Tekoäly on keskeinen osa meneillään olevaa teknologista vallankumousta, ja se muuttuu koko ajan älykkäämmäksi. Tietokonenäön, puheanalyysin ja luonnollisen kielen käsittelyn liikkeellepaneva voima, tekoäly vaikuttaa teollisuuteen ja yhteiskuntaan lukuisilla tavoilla – ja tekee niin vielä pitkälle tulevaisuuteen.
Ei siis ole yllätys, että tekoälyn alalla on runsaasti uramahdollisuuksia – itse asiassa niin paljon, että alalla on nyt edessään ainutlaatuinen haaste: työpaikkoja on liikaa ja päteviä hakijoita liian vähän. Myönteistä on, että se tarkoittaa, että se tarjoaa lähes takuuvarmoja (ja hyvin palkattuja) työpaikkoja niille, jotka ovat päteviä.
Ura tekoälyalalla
Miten tekoälyn pariin pääsee, ja miltä tekoälyn urapolku näyttää? Pyysimme joitakin alan huippuasiantuntijoita jakamaan näkemyksiä omalta matkaltaan opastukseksi. Heihin kuuluvat Satya Mallick, Big Vision LLC:n perustaja ja OpenCV.orgin väliaikainen toimitusjohtaja; Jana Eggers, Nara Logisticsin toimitusjohtaja; ja Joanna Bryson, tietojenkäsittelytieteen apulaisprofessori Bathin yliopistossa Englannissa.
Miten päädyit tekoälyn alalle?
Satya Mallick
perustaja, Big Vision LLC / väliaikainen toimitusjohtaja, OpenCV.org
Törmäsin tietokonenäköön (tekoälyn osa-alueeseen) opiskellessani Intian teknologiainstituutissa Kharagpurissa (Intia) vuosina 1999-2000. Näin erään vanhempiopiskelijani tekevän robotiikkaprojektia, jossa hän käytti kameroita auttamaan robotteja ”näkemään”. Ajatus oli minusta niin kiehtova, että päätin hakea tohtorikoulutukseen tietokonenäön ja koneoppimisen alalle opiskelujeni jälkeen.
Jana Eggers
CEO, Nara Logics
Tutkin muovien johtavuutta Los Alamosin kansallisessa laboratoriossa 90-luvun alussa, ja neuroverkot ja geneettiset algoritmit olivat välineitä, joita käytin joihinkin töihini. Kun jätin tutkimuksen ja siirryin liike-elämään, päädyin startup-yritykseen, joka teki logistiikan asiantuntijajärjestelmiä. Sen jälkeen siirryin yhteen alkuperäisistä hakukoneista, Lycosiin. Koska työskentelin aina huipputeknologian parissa, jonkinlainen tekoäly oli yleensä oikea työkalu siihen työhön, jonka parissa työskentelin.
Joanna Bryson
Asiakkuusprofessori, tietojenkäsittelytieteen laitos
Bathin yliopisto (Iso-Britannia)
Ensimmäinen tutkintoni oli ei-kliinisestä psykologiasta Chicagon yliopistosta. Olin myös hyvä ohjelmoimaan, joten työskentelin siellä tietojenkäsittelytieteen osastolla. Olin kiinnostunut tekoälystä, mutta ensimmäistä kertaa kukaan opetti sitä vasta valmistumiseni jälkeisenä vuonna. Sain kuitenkin opettaa sitä. Sitten vietin viisi vuotta Chicagossa maksamalla pois opintovelkaani. Se osui juuri siihen aikaan, kun tietojenkäsittely hajautettiin. Tietokoneet alkoivat yleistyä, ja tajusimme, ettei jokaisen tietokoneen tarvinnut tietää kaikkea. Olin päättänyt, etten koskaan halunnut olla ammattimainen ohjelmoija, joten palasin jatko-opiskelemaan tekoälyä. Halusin mennä MIT:hen, mutta valitsin Edinburghin, koska halusin ulkomaille, mutta en osannut kieliä. Olin tuolloin onnekas, koska se oli vuonna 1991 ainoa paikka, josta olisin saanut tekoälyn maisterin tutkinnon. Sieltä sain tietää Rod Brooksista ja käyttäytymiseen perustuvasta tekoälystä – ajatuksesta, jonka mukaan sen sijaan, että yritettäisiin ymmärtää kaikkea, robotissa oli erikoistuneita osa-alueita, jotka ymmärsivät eri ongelmia. Sitten muutama meistä päätti yrittää päästä MIT:hen ja työskennellä Brooksin kanssa.
