Louhi-projektin kokemukset oppina. Tekoälyä hoitohenkilökunnalle

Transkriptio

1 Louhi-projektin kokemukset oppina Tekoälyä hoitohenkilökunnalle DI Antti Airola IT-laitos FM Veronika Laippala IT-laitos ja Ranskan kieli Sh Riitta Danielsson-Ojala TYKS

2 Tieteidenvälisyyden esteet ja karikot miten ne vältimme Rakenteelliset esteet Tietoon liittyvät esteet Kulttuuriset esteet Tietoteoreettiset esteet Metodologiset esteet Psykologiset esteet Tieteellisen tiedon vastaanottoon liittyvät esteet Mikkeli H & Pakkasvirta J. Tieteidenvälinen todellisuus

3 Esityksen rakenne 1. Johdanto 2. Tekoälyn historiaa ja taustoja 3. Koneoppiminen: älyä tilastollisin menetelmin 4. Luonnollisen kielen käsittely: syntaktinen jäsennys

4 Tekoäly Järjestelmiä, jotka ajattelevat kuin ihminen Jännittävä uusi pyrkimys saada koneet ajattelemaan... koneita joilla on mielet sanan kirjaimellisessa merkityksessä (Haugeland, 1985) Niiden toimintojen automaatio, jotka yhdistämme inhimilliseen ajatteluun, kuten päätöksenteko, ongelmien ratkominen, oppiminen... (Bellman 1978)

5 Tekoäly Järjestelmiä, jotka käyttäytyvät kuin ihminen Sellaisten koneiden rakentaminen, jotka suorittavat toimintoja, jotka vaativat ihmisten suorittamina älyä. (Kurzweil, 1990) Miten saada koneet tekemään asioita, missä ihmiset ovat tällä hetkellä parempia. (Rich ja Knight, 1991)

6 Tekoäly Järjestelmiä, jotka päättelevät loogisesti Henkisten toimintojen tutkimus laskennallisten mallien avulla. (Charniak ja McDermont, 1985) Sen laskennallisen toiminnallisuuden tutkimus, joka mahdollistaa havainnoimisen, järkeilyn ja toiminnan (Winston, 1992)

7 Tekoäly Järjestelmiä, jotka toimivat rationaalisesti Laskennallinen älykkyys tutkii älykkäiden agenttien suunnittelua (Poole et al., 1998) Tekoäly... koskee älykästä toiminnallisuutta artefakteissa (Nilsson, 1998)

8 Louhi Louhi-projektin tavoitteena on kehittää älykkäitä menetelmiä, jotka ovat avuksi päivittäisessä hoitotyössä Keskitymme erityisesti menetelmiin, jotka pystyvät hyödyntämään potilasasiakirjojen tekstiosia Voimmeko löytää näistä merkkejä tietyistä vaivoista, arvioida potilaan hoidon tarvetta, tehdä automaattisesti yhteenvetoja...?

9 Seuraavaksi luvassa (Hyvin) lyhyt oppimäärä tekoälystä Koneoppiminen, seuraavassa esityksessä luonnollisen kielen jäsentäminen Peruskäsitteitä Sovelluksista enemmän päivän myöhemmissä esityksissä

10 Esityksen rakenne 1. Johdanto 2. Tekoälyn historiaa ja taustoja 3. Koneoppiminen: älyä tilastollisin menetelmin 4. Luonnollisen kielen käsittely: syntaktinen jäsennys

11 Historiaa

12 Tekoälyn juuret Filosofia (300-L eaa -) Mistä tieto on peräisin?, Miten tieto johtaa oikeaan toimintaan? Matematiikka (800 -) Mitä voidaan laskea?, Miten toimia epävarman tiedon varassa? Taloustiede (1776 -) Miten toimia niin, että voitot maksimoituvat? Neurotieteet (1861-) Miten aivot käsittelevät tietoa?

13 Tekoälyn juuret Tietotekniikka (1940 -) Miten rakentaa tehokkaita tietokoneita? Säätötekniikka ja kybernetiikka (1948 -) Miten artefaktit voivat toimia itseohjautuvasti? Lingvistiikka (1957 -) Mikä on kielen ja ajattelun yhteys?

14 Tekoälyn synty (1956) 1956 Dartmouth Logic Theorist, automatisoitu päättelijä kykenee todistamaan useita teoreemoja Principia Mathematicasta Älyä ja luovuutta vaativa toiminto automatisoitu! Uusi tieteenala: artificial intelligence eli Tekoäly

15 Suuria odotuksia ( ) Logic Theorist toimi matematiikan maailmassa, entä oikea maailma Simuloiduissa mikromaailmoissa toimivat päättelijät...ensimmäinen askel kohti yleisiä ongelmanratkaisijoita?

