Prof. Henry Tirri, Helsingin Sanomat 14.1.2000/Johanna Korhonen
Voisiko tietokone jonain päivänä korvata ihmisen, toimittajan, haastattelijana ja lehtijutun kirjoittajana? Kysymys tulee toimittajaihmisen mieleen, kun hän on menossa haastattelemaan oppivien ja älykkäiden järjestelmien tutkijaa, tietojenkäsittelytieteen professori Henry Tirriä. Helsingin yliopiston tietojenkäsittelytieteen laitoksen käytävässä toimittaja saavuttaa ensimmäisen erävoiton kuvitellusta tietokonekilpailijastaan: toimittaja tunnistaa haastateltavan vaivattomasti heti, vaikka on nähnyt tästä vain yhden valokuvan. Tunnistus onnistuisi tosin tietokoneeltakin ainakin siinä tapauksessa, että valokuvia olisi ollut useampia tai haastateltava onnistuisi olemaan käytävässä hyvin samannäköinen kuin valokuvassa.
Tirrin huoneen ovella ihminen saavuttaa toisen erävoiton: hän hahmottaa huoneen muodon ja siellä olevat huonekalut ja tavarat nopeasti. Visuaalisessa hahmotuksessa ihmisen aivot ovat tietokoneeseen nähden ainakin toistaiseksi aivan ylivoimaiset.
Vastaavasti tietokone päihittää toimittajan aina, kun pitää nopsasti ja täsmällisesti laskea, paljonko on 349 999 873 kertaa 3,789 tai paljonko on 15,47 prosenttia 62,2:sta. Toimittajan pelastus on se, että tällaisia laskutoimituksia tarvitaan haastatteluissa harvemmin.
Suuren laskentatehonsa ansiosta tehokas tietokone kyllä ennen pitkää saisi huoneen sisällön mallinnetuksi, mutta tietokonehaastattelija ei kenties ikinä ymmärtäisi kiinnittää huomiota esimerkiksi siihen mainioon seikkaan, että professorin huoneen ikkunan edessä on suuri palmun tyyppinen viherkasvi ja sen alla punavalkoraitainen rantatuoli. Ikkunalla on pitkä putki, australialaisen kansanmusiikkikulttuurin puhallinsoitin.
Rantatuolista käsin professori johdattelee ajatuksiin, jotka liittyvät keskustelun aiheeseen, deep computingiin:
"Olet aikeissa kirjoittaa tämän haastattelun pohjalta lehtikirjoituksen, vaikka et oikein vielä tiedä, mistä on kysymys. Pidät kuitenkin todennäköisenä, että saat asiasta selkoa. Aivosi ovat yhdistelemässä kaikenlaisia asioita, joiden tuloksena sinulle syntyy käsitys jostain, josta et ole ennen tiennyt."
Pitää paikkansa: epämääräinen ja hiukan epävarma tilanne työhuoneessa alkaa vähitellen saada muotoa ja selkiytyä. Myös deep computingissa kyse on tästä: epävarmuuden hallinnasta monimutkaisten järjestelmien mallintamisessa. Vaikka kone ei tiedä, mitä se (puhumattakaan sitä hallitsevasta ihmisestä) on hakemassa, se pystyy havainnoimaan ja yhdistelemään sille ennalta tuntemattomia asioita ja lopulta tuottamaan jotain, jota ei ole osattu ennakolta odottaa.
Tirrin tutkimusala on laajasti ymmärrettynä "epävarmuuden tiede", science of uncertainty. Sen käsittelemät tutkimusongelmat ovat laajoja ja monimutkaisia, ja tavoitteena on synnyttää tietoa, jonka perusteella voidaan tehdä vaikkapa päätös tai ennustus.
Deep computing on tutkimusala, joka on saanut nimensä IBM:n kuuluisasta shakkikoneesta, Garri Kasparovin päihittäneestä Deep Bluesta. Koneen kehittämisen yhteydessä IBM:n tutkijat joutuivat tutkimaan menetelmiä, joita he nyt käyttävät monimutkaisten ja moniulotteisten tutkimusongelmien käsittelyyn. "IBM:ssä tutkitaan muun muassa ihmisten ostoskäyttäytymistä siten, että aineistona on vaikkapa yhden marketin yhden kuukauden myynti, mutta ei mitään tietoa siitä, keitä ja millaisia ihmisiä ostajat olivat. Valtavasta aineistosta voidaan laskea esiin monenlaista kiinnostavaa", Tirri sanoo.
Deep computingiin hyvin sopiva tutkimusongelma olisi esimerkiksi Yhdysvaltain puhelinliikenteen tai - pienemmässä mittakaavassa - Helsingin joukkoliikenteen mallintaminen. Yhtä aikaa eri paikoissa liikkeellä tai pysähdyksissä olevissa linja-autoissa, metrojunissa, raitiovaunuissa ja Suomenlinnan lautoissa olisi mallinnettavaa kerrakseen; huomioon otettavien asioiden joukko on valtavan suuri.
