Tehisintellektiga on tänapäeval kokku puutunud igaüks. Google'i otsingutulemustes või sotsiaalmeediakanalites pakutav sisu on sinna paigutatud vastavate algoritmide poolt. Netflixi sarja- ja filmisoovitused on meile teiste kasutajate valikute põhjal kokku pandud. Kaupade asukoht poeriiulil, laenupakkumise protsent ja see, milliseid veebilehti meie nimega esimesena seostatakse, on juba ammu saanud tehismõistuse tehtud otsuste pärusmaaks. 

Valik või järeldus?

Sageli samastatakse tehisintellekti masinõppega. Tehisintellekti tuleks aga mõista palju laiemalt. Nii sisaldab see ka üldistavate järelduste tegemist, mitte lihtsalt valikut ette antud otsuste vahel, loogilist tuletamist osaliselt määratud või müraliste andmete baasil, uute mõistete genereerimist jpm.

Kui masinõppe all mõistetakse valdavalt süvanärvivõrkudel (DNN ehk deep neural networks) põhinevat õpet, mis on paljudes rakendustes küll efektiivne otsustustugi, siis DNN töötab kui "must kast" – keegi ei tea täpselt, mille põhjal otsus tehti. Nii jääb nn süvaõppe puhul valideerimise pool puudu.

Otsust, mille aluseid ei teata või mille tegemise kriteeriumid jäävad lõplikult ebaselgeks, on inimestel raske, kui mitte võimatu usaldada. Edasi sõltub kõik eesmärgist ja valdkonnast. Igapäevastes tegevustes on lihtne leida huvilisi ja kasutajaid näiteks fotomanipulatsioonidele. Selleks, et usaldada diagnoos arstilt masina kätte, peavad tehisintellekti otsused olema seletatavad ja nendest peab olema võimalik aru saada.

XAI ja HCI

Senistest võimsatest, kuid komplekssetest meetoditest ongi liigutud järjepidevalt suurema selguse suunas. Oxfordi ülikoolis on juba tekkinud mitmeid spin-off ettevõtteid, mis püüavad kokku panna seniseid närvivõrkudel, süvavõrkudel ja induktiivsel õppimisel põhinevaid tarkusi, et tagada parimat tulemust. XAI (explainable AI) on uus lahendus, millega püütakse liikuda puhttehnilistest võimalustest inimarule sobivama lahenduse suunas.

Euroopa Liidus on lisaks eelnimetatule võetud kasutusele ka termin HCI ehk inimesekeskne tehisintellekt (Human Centric AI). On aru saadud, et inimene peab olema otsustusahelas sees ja need asjad, mida masin soovitab, peavad olema inimesele arusaadavad, et lahenduse suhtes tekiks vajalik usaldus. Seetõttu ei maksa niipea karta, et inimtöö vajadus lõplikult kaob, sest mitte ainult masin ei aita inimest, vaid ka inimene masinat. Inimene tõlgendab, korrigeerib ja legitimiseerib AI-d sisaldavaid otsustusprotsesse.

Kuidas uutest võimalustest kasu lõigata

Digitaliseerimine ja virtualiseerimine on kaks võimsat lahendust, millega saab teha otsused ära virtuaalmaailmas ja kanda need üle pärismaailma. See võimaldab väga suurt kulude kokkuhoidu, olgu tegu tööstusautomaatika, nutikate hoonete või millegi kolmandaga. Näiteks nähakse ravimitööstuses aina suuremat potentsiaali võtta arendusprotsessides oluliselt enam kasutusele algoritmid.

Praegu jõuab bioloogiliste ravimite arendamisel valmis tooteni iga kümnes arendus. Ülejäänud üheksa ebaõnnestunud arenduse kulud lisanduvad ühe õnnestunud toote hinnale, mis selgitab innovatiivsete ravimite kõrget hinda. Tehisintellekti abiga saaks arendusfaasides kulusid kokku hoida, mis oleks nii era- kui ka avaliku sektori huvides, kuna rahaline võit kaasneks mõlemale.

Ärilistes protsessides on tehisintellekti kaasamine igati mõistlik. Tema efektiivsus paistab välja igal pool, kus on olemas piisavalt suured mastaabid: suured andmekogud, suured ressursid, palju töötajaid.

Kui tehisintellektile anda selged prioriteedid, võib ta näiteks administratiivjuhtimisel, otsustusprotsessides või eelarve planeerimisel teha igakülgselt efektiivseid valikuid ja leida uusi üllatavaid lahendusi. Inimene võib olla harjumustes kinni või lihtsalt mugav, tehisintellektil sellist probleemi ei ole.