Tekoäly ei ratkaise kaikkea, mutta paljon, jos se tehdään oikein
Tekoäly on tekniikka, joka on erittäin kuuma useimmilla siviiliteknologian aloilla, ja se on tullut jäädäkseen. Tekoäly on erinomainen työkalu työkalupakissa tietyntyyppisten ongelmien ratkaisemiseen, vaikka se ei ehkä olekaan yleinen ratkaisu kaikkiin teknisiin ongelmiin, kuten joskus markkinoidaan, usein niiden toimesta, jotka myyvät palvelua. Kattava tekoäly toimii hyvin, kun tuloksen sallitaan olla hieman epätarkka ja kun tarkkuus, toistettavuus ja taustalla olevien tekijöiden ymmärtäminen eivät ole ensisijaisia vaatimuksia.
Avioniqilla meillä on ollut jo vuosien ajan eräänlainen tekoälyvariantti monimutkaiseen ja herkkään sotilaalliseen ympäristöön, jossa ihmisen on oltava "silmukassa" ja ymmärrettävä, mitä tapahtuu, koska kyse on usein ihmishengistä ja vaikeista valinnoista eri vaihtoehtojen välillä. Selvitetään kuitenkin ensin, miksi tekoäly voi olla ongelma ja miksi kattavia siviilipuolen tekoälyratkaisuja ei voi suoraan kopioida.
Viime aikoina eniten kiinnostusta ja ihailua herättänyt tekoälytyyppi on generatiivinen tekoäly. ChatGPT sekä kuva- ja videopalvelut, jotka houkuttelevasti vyöryttävät meille yhden fantastisen ratkaisun toisensa jälkeen, ovat tätä tyyppiä. Generatiivinen tekoäly tarkoittaa lyhyesti sitä, että syötetään dataa, esimerkiksi tekstimuotoinen kysymys, äänitiedosto, kuva tai ohjusparametrit, ja saadaan takaisin vastaus datana, kuten tekstinä, äänenä, kuvana tai sarjana ilmataisteluliikkeitä.
Generatiiviselle tekoälylle on ominaista, että syöte- ja tulosyhdistelmien määrä on lähes ääretön. Kun kuva luodaan tekstistä, tulos on erilainen joka kerta, vaikka kuva onkin aina vastaus tekstiin. Siksi on vaikea varmistaa, onko tulos oikea tai edes hyvä, koska näille tekoälyille on harvoin olemassa mallivastausta siitä, mikä on todella oikea vastaus.
Jotta voidaan tietää, onko generatiivisen tekoälyn tuottama vastaus hyvä, alan asiantuntijan on arvioitava se, mikä on erittäin resurssivievää. ChatGPT:n tapauksessa käytetään suurta määrää ihmisiä, jotka toimivat tavallisen tekstin alan asiantuntijoina arvioimaan vastauksen laatua. Lisäksi koulutetaan erityisiä tekoälyjä, jotka arvioivat muiden tekoälyjen vastausten laatua näiden ihmisten vastausten perusteella.
Ilmataistelun kaltaisissa tekoälysovelluksissa epäselvyys siitä, mikä on hyvä, ja se, että vastaus voi vaihdella joka kerta, on ongelma, koska lentäjät ovat jo ennestään niukkuushyödyke eikä heitä priorisoida tekoälykoulutuksen alan asiantuntijoiksi.
Tekoälyyn erikoistuneet yritykset myyvät sitä usein ikään kuin tekoäly olisi ratkaisu koko ongelmaan, mistä johtuu ilmaisu "kattava". Kun tekoäly tuottaa vastauksia kysymyksiin, joissa koko ongelmakenttä sisältyy itse kysymykseen, kuten ChatGPT:n ja kuva- sekä äänigeneroinnin tapauksessa, tekoälyasiantuntijat voivat erinomaisesti ratkaista koko ongelman pelkästään arvioimalla, onko vastaus enemmän tai vähemmän oikea suhteessa kysymykseen. Mutta kun ratkaisu on osa laajempaa kokonaisuutta, jossa kysymyksessä on implisiittistä tietoa, jota ei ole syötteenä, jossa rajanveto tekoälyn toimittaman sisällön suhteen on vaikeampaa ja jossa tietyt tiedot ja edellytykset ovat muissa järjestelmissä, tilanne muuttuu monimutkaisemmaksi.
Yhteenvetona olemme nähneet, kuinka tekoäly voi olla tehokas työkalu, mutta sen soveltaminen sotilastekniikassa ei ole ilman merkittäviä haasteita. Kattavat tekoälyratkaisut, jotka toimivat hyvin siviiliyhteyksissä, on usein vaikea siirtää suoraan sotilaalliseen kontekstiin, jossa tarkkuus- ja turvallisuusvaatimukset ovat korkeammat. Mitä tämä tarkoittaa käytännössä ilmataistelun tekoälyn kehittämisen kannalta? Seuraavassa osassa tutkimme, kuinka näihin haasteisiin voidaan vastata konkreettisten esimerkkien ja strategioiden avulla tekoälyn roolin optimoimiseksi sotilaallisella areenalla.