Mallinnuksen jälkeen liikennettä voitaisiin pyörittää tehokkaassa tietokoneessa ja laskea vaikka mitä: jos seiskan ratikka myöhästyy tässä kohdassa, se saapuu kilometrin päässä olevaan risteykseen yhtä aikaa bussi 65A:n kanssa, mutta matkustaja ei liikennevalon takia silti ehdi vaihtaa ratikasta bussiin ajoissa...
Deep computing on terminä ja tutkimusalana vasta vähän yli vuoden vanha, mutta monet tutkimuksen perustana olevat menetelmät ovat lähtöisin jo vuosisatojen takaa.
Yksi mallinnuksen tapa, niin sanottu bayesiläinen mallintaminen, perustuu 1700-luvun alussa eläneen brittiläisen amatöörimatemaatikon, pastori Thomas Bayesin tutkimuksiin. Bayes-mallinnus on todennäköisyyslaskentaan perustuva yleinen lähestymistapa monimutkaisissa järjestelmissä esiintyvän epätäsmällisen informaation hallitsemiseksi.
Yksinkertaistetusti Bayes-mallinnuksessa on kyse siitä, että kun tiedon lisääntyminen jostakin asiasta muuttaa asiasta vallinnutta käsitystä, tämä muuttuminen otetaan huomioon asian jatkokäsittelyssä. Käsitykset siis muuttuvat tiedon lisääntyessä.
Ihminen tekee tätä aivoissaan koko ajan, mutta tietokoneelle tällainen uskomuksen päivittäminen tai korjaaminen ei ole aivan yhtä yksinkertaista.
Esimerkiksi käyvät vaikka presidentinvaalit. Ne ovat ongelmana sangen monimutkainen ja toistaiseksi täynnä epävarmuutta.
"Jos sanon sinulle, että jollain perusteella ehdokas X:n todennäköisyys tulla valituksi on 0,2 (asteikko on nollasta yhteen; ykkönen on täysin todennäköinen), sinä sanot, että tiedät asiasta enemmän kuin minä. Olet nähnyt ehdokkaan juuri televisiossa, hän on esiintynyt fiksusti ja olet saanut sisäpiiriltä tietoa, että kilpaileva ehdokas on joutunut vaikeuksiin. Bayes-mallinnuksessa nämä lisätietosi otettaisiin huomioon X:n valinnan todennäköisyyttä laskettaessa. Voisit antaa lisätiedoillesi eräänlaiset painokertoimet sen mukaan, kuinka vaikuttaviksi ne arvioit."
Jos ovat lähtökohdat epävarmoja, eivät lopputuloksetkaan enää ole absoluuttisia totuuksia. "Tällä tutkimusalalla luovutaan tavoittelemasta absoluuttisesti parasta, optimaalista tulosta, koska sen saavuttaminen ei ole laskennallisesti mahdollista. Sen sijaan kelpuutetaan paras saatavilla oleva vaihtoehto", Henry Tirri sanoo.
Samoin subjektiivisuus - se, että ihmiset näkevät ja kokevat asioita eri tavalla ja tutkimuksen lähtökohdista riippuu, millaisia tuloksia saadaan - hyväksytään yhdeksi lähtökohdaksi tutkimukseen.
"Tilastojen käsittelyyn tottuneita sosiaalitieteilijöitä kenties järkyttää se, etteivät tulokset enää ole absoluuttisia. Tässä suhteessa tutkimusalamme horjuttaa tilastotieteen perusnäkemyksiä. Jos samaa asiaa tutkitaan perinteisen tilastotieteen menetelmin ja Bayes-mallinnuksen keinoin, tulokset voivat olla aivan erilaiset, jopa päinvastaiset."
Tirrin mukaan maailma on vaikea ja monimutkaisempi kuin monet tilastotieteessä tehtävät pelkistetyt oletukset antavat ymmärtää.
Jos tutkitaan tietyn lääkkeen vaikutusta infarktiriskiin ja tuloksena on, että "lääke alentaa riskiä 30 prosenttia", kyseessä on paljolti hyvä arvaus. Lähemmäs totuutta päästäisiin, jos malliin syötettäisiin myös muut terveydentilaan vaikuttavat asiat: ruokavalio, alkoholinkäyttö, perhesuhteet...
Onko maailma jonain päivänä suuri tietokonemalli, jossa asiat ratkaistaan laskemalla? Tirrin näkemys mallintamisen mahdollisuuksista on selvä.
"En kuvittelekaan, että maailma olisi mallinnettavissa hyvin tai edes kohtuullisesti. Mutta riittävästi voi silti olla parempi kuin ei ollenkaan. Loppujen lopuksi kaikki mallit ovat vääriä, mutta jotkut ovat hyödyllisiä."