Mikä on työsi laajuus tekoälyn alalla?
Mallick: Työskentelen tietokonenäön alalla, joka on luultavasti tekoälyn tärkein osa-alue. Tietokonenäössä tavoitteenamme on saada koneet ymmärtämään maailmaa kuva- ja videoanalyysin avulla. Johdan tietokonenäön ja koneoppimisen konsultointiyritystä Big Vision LLC ja suosittua blogia LearnOpenCV.com.
Konsultointiyrityksessäni ratkomme erilaisia tietokonenäköön liittyviä ongelmia aina loisten havaitsemisesta hevosen ulosteista huippumuotilaukkujen mallin tunnistamiseen käyttäjien lataamista kuvista. Suurimpaan projektiimme kuului OCR ja petosten havaitseminen henkilöllisyystodistuksissa. Lisäksi olemme työskennelleet turvallisuussovellusten parissa, joihin kuuluu tunkeutumisen havaitseminen, kaupunkisodankäynnin visiosovellukset, urheiluanalytiikka ja biolääketieteelliset laitteet. Olen myös maailman suurinta tietokonenäkökirjastoa (OpenCV) ylläpitävän OpenCV.orgin väliaikainen toimitusjohtaja. Käynnistimme juuri Kickstarter-kampanjan kolmelle tekoälykurssille. Se sujuu erittäin hyvin.
Eggers: Nara Logics tarjoaa suuryrityksille ja liittovaltion hallitukselle tekoälyalustaa, joka keskittyy päätöksenteon tukemiseen. Suuri osa syväoppimisesta keskittyy havaitsemiseen – kuvien tunnistamiseen, kielen ymmärtämiseen – me keskitymme seuraavan vaiheen päätöksiin siitä, mitä havaitaan. Alustamme auttaa yhdistämään näön, kielen, sensoreiden jne. havaintovirrat parempien päätösten tueksi, aina siitä, mitä asiakkaalle näytetään (personointi) siihen, miten toimintoja priorisoidaan (päätöstuki).
Bryson: Tohtoriksi halusin tehdä psykologiaa, mutta päädyin MIT:hen. Niinpä keskityin johonkin, jota kutsutaan systeemitekoälyksi ja jossa on pohjimmiltaan kyse siitä, miten tekoälyn rakentaminen voidaan tehdä helpommaksi. Monet ihmiset keskittyvät yhteen taika-algoritmiin, joka päihittää muut algoritmit, mutta huomasin, että meillä oli jo paljon valmiuksia ja että todellinen ongelma oli niiden yhdistäminen – suunnittelupuoli. Niinpä keskityin siihen. Ja nyt siitä on tullut todella suuri asia. Systeemitekniikka on itse asiassa tieteenala, joka tekee asioista turvallisia, ja se juontaa juurensa jo paljon ennen tekoälyä.
Yritän myös edelleen ymmärtää ihmisten yhteistyötä ja kognition evoluutiota – milloin käytämme sitä ja milloin emme – joten keskityn paljon ymmärtämään, millä tavoin ihmiset tekevät yhteistyötä ja auttavat toisiaan ja milloin eivät. Työstämme parhaillaan artikkelia siitä, miksi poliittinen polarisaatio korreloi hyvin varallisuuserojen kanssa. Miten ne ovat vuorovaikutuksessa keskenään? Sitten on tietysti tekoälyn etiikka. Vietän kaiken aikani tekemällä poliittista työtä, joten puhun ihmisille ja yritän yhdistää pisteitä. Minusta se on vain parhaiden kuulemieni asioiden kokoamista yhteen paikkaan, mutta muiden mielestä se on hyvin innovatiivista.
Mitä pidät palkitsevimpana työssäsi?
