Aivomme ovat viisaammat ja tehokkaammat kuin yksikään kone. Joka sekunti aivomme vastaanottavat yli 11 miljoonaa bittiä tietoa ympäristöstämme. Aivot luovat merkityksiä tästä tiedosta luomalla algoritmeja. Niiden avulla voimme mm. Tunnistaa sanoja, arvostaa musiikkia, navigoida kaupungissa ja reagoida asioihin kuten liikennevalot ja auton äänimerkki. Ja se tapahtuu hetkessä.
Eikö olisi mahtavaa, jos koneet pystyisivät ajattelemaan kuten ihmiset? Tämä ajatus on kiehtonut tiedemiehiä jo 1940-luvulta saakka. Mutta vasta nyt viime vuosina meillä on ollut hallussa teknologia, joka on mahdollistanut tekoälyn, joka taas puolestaan mahdollistaa koneoppimisen.
Nykyään AI on jo käytössä virtuaalisissa apulaisissa kuten Applen Siri ja Amazonin Alexa. AI auttaa ennustamaan myöhästymisiä liikenteessä ja ehdottaa reittejä Google kartoissa. Se tunnistaa ystäväsi kasvot Facebookissa ja suosittelee sinulle musiikkia Spotifyssa.
Tekoäly (AI – Artificial Intelligence)
Tietokoneohjelmien kehitys ja käyttö, joka pystyy käyttämään joitain ihmisaivojen toiminnoista, kunten oppiminen, ongelmanratkaisu, päätöksenteko ja kuvioiden tunnistus.
Koneoppiminen (Machine learning)
Ohjelma tai systeemi, joka rakentaa (kehittää) ennustavan mallinnuksen saamastaan tiedosta. Systeemi käyttää opittua mallia tehdäkseen käytännöllisiä ennustuksia uudesta (entuudestaan tuntemattomasta) tiedosta.
Miksi aivot on niin vaikea kopioida?
Yksi kuulokojeiden suunnittelun haasteista on, että siinä pyritään jäljittelemään ihmiskuuloa. Ihmisaivot – mikrosiru – jossa kaikki ajatukset ja laskelmat tapahtuu, ei ole lähelläkään ihmisaivoja. Puhelimessa ja autossa mikrosiru voi olla suuri mutta pienessä kuulokojeessa ei ole tilaa suurelle mikrosirulle. Kuulokojeen siru on pienempi kooltaan kuin kynsi ja paristo, joka tuottaa käyttöenergian, on aivan yhtä pieni.
Evoluutiosta vallankumoukseen
Kun suunnittelemme uutta kuulokojetta, meillä on ryhmä mikrosirusuunnittelijoita, joka pyrkii siirtämään aiempia rajoja sen suhteen, miten tehokas uudesta sirusta tulee. Tämä tarkoittaa, että uusi kuulokoje on tehokkaampi ja pitkäkestoisempi. Katso alla oleva video siruteknologian askelista GN:n ladattavan kuulokojeen, ReSound LiNX Quattron osalla.
Miten koneet saadaan ajattelemaan kuten ihmiset
Miten AI eroaa muusta teknologiasta ja miksi se kuormittaa kovalevyä niin paljon? Se kaikki riippuu siitä, miten tämä ajattelu on järjestelty.
Otetaanpa prosessi kuten sanantunnistus. Aivosi on tuottanut algoritmeja, ja kun kuulet sanan kuten ”hätätilanne”, tunnistat sen nopeasti. Mutta tietokoneohjelmisto vaatii paljon matematiikkaa tunnistaaksen sanan perinteisten algoritmien avulla. Se käsittelee äänteet sanasta järjestyksessä, kuulee, että se alkaa kirjaimella ”H”, siirtyy sen jälkeen käsittelemään muita vaihtoehtoja löytääkseen seuraavan kirjaimen ”ä” ja niin edelleen. Ohjelmisto työskentelee sarjoissa kun taas tekoäly, joka simuloi ihmisaivoja, käsittelee äänteet rinnakkain yhtä aikaa. Kun puhumme tuhansissta tai jopa miljoonista tiedoista, jotka kulkevat mikrosirun läpi, se joutuu rasitukseen, joka syö myös nopeasti paristoja.