16 Suuria odotuksia ( ) Palikkamaailma

17 Suuria odotuksia ( ) Perceptron oppimismenetelmä, lineaarinen luokittelija

18 Annos todellisuutta ( ) Automaattiset päättelijät eivät toimi leikkimaailmojen ulkopuolella Marvin Minskyn: Perceptrons todistaa Perceptron-oppimismenetelmän rajallisen kapasiteetin Luonnollisen kielen kääntäminen The spirit is willing but the flesh is weak kone kääntää: Viina on hyvää, mutta liha kehnoa

19 Tietämyspohjaiset järjestelmät ( ) Seuraava yritys: rajatulle alalle erikoistuneet asiantuntijajärjestelmät Asiantuntijoiden tietämys tallennetaan tietokantaan Ohjelma tekee suosituksia tietokannan pohjalta, automaattisia päättelysääntöjä noudattaen Esimerkiksi MYCIN (verenmyrkytysten tunnistus)

20 Tilastollisten menetelmien vastaisku (1986-) Asiantuntijajärjestelmien ohjelmointi työlästä Sääntöjä liikaa, lopputulos sekava Voitaisiinko järjestelmät saada oppimaan automaattisesti Tilastolliset menetelmät, muun muassa tehokas opetusmenetelmä neuroverkoille

21 Tänään (2008) Tilastolliset menetelmät vallanneet yhä enemmän alaa, kyky mallintaa epävarmuutta ja satunnaisuutta Google, Amazon.com suositukset... Tutkimussuuntia: Luonnollisen kielen prosessointi, konenäkö, robotiikka, datan louhinta, automatisoitu suunnittelu...

22 Esityksen rakenne 1. Johdanto 2. Tekoälyn historiaa ja taustoja 3. Koneoppiminen: älyä tilastollisin menetelmin 4. Luonnollisen kielen käsittely: syntaktinen jäsennys

23 Koneoppiminen Tutkii menetelmiä, jotka mahdollistavat oppivat ohjelmat Oppiminen: ohjelma parantaa toimivuuttaan aikaisemman kokemuksen tai annetun datan perusteella Tietojenkäsittelytieteen, tilastotieteen ja sovelletun matematiikan leikkauspisteessä

24 Opetusdata Opetusdata tarkoittaa esimerkkejä, joilla kone opetetaan Esimerkki koostuu kahdesta osasta - piirteet joiden pohjalta päätös tehdään - oikea päätös Usein tarvitaan asiantuntijoita merkitsemään käsin oikeat päätökset dataan Järjestelmä on vain yhtä hyvä, kuin data jolla se on opetettu

25 Kysymyksiä Mitä voidaan oppia laskennallinen oppimisteoria Miten oppia tehokkaasti algoritmien suunnittelu Mihin hyödyntää menetelmiä datalouhinta, hahmontunnistus, kielen analyysi... Miten soveltaa käytännössä ohjelmistojen kehitys ja käyttöönotto

26 Miksi ja milloin Tietokoneavusteisten menetelmien kehittäminen tilanteissa, joissa perinteinen ohjelmointi mahdotonta tai hyvin työlästä Esimerkki: Röntgenkuvien analysointi syöpäkasvaimien havaitsemiseksi Opetusdatan saatavuus välttämätöntä

27 Sääntöpohjainen vs. opittu Sääntöpohjainen Ohjelmoija syöttää tarkat säännöt Läpinäkyvyys Vaatii asiantuntijan Opittu Ohjelma oppii aineistoa seulomalle Musta laatikko Vaatii laajan merkityn aineiston

28 Luokittelu Yleisin koneoppimisongelma Jaetaan data kahteen tai useampaan luokkaan Esimerkkejä luokituksista: Uutiset: politiikka, sää, talous, urheilu... Sähköposti: roskapostia / ei roskapostia Diagnoosi: nuha, yskä, keuhkokuume...

29 Esimerkkiongelma Työterveryslääkäri: potilaalla stressin oireita Päätös: 1. Riski työuupumuksesta, jatkotoimenpiteitä 2. Ohimenevää stressiä Tilataan suositusjärjestelmä auttamaan päätöksenteossa

30 Esimerkkiongelma Kysymys: onko järjestelmän opetukseen sopivaa dataa saatavilla? Olemassa tietokanta, johon tallennettu - aikaisempia potilaskertomuksia, osassa mainintoja stressin oireista - seurantatietoja siitä, mille potilaille kehittyi myöhemmin työuupumus

31 Esimerkkiongelma Eri vaihtoehtoja ongelman mallinnukseen Päätetään toteuttaa luokittelija Kaksi luokkaa: - Luokka 1: jatkotoimenpiteet tarpeen - Luokka 2: ei suurta riskiä uupumuksesta Opetusdatassa ne joille kehittyi työuupumus kuuluvat luokkaan 1, ja loput luokkaan 2

32 Esimerkkiongelma Valitaan soveltuva koneoppimismenetelmä Jaetaan saatavilla oleva data opetus- ja testiosaan Opetetaan valittu menetelmä datan opetusosalla Testataan opetettua järjestelmää testiosalla Jos järjestelmä riittävän usein oikeassa, otetaan se käyttöön

33 Tutkimuksemme Tutkimme ohjattua oppimista, jossa kone opetetaan käsinmerkityillä esimerkeillä Luokittelun lisäksi rankkaus: - esimerkit paremmuusjärjestykseen Erikoisuutenamme tekstistä oppiminen Seuraavaksi enemmän tekstin analyysistä

34 Lähes autenttinen ote hoitokertomuksesta teho-osastolta Saanut norria ja morkkua NGL ei vedä joten poistettu Puristusvoima vas. ok ko-operoi, siisti SR Nukk.