Mallick: Yksi alamme valopilareista, tohtori Andrew Ng, on verrannut tekoälyä sähköön. Se muuttaa useita toimialoja, ja on valtavan palkitsevaa olla osa tätä vallankumousta. Osa rakentamistamme sovelluksista poistaa työläyden tavallisista tehtävistä, osa pitää meidät turvassa, ja osa lääketieteen alalla parantaa terveyttä ja jopa pelastaa ihmishenkiä. Tämän alan ammattilaisena on syvästi tyydyttävää nähdä, että työlläsi on merkitystä.
Toinen osa, joka antaa paljon merkitystä elämääni, on työni verkkokurssien opettajana. OpenCV.orgissa meillä on tehtävänä kouluttaa maailmanlaajuista työvoimaa tekoälyn alalla. Tämä on nouseva ala, ja olemme täysin tietoisia siitä, että tekoäly tulee aiheuttamaan monien työpaikkojen menetyksen automatisoinnin kautta. Siksi meidän velvollisuutenamme on auttaa ihmisiä päivittämään taitojaan ja opettaa heille sitä, mitä me itse opimme ammattimme harjoittamisen kautta.
Eggers: Annamme asiakkaillemme mahdollisuuden käyttää tietojaan nähdä eteenpäin eikä analysoida taaksepäin.
Bryson: Se on vain luonnostaan kiinnostavaa, ymmärtää, miten älykkyys toimii. Se taitaa olla suurin sisäinen palkintoni, vaikka haluan myös olla avuksi.
Mitkä työnne osa-alueet ovat haastavimpia?
Mallick: Tekoälyn haasteet ilmenevät monissa eri muodoissa. Ensinnäkin meillä on teknisiä haasteita. Joskus meillä ei ole tarpeeksi dataa. Toisinaan taas dataa on saatavilla, mutta se on äärimmäisen kohinaista tai sitä ei ole merkitty tavalla, jota olisi helppo käyttää. Muutamissa tapauksissa ihmiset aliarvioivat ongelman vähentymättömän epävarmuuden – vaalien ennustaminen on yksi tällainen ongelma-alue. Toiseksi meillä on eettisiä haasteita, joihin ei ole hyviä vastauksia. Käyttäisitkö esimerkiksi tekoälyä, joka auttaa 99 prosenttia ihmisistä, mutta on vahvasti puolueellinen yhtä prosenttia vastaan? Ennakkoluulojen poistaminen datasta on äärimmäisen haastavaa.
Eggers: Demystifying AI for customers. Tekoälyyn liittyvä hype ja mystiikka sekä kiehtoo että turhauttaa heitä. Keskitymme siihen, että saamme asiakkaamme nopeasti konseptin todisteesta tuotantoon.
Bryson: Se on outoja asioita, kuten koordinointi. Koska kaikki on mielenkiintoista ja kaikki on haastavaa, eikä koskaan voi tietää, milloin saa aikaan keskustelun, joka auttaa tekemään suuren muutoksen.
Mit ovat ratkaisevimmat ensiaskeleet niille, jotka haluavat tehdä tekoälyuraa?
Mallick: Tekoälyalan teknisen uran luomiseksi tarvitaan ensin hyvät ohjelmointitaidot. Ohjelmointikielestä Pythonista on tullut tekoälytutkijoiden ja -insinöörien oletusvalinta. Tosin alasta riippuen myös C++:n osaaminen voi olla tarpeen. Jos olet jo hyvä ohjelmoija, seuraava askel on löytää verkkokurssi, joka opettaa sinulle perusteet ja vie sinut vähitellen mestariksi. On useita hyviä vaihtoehtoja, kuten OpenCV.orgin, Courseran, Udacityn ja DeepLearning.ai:n kurssit.
Eggers: Ymmärtää, että tekniikka on tekoälyn helpoin osa. Data ja tulokset ovat molemmat kriittisempiä. Ja niitä molempia ohjaa organisaatio.
Bryson: Tehdä jatkokoulutusta, vaikka se olisi vain maisterin tutkinto, saadakseen näkemyksiä toiselta tieteenalalta. Kun opiskelin, kun ihmiset valmistuivat, he menivät todennäköisemmin kesätöissä olleille urille kuin pääaineisiinsa. Kun siis etsit työpaikkaa, on todella tärkeää, että tuot ainakin osan osaamistarpeista ja että annat heille jotain. Mutta etsi sellaista, joka vie sinut ainakin osittain sinne, minne haluat mennä. Likaise kätesi tekemällä mitä tahansa työtä ohjelmoinnin tai data-analytiikan tai minkä tahansa muun alalla. Jos opiskelet yliopistossa, siellä on miljardi pientä työtä, joita voit saada, jotta saat kokemusta. Siitä on paljon apua.
