Digitaalinen valokuva taltioi kustannustehokkaasti kulttuuria

Tomi H. TominBlogi

Digitaalisessa kamerassa on matriisikenno, johon taltioituu kuvatessa valohiukkasia. Tällaisesta prosessista muodostuu digitaalinen tiedosto, jota voidaan jatkotyöstää tietokoneella. Digitaalisuuden myötä valokuvauksen prosessit ovat pelkistyneet ja arkipäiväistyneet.

Internet on tällä hetkellä eniten käytetty jakelukanava digivalokuville. Koko ajan tulee tarjolle uusia ja päivitettyjä sovelluksia digikuvien käsittelyyn ja julkaisemiseen. Tekoäly alkaa olemaan jo arkipäiväinen ominaisuus valokuvauksessa. Esimerkiksi valvontakamerajärjestelmät osaavat hyödyntää kasvojentunnistusta.

Digitaalinen kamera osaa korjata kuvaa vähentämällä kuvan epäterävyyttä tai automaattisesti osaa myös tarkentaa henkilöiden kasvoja kuvattaessa. Valokuvien muokkauksesta on tullut arkipäiväisempää. Digivalokuvien käsittelyyn sopivia kuvankäsittelyohjelmia on saatavilla jopa ilmaisversioina. Taitavalla kuvankäsittelyllä voidaan tehokkaasti käsitellä kuvia ja saada kuvasta muokattua aivan huikean hienoja tuotoksia sosiaaliseen mediaan.

Lähteet:
Digitaalinen valokuva

Syväoppimisen oppii vain koodaamalla tekoälyä

Tomi H. TominBlogi

Algoritmeihin perustuu aikapitkälti neuroverkko. Puolestaan neuroverkolla voidaan pyrkiä ratkomaan sille annettuja ongelmia. Nimenomaan syväoppiminen sopii hyvin tavallista monimutkaisempien ongelmien ratkomiseen. Syväoppimista voidaan hyödyntää tekstien, kuvien ja videoitten käsittelyssä ja tunnistamisessa. (Syväoppiminen)

Nykyään tekoäly on viellä suhteellisen heikkoa, mutta tulevaisuudessa mahdollisesti syväoppimisen kautta tekoälystä voi muodostua superälykästä. Älykkäämpi tekoäly muodostuu nimenomaan ohjelmistojen kautta. Esimerkiksi ohjelmistojen optimointi ja niiden toimintojen parantaminen edes auttavat tekoälyn kehitystä.

Tekoäly ja siihen liitetty syväoppimisen työsuoritus voi olla huomattavasti tehokkaampi, kun verrataan ihmisen työsuoritteeseen. Toisaalta on ennustettu, että tekoälyn kehitys lisää esimerkiksi terveydenhuolon työpaikkoja. Syväoppiminen lisää myös turvallisuutta, koska sen avulla voidaan tunnistaa vaaratilanteita tutkimalla automaattisesti valvontakameroiden kuvadataa.

Tulevaisuudessa syväoppiminen voi jopa auttaa yhteiskuntia ennakoimaan ja sitä kautta ratkomaan erilaisia konfliktitilanteita. Myös avaruuden tutkimuksessa syväoppiminen voi auttaa tekemään uusia havaintoja ja analysoimaan avaruuden signaaleja. Syväoppiminen mahdollistaa tekoälylle itsenäisen päätöksen teon kiperissä tilanteissa, mikäli tällainen toiminto on ohjelmoitu tekoälyyn.

Lähteet:
Syväoppiminen
Tekoälyn käyttö -Theseus (Tuomas Lahti)

Tekoälystä ohjattuun koneoppimiseen

Tomi H. TominBlogi

Koneoppiminen voidaan ymmärtää tekoälyn osa-alueena. Sopivia algoritmeja ei välttämättä ole edes koodattu koneoppimisympäristoon. Näin ollen koneoppimisympäristö voi oppia päätymään itsenäisesti tiettyyn lopputulokseen prosessin aikana. Tiedon määrän kasvattamisella voidaan saavuttaa yhä tehokkaampaa koneoppimista.

Koneoppiminen on saanut paljon vaikutteita tilastotieteistä, koska tietoa analysoidaan aineiston pohjalta. Puolestaan hyvin tehokkaat koneoppimisympäristöt mahdollistavat yhä tehokkaampien likimääräisten päättelyalgoritmien kehittymisen. Syväoppiminen voidaan liittää neuroverkkoihin, jolloin tavallaan karkeasti jäljitellään aivojen tapaa oppia asioita.

Koneoppiminen lähtee useasti liikkeelle ohjaamattomasta oppimisesta. Näin dataan aletaan soveltamaan sopivia algoritmeja ja analysointimenetelmiä. Prosessin edetessä voidaan alkaa jossakin vaiheessa siirtymään ohjattuun oppmiseen. Malleja voidaan myös pyrkiä vahvistamaan tulosten perusteella ja sellaista oppimista voidaan kutsua vahvistusoppimiseksi.

Koneoppimiseen liittyy tilasto- ja tekoälytiede sekä informaatio- ja optimointiteoriat. Koneoppiminen mahdollistaa sellaisten ongelmien ratkaisemista, joihin ei riitä ihmisen älykkyys. Esimerkiksi hakukoneyhtiöiden hakukoneet ovat oppineet tarjoamaan kuluttajille mahdollisimman oikeita ja osuvia hakutuloksia. Kyseessä on erittäin mielenkiintoinen osa-alue, jolla näkisin olevan yhä suurempi painoarvo tulevaisuudessa.

Lähteet

Koneoppiminen