjä ihmisen kaltainen tekoäly muuttaa koneita halvemmille ihmistyöntekijöille.
Lopulta työntekijät menettävät taloudellisen ja poliittisen neuvotteluvoimansa ja he tulevat yhä riippuvaisemmiksi teknologiaa hallitsevista. Toisaalta ihmiskeskeinen tekoäly lisää ihmisten kykyjä ja antaa ihmisten tehdä asioita, joita he eivät ole koskaan ennen tehneet.
Kun eri työntekijäluokat korvataan yksitellen, ihmisen kaltainen tekoäly keskittää hitaasti vallan ja rahan muutamien käsiin. Valtuuttamalla työntekijöitä ja tarjoamalla heille yhä arvokkaampia mahdollisuuksia ihmiskeskeinen tekoäly antaa meille mahdollisuuden luoda vauras, osallistava ja tasa-arvoisempi yhteiskunta. Molemmat lisäävät tuottavuutta – mutta jälkimmäinen varmistaa, että ihminen pysyy välttämättömänä arvon luomisessa ja päätöksenteossa.
Meidän on yhteiskuntana tehtävä nämä valinnat tietoisesti ja yhdessä. Kuten kaikki teknologian muodot, tekoäly on työkalu. Se, onko se siunaus vai haitta, riippuu siitä, kuinka käytämme sitä ja kuinka annamme muiden käyttää sitä.
Joten kun minulta kysytään, korvaako tekoäly tulevaisuudessa lääkäreitä, lainaan sydämellisesti lehtiä Garry Kasparovilta. Kerron heille, etten näe tekoälyä korvaavan lääkäreitä tulevaisuudessa – mutta näen tekoälyä käyttävien lääkäreiden korvaavan lääkäreitä, jotka eivät käytä tekoälyä.
Duddalwar tiivisti asian hienosti, kun hän kiteytti Isaac Asimovin robotiikan nollasääntöä: "Tekoälyjärjestelmä ei saa viime kädessä vahingoittaa ihmiskuntaa tai antaa toimimattomuuden vuoksi aiheuttaa vahinkoa. Ihmiskeskeinen tekoäly varmistaa tämän."
Viraj Kulkarnilla on tietojenkäsittelytieteen maisterin tutkinto Calfornian yliopistosta Berkeleyssä, ja hän opiskelee parhaillaan tohtorintutkintoa kvanttitekoälystä. Hän on myös DeepTekin johtava datatieteilijä. Hän on Twitterissä osoitteessa @VirajZero.