Miten arvokasta on keskiasteen jälkeinen koulutus? Entä jatkotutkinnot?
Mallick: Yliopistokoulutuksesta on kaksi valtavaa hyötyä. Ensinnäkin se antaa oppimisprosessille rakennetta. Ilman tätä rakennetta on helppo eksyä hämmennykseen tai menettää motivaatio. Toiseksi korkeakoulututkinnon suorittaminen viestittää pätevyydestä työmarkkinoilla. Tästä huolimatta yhä useammat ihmiset välittävät enemmän tekemistäsi töistäsi ja vähemmän ansioluettelostasi. Kun opiskelija julkaisee koodinsa säännöllisesti GitHubissa, näemme omakohtaisesti, mitä hän oppii ja miten hyvä hän on. Jos osa heidän työstään on ainutlaatuista ja luovaa, en henkilökohtaisesti välittäisi heidän korkeakoulututkinnostaan.
Eggers: Tohtorin tutkinnon keskeyttäneenä näkökulmani on, että jatkotutkinto antaa sinulle kunnioitusta – ja on muitakin tapoja ansaita tuo kunnioitus. Se riippuu siis todella sinusta itsestäsi ja siitä, mitä arvostat. Voit menestyä kummallakin tavalla.
Bryson: Kaikki tohtorin tutkinnot eivät ole tekemisen arvoisia. Varsinkin Amerikassa tällä hetkellä on paljon ihmisiä, jotka myyvät sinulle tutkinnon, joka ei välttämättä auta sinua. Tutkinnon hankkimisessa on nyt osittain kyse koulutuksen hankkimisesta ja osittain siitä, että voi kuulua sellaisten ihmisten joukkoon, jotka todella yrittävät ymmärtää asioita, kuten minä Edinburghissa ja MIT:ssä. Ennen sanottiin, että maisterin tutkinto on paras, jos aikoo mennä teollisuuteen, mutta tohtorin tutkinto on tarpeen, jos aikoo työskennellä valtion laboratorioissa tai teollisuuden huippulaboratorioissa – tai jos haluaa itse olla akateemikko.
Onko tietyt korkeakoulututkinnot parempia kuin toiset?
Mallick: Mlickal: Ehdottomasti. Stanfordissa suoritettu tutkinto tekoälyn alalla on paljon arvokkaampi kuin monissa muissa yliopistoissa, koska pääset työskentelemään huippututkijoiden kanssa, jotka ovat tekoälytutkimuksen kärjessä. Myös pääaineen valinnalla on valtava merkitys.
Eggers: Tekoälyyn tarvitaan kaikki mukana olevat tutkinnot. Tekniikan perusymmärrys on kuitenkin ratkaisevaa osallistumisen kannalta.
Bryson: Meillä on loistavia opiskelijoita, jotka tulevat suorittamaan maisterin tutkintoa , ja usein parhaita olivat ne, jotka tulivat psykologian alalta. Psykologia on siis loistava tutkinto. Matematiikka ja fysiikka auttavat sinua pääsemään koneoppimiseen, mutta ne eivät välttämättä anna sinulle koko näkökulmaa siihen, mitä tapahtuu. Muutoksen dynamiikan pohtiminen on todella tärkeää yhteiskunnan ymmärtämisen kannalta. Olen arvokas, koska itse asiassa rakennan tekoälyä ja ymmärrän, miten se toimii, mutta ymmärrän myös, miten yhteiskunta toimii.
Mitä resursseja – kirjallisia tai muita – ihmisten pitäisi hyödyntää saadakseen lisää tietoa tekoälyn parissa tehtävästä urasta?
