Väitös: Tekoäly tuo nopeutta epävarmuuden arviointiin (Halonen)

Miksi ja mitä tutkin?

Väitöskirjassani tutkin tekoälyn käyttämistä epävarmuuden kvantifioinnissa. Tekoälyn hyöty verrattuna perinteisiin menetelmiin on laskennan nopeus. Siinä missä perinteisellä menetelmällä ongelman ratkaiseminen kestäisi useita tunteja voi tekoäly tehdä arvion silmänräpäyksessä. 

Epävarmuuden kvantifioinnin tavallinen menetelmä on Monte Carlo -simulointi, jossa ongelma ratkaistaan useita kertoja satunnaisilla lähtöarvoilla, ja tulokset analysoidaan tilastollisesti. Tekoälymalli voidaan kouluttaa tuottamaan nämä tulokset suoraan, ilman tarvetta suorittaa simulaatioita.

Koneoppismallin tuottamisen ensisijainen ongelma on koulutusdatan hankkiminen. Väitöstutkimukseni keskittyi pääasiassa tämän ongelman ratkaisemiseen. Koulutusdataa ei ole suoraan saatavilla, joten se on luotava simuloimalla. Jotta koulutusdatan luomisprosessi ei olisi epärealistisen raskasta, kokeiltiin kolmea eri menetelmää, joiden avulla luominen on tehokkaampaa. 

Ensimmäisessä menetelmässä valittiin koulutusdataa rajoittuneesta joukosta, jossa ongelman ratkaiseminen on nopeaa. Toisessa menetelmässä koulutusdata luotiin takaperin niin, että ensin luotiin ratkaisu ja sitten muodostettiin ongelma, joka johtaa tähän ratkaisuun. Kolmannessa menetelmässä käytettiin madalletun kertaluvun ratkaisijoita, jotka tuottavat likimääräisiä ratkaisuja nopeammin kuin tarkat ratkaisijat.

Mitkä olivat tutkimukseni päätulokset?

Tutkimukseni tulokset osoittivat että tälläisten tekoälymallien kouluttaminen on mahdollista, ja niiden tarkkuus on riittävä nopeaan epävarmuuden arviointiin. Tekoäly tuskin ikinä tulee korvaamaan perinteisiä menetelmiä silloin kun tarkkuus on kriittistä ja laskenta-aika ei ole ongelma, mutta se tarjoaa hyödyllisen vaihtoehdon tilanteissa, joissa perinteisten menetelmien käyttö ei ole ajan tai resurssien vuoksi mahdollista. 

Miten tuloksia voidaan soveltaa?

Yksi esimerkki systeemeistä, joissa reaaliaikainen epävarmuuden kvantifiointi olisi erityisen hyödyllistä, ovat digitaaliset kaksoset. Monet digitaaliset kaksoset käyttävät suuren määrän laskentatehoa pelkästään simuloidakseen järjestelmän yhden tilan, joten epävarmuuden kvantifiointi Monte Carlo -simuloinnilla ei ole realistista. Digitaalinen kaksonen, johon on kytketty reaaliaikaisesti epävarmuutta kvantifioiva tekoälymalli, tarjoaisi paremman ymmärryksen järjestelmän mahdollisista tulevista tiloista.

FM Vilho Halosen laskennallisen tieteen väitöskirjan "Approaches to Data Creation for Machine Learning-Based Uncertainty Quantification" tarkastustilaisuus.

Vastaväittäjänä toimii professori Fred Vermolen (University of Hasselt) ja kustoksena professori Ilkka Pölönen. Väitöstilaisuuden kieli on englanti.

Väitöstilaisuutta voi seurata salissa YK306, Ylistö.