Tietokoneet oppivat ymmärtämään ihmisiä yhä paremmin mallintamalla heitä
Aalto-yliopiston, Birminghamin yliopiston ja Oslon yliopiston tutkijat osoittavat tuoreessa tutkimuksessaan, että tietokone voi oppia ymmärtämään käyttäjää tarkkailemalla hänen toimintansa ominaispiirteitä, kun sen käytössä on karkea kognitiivinen malli käyttäjästä. Havaintojen avulla tietokone hienosäätää karkean mallin vastaamaan tarkemmin kyseistä käyttäjää. Tutkimuksessa pääteltiin käyttäjän näköjärjestelmän ominaispiirteitä, kuten katseen kiinnittämisen kestoa käyttäen hyväksi tietoa siitä, kuinka kauan erilaisten valikkokohteiden napsauttaminen vie aikaa käyttäjältä.
Koneoppimiseen liittyvistä läpimurroista huolimatta tietokoneet eivät ymmärrä kovin hyvin, miksi ihminen käyttäytyy tietyllä tavalla. Yksilön kykyjä ja tavoitteita kuvailevilla kognitiivisilla malleilla voidaan sekä selittää että ennustaa paremmin yksilön käyttäytymistä, mitä ei aiemmin ole käytetty koneoppimismenetelmien kehitystyössä.
”Lähestymistapamme etuna on se, että tietoa tarvitaan paljon vähemmän kuin perinteisissä black box -menetelmissä. Aikaisemmat menetelmät tämän tyyppisen hienosäädön tekemiseen ovat vaatineet joko suuren määrän manuaalista työtä tai hyvin paljon erittäin tarkkaa havainnointitietoa, mikä on rajoittanut näiden mallien käytettävyyttä tähän asti”, Aalto-yliopiston tohtorikoulutettava Antti Kangasrääsiö kertoo.
Työssä käytetty menetelmä perustuu Bayesilaiseen laskentaan (Approximate Bayesian Computation, ABC). Tämä koneoppimismenetelmä on kehitetty päättelemään hyvin monimutkaisia malleja havaintojen perusteella, ja sitä käytetään muun muassa ilmastotieteessä ja epidemiologiassa. Tutkijat hyödynsivät menetelmän lisäksi kognitiivista havaintodataa, mikä mahdollistaa ihmisen käyttäytymiseen liittyvien monimutkaisten mallien automaattisen päättelyn ihmisen käyttäytymisliikkeiden perusteella. Tämä voisi olla hyödyllistä ihmisen ja robotin välisessä vuorovaikutuksessa tai yksilöllisten kykyjen automaattisessa arvioinnissa, esimerkiksi kognitiivisen rappeutumisen oireiden havaitsemisessa.
”Jatkossa tietokone voisi käyttää opittua mallia simuloidakseen sitä, kuinka kyseinen henkilö tulisi todennäköisesti toimimaan täysin uusissa olosuhteissa”, sanoo Aalto-yliopiston koneoppimisen professori Samuel Kaski.
”Olemme innoissamme tämän työn tulevaisuuden näkymistä älykkäiden käyttöliittymien alalla”, sanoo Aalto-yliopiston käyttöliittymien professori Antti Oulasvirta.
”Tulevaisuudessa tietokone pystyy ymmärtämään ihmisiä jotakuinkin samalla tavalla kuin ihmiset ymmärtävät toisiaan. Silloin se voi ennustaa paremmin mahdollisesta muutoksesta seuraavien etujen lisäksi myös yksilölle aiheutuvat yksittäiset kustannukset. Tämä kyky on puuttunut mukautuvilta käyttöliittymiltä”, hän jatkaa.
Tulokset esitellään maailman suurimmassa ihmisten ja tietokoneen vuorovaikutukseen keskittyvässä CHI-konferenssissa Denverissä, Yhdysvalloissa toukokuussa 2017. Artikkeli on luettavissa osoitteessa
Kuva osoittaa, miten ABC:llä viritetyt parametrit johtavat tarkempiin ennusteisiin käyttäjän käyttäytymisestä.
äپٴDz:
Tohtorikoulutettava Antti Kangasrääsiö
Aalto-yliopisto
antti.kangasraasio@aalto.fi
Puh 050 5171 301
Professori Antti Oulasvirta
Aalto-yliopisto
Puh 050 384 1561
antti.oulasvirta@aalto.fi
Professori Samuel Kaski
Aalto-yliopisto
samuel.kaski@aalto.fi
Puh 050 3058 694
Lue lisää uutisia
The company established by three anthropologists relied on strong research expertise
Etnografinen tutkimustoimisto Kenno Oy was established in 2014 when its three founders were finalising their master's degree studies at the University of Helsinki and wanted to create an interesting job for themselves.
Kolmen tutkijan ideasta syntyi deep tech -yritys
Vahvaan tutkimusosaamiseen nojaava Sim Analytics Oy sai alkunsa, kun kolme LUT-yliopiston eri laboratorioissa työskennellyttä tutkijakollegaa alkoi miettiä, miten tarjota ja analysoida dataa teollisuusyritysten liiketoimintapäätösten tueksi.
Ensimmäinen suprajohtava kvanttilämpökone osoittaa, että lämpö voidaan valjastaa työksi myös kvanttimaailmassa
Suprajohtava kvanttilämpökone paitsi edistää termodynamiikan perustutkimusta, voi myös merkittävästi pienentää tulevaisuuden kvanttitietokoneiden hintalappua.