Tulevaisuus
Se, miten ihmiset ja koneoppiminen, joka jäljittelee ihmistä, ajattelevat tai käsittelevät tietoa, on perustavanlaatuisesti erilaista verrattuna siihen, miten perinteiset koneet on ohjelmoitu.
Ja se on nimenonmaan haaste, jonka edessä insinöörit nyt seisovat yrittäessään suunnitella tekoälyä mikrosiruihin.
”Koneoppimisen käyttö kuulokojeissa tarkoittaa, että kovalevy on todennäköisesti ainoa realistinen tie eteenpäin, koska rakenteet eroavat niin paljon siitä mitä tunnemme nyt. Se kovalevy, joka työskentelee koneoppimisen parissa, ei ole samanlainen kuin kovalevy jota käytämme tänään signaalinkäsittelyssä”, selittää Brian Dam Pedersen.
Mitä merkitystä koneoppimisella on kuulolle
Tänä päivänä koneoppiminen on käytössä ennemminkin älypuhelimissa, jotka muodostavat yhteyden kuulokojeisiin sovelluksen avulla. Koneoppiminen käyttää kuulokojeista ja käyttäjältä saamaansa tietoa tehdäkseen analyysejä ja suosituksia parhaista mahdollisista asetuksista eri tilanteisiin ja parantaa niitä ajan kuluessa kerätessään enemmän käyttäjätietoja. On helpompi päästä lähemmäs luonnollista kuulemista, kun koneoppiminen on suoraan mikropiirissä.
”Seuraava askel on algoritmit, jotka oppivat kuulokojeisiin tulevista kuuloympäristöistä ja säätävät asetuksia automaattisesti taatakseen parhaimman kuuloelämyksen tietyissä tilanteissa kuten ravintola, pyörämatka tai television katselu”, sanoo Brian Dam Pedersen.
Kuulokojeiden äärimmäinen suoritus, joka saattaa myös houkutella normaalikuuloisia, on ratkaista ongelma miten kuulla paremmin meluisissa ympäristöissä. Myös tunnettu Cocktail-kutsu-vaikutuksena – tilanne, jossa puheen erottaminen melussa on ollut vaikein pähkinä ratkaista.
Koneoppimisen implementoiminen kuulokojeisiin tarkoittaa sitä, että koje päättää mitkä äänet kuulemme meluisassa tilanteessa ja se keskittyy tekemään näistä äänistä selkeitä. Samalla häiritsevän taustamelun määrää ja voimakkuutta vähennetään. Tällaiset meluisat tilanteet, kuten ravintolat ja juhlat, saattavat hyvin olla haastavia jo normaalikuuloisellekin ja ne ovat sitä aivan varmasti kuulonalenemasta kärsivälle. Ajattelepa mitä se merkitsisi, jos pystyisimme ratkaisemaan tämän ongelman.
Tulevaisuuden inhimillisemmät ja vähemmän keinotekoiset ratkaisut
Voi kuulostaa ironiselta mutta on jännittävää implementoida koneoppiminen kuulokojeeseen, joka mahdollistaa teknologian inhimillistämisen. Ratkaisu jäljittelee sitä miten me ihmiset vastaanotamme tietoa, käsittelemme tietoa ja opimme jatkuvasti vastaanottaessamme tietoa. Se tarkoittaa, että me voimme tulevaisuudessa odottaa näkevämme teknologiaa, joka on vähemmän ylhäältä-alaspäin suuntautunut ja keinotekoinen ja enemmän alhaalta-ylöspäin suuntaava ja inhimillisesti rakennettu. Tämä tarkoittaa siis omaehtoista ajattelua.
Lue myös kirjoituksemme ”Siirrämme rajoja ollaksemme maailman ensimmäisiä”, josta voit lukea yhdestä ensimmäisestä läpilyönnistä kuulokojeiden alalla. Silloin GN lanseerasi maailman ensimmäisen 2,4 GHz-teknologiaa käyttävän kuulokojeen vuonna 2010.
Lähteet: Artificial intelligence definition, Chambers 21st Century Dictionary
Machine learning definition, Google Developers Machine Learning Glossary
Applications of information theory: Physiology, Encyclopedia Britannica