Mallick: Valitettavasti hyvät vastaukset ovat levinneet monille eri sivuille internetissä. Tekoälyssä on kolme suurta sovellusaluetta: tietokonenäkö, puheanalyysi ja luonnollisen kielen käsittely. Kukin niistä vaatii erilaisen oppimispolun. Ehdotankin, että ihmiset googlaavat näitä termejä ja katsovat, mikä heitä kiinnostaa. Tässä on luettelo joistakin blogeista, joita ihmiset saattavat pitää mielenkiintoisina (suuntautuneena tietokonenäköön, koska se on minun erikoisalani): LearnOpenCV.com; TowardsDataScience.com; MachineLearningMastery.com; PyImageSearch.com.
Eggers: Tämä riippuu siitä, miten opit ja mihin haluat keskittyä. Esimerkkejä: Kriittistä on oppia kehittämään teknisiä tuotteita – minun go to -kirjani tähän on Marty Caganin Inspired. Suosittelen myös O’Reillyn tekoälykonferenssia, koska siellä on runsaasti materiaalia, joka kattaa tekniikan, tutkimuksen, liiketoiminnan, etiikan jne. Pääset konferenssin materiaaleihin käsiksi heidän oppimisalustansa kautta. Jos haluat olla enemmän tekoälyn R&D-puolella, sinulla on resursseja, kuten arxiv, jotta pysyt ajan tasalla uusimmasta tutkimuksesta.
Bryson: Jos heillä on erityisiä kysymyksiä, osoitan heidät yleensä tiettyihin blogikirjoituksiin tai papereihin. Tutkimuksen tekeminen on niin helppoa nykyään, kun kaikilla on pääsy Google Scholariin. Vaikka törmäisit maksumuuriin, löydät todennäköisesti, että joku on laittanut PDF-tiedoston verkkoon.
Kun joku pääsee tekoälyn pariin töihin, mitkä ovat etenemismahdollisuudet alkuvaiheessa ja myöhemmin?
Mallick: AI on rakettialus, joka on nousemassa ilmaan. Jopa aloittelevan tason työpaikat ovat mielettömän tuottoisia, ja niistä maksetaan kaksi kertaa enemmän tai enemmän kuin tavallisista ohjelmointitehtävistä. Syynä on valtava kysyntä tekoälylahjakkuuksille ja liian vähän ihmisiä, joilla on oikeaa osaamista. Pitkällä aikavälillä nämä palkkatasot eivät ehkä ole kestäviä, mutta ihmiset, jotka nousevat tähän rakettilaivaan noin viiden seuraavan vuoden aikana, tekevät uskomattoman uran sekä taloudellisesti että työn laadun kannalta.
Eggers: En näe tekoälyn eroavan mistään muusta huipputeknologiasta. Sinulla on mahdollisuus hyppiä yrityksestä toiseen (mikä voi olla hyvä ja huono asia), koska yritykset etsivät aina ihmisiä, joilla on kokemusta. Haasteena on se, että oma yritys saattaa edetä hitaammin kuin haluaisi. Periaatteessa huipputekniikan ja verenvuotavan kärjen välillä on hieno raja.
Miten tekoälyala muuttuu lyhyellä ja pitkällä aikavälillä?
Mallick: Nykyisellä tekoälyn ymmärtämisen tasollamme voimme ratkaista monia ongelmia useilla toimialoilla. Lyhyen aikavälin pelissä on kyse datasta. Organisaatioilla, jotka hankkivat eniten dataa, on aina valtava etu niihin nähden, jotka eivät hanki. Näiden ongelmien ratkaisemiseen ei tarvita tutkijoiden eliittiryhmää – tarvitsemme vain suuren määrän korkealaatuista dataa ja hyviä insinöörejä. Pitkällä aikavälillä tarvitsemme kuitenkin huippututkijoita teknisiä läpimurtoja varten. Tällä hetkellä menestyneimmät tekoälyalgoritmit eivät opi itsestään. Ihmiset opettavat niitä vaivalloisella datan keräämisellä ja merkitsemisellä. Seuraava läpimurto tekoälyn alalla tapahtuu, kun koneet oppivat itse havainnoimalla maailmaa, aivan kuten ihmiset tekevät nykyään.
Eggers: Yritykset suhtautuvat nyt vakavammin siihen, että tekoäly tuottaa tuloksia verrattuna ”testeihin”. Pidemmän aikavälin muutos alalla tulee olemaan tekoälyn aukon laajentuminen – pidempi syvyyskenttä liiketoimintaan.