Tekoäly auttaa tutkijaa tekemään seuraavan läpimurron

Tekoäly auttaa tutkijaa tekemään seuraavan läpimurron

Hapanjuurileipää leipoessa voi löytää itsensä yllättäen tieteellisen prosessin ääreltä.

Hapanjuuri kasvaa jääkaapissa vuosikausia. Jokainen hapanjuuri käyttäytyy omalla tavallaan. Tavalliseen leipomiseen löytyy valmiita reseptejä, hapanjuuren kanssa valmis ohje ei riitä. Tarvitaan harjoitteluvaihe, jossa kokeillaan miten juuri reagoi. Jos leivästä tulee kivikova, on syytä muuttaa jauhojen määrää seuraavalla kerralla. Ja niin edelleen.

Näin koneoppimisen professori havainnollistaa tieteellistä prosessia, sillä samanlainen kokeilun kierre toistuu laboratoriossa. Tehdään koe, havainnoidaan tulos ja valitaan seuraava yritys opitun pohjalta. Tähän Klami haluaa tuoda oppivan mallin avuksi: tekoälyn, joka auttaa hahmottamaan sitä, mitä kokeita kannattaa tehdä ja mitä jättää tekemättä.

Vähemmän kokeita, vapautunutta aikaa

Tutkijaa avustavan tekoälymallin tavoitteena on tehostaa tieteellistä prosessia ja yritysten tuotekehitystä. Käytännön sovellutuksia on saatu jo lääkekehityksessä ja teknologiassa, esimerkiksi piikiekkojen valmistuksessa.

- Kemisti tietää yleensä, että suurin piirtein näin haluttu reaktio tulisi saada toimimaan. On joukko vaihtoehtoisia liuottimia ja lähdetään kokeilemaan, millaisella yhdistelmällä haluttu reaktio saadaan aikaan. Tehdään passiivinen koesuunnitelma, ja kokeillaan kaikki vaihtoehdot läpi.
Klami haluaisi tietää, miten tämä tehdään tehokkaammin.

Hyöty syntyy kokeiden vähenemisestä ja siten ajan säästämisestä. Kun malli päättelee jo tehdyistä kokeista, mitä kannattaa kokeilla seuraavaksi, turhat kokeet voidaan jättää tekemättä.

- Jos vanhassa prosessissa tehtiin sata koetta ja nyt riittää 75, neljännes ajasta ja rahasta säästyy.

Säästö voi olla huomattava. Yksittäinen kemiallinen koe voi viedä kemistiltä tunteja ja joillain aloilla yhden kokeen hinta voi nousta kymmeniin tuhansiin euroihin. Silloin muutaman kokeen karsiminen voi tarkoittaa kymmenientuhansien eurojen säästöä.

Aika ja raha eivät kuitenkaan ole ainoa hyöty. Kun työ tehostuu, tutkijalle jää mahdollisuus tarkastella asioita, joihin ei aiemmin ollut varaa tarttua.

- En menisi niin pitkälle, että tekoäly tekisi tieteellisiä löytöjä, joita ihminen ei olisi osannut tehdä. Kyse on siitä, että meillä ei ole ollut resursseja. Kun työtä tehostetaan, uudenlaiset asiat muuttuvat mahdollisiksi, Klami sanoo.

Miten käy tieteen sattumien?

Vuonna 1928 eräs Alexander Fleming palasi kesälomaltaan St Mary's -sairaalan laboratorioon. Avoimeksi jääneeseen petrimaljaan oli kasvanut kesän aikana hometta. Penicillium-nimistä hometta, jonka ympäriltä bakteerikasvusto oli tuhoutunut.

Moni tieteellinen läpimurto, kuten penisilliinin löytäminen, on tapahtunut vahingossa. Klami ei usko, että tutkimuksen systematisointi tekoälyn avulla vähentää mahdollisuutta sattumalta tehtäviin löytöihin, päinvastoin.

- Kun mallia opetetaan koko ajan paremmaksi, poikkeuksellinen tulos ei jää huomaamatta. Riittävän hyvä malli nostaa yllättävän havainnon esiin, ja ihminen pääsee pohtimaan, mistä se johtuu.

Penisilliinin tapauksessa tarvittiin skotlantilainen tutkija, joka sattui katsomaan petrimaljaansa oikealla hetkellä. Tekoäly voisi tehdä saman nostamalla esiin sen, mikä näyttää poikkeukselliselta.

Myös kielimallien taipumus tuottaa hallusinaatioita, sepitteellisiä vastauksia, voi kääntyä hyödyksi.

- Innovaatiotyössä villien ideoiden ehdottaminen on välttämätöntä.

Tekoäly on työkalu

Miltä tutkimustyö näyttää 10 tai 20 vuoden päästä? Tutkimuksen ydin ei muutu: tutkijat haluavat ymmärtää maailmaa aina paremmin. Työkalut sen sijaan vaihtuvat, kuten ne ovat vaihtuneet tähänkin asti: kirjoituskoneista tietokoneisiin ja laskennallisiin menetelmiin.

Klami katsoo, että tekoäly on yksi työkalu muiden joukossa. Tekoälyagentit voivat hoitaa rutiineja, kuten vertailukokeiden ajamista ja tulosten raportointia. Näin tutkijalle vapautuu aikaa asioihin, jotka aiemmin jäivät tekemättä.

Klami itse on liikkunut urallaan tieteenalojen rajapinnoilla. Työn ytimessä on aina ollut tekoälymenetelmien kehitys, mutta jo väitöskirjansa aikana hän tarkasteli systeemibiologian sovelluksia. Sittemmin Klami on työskennellyt muun muassa laskennallisen neurotieteen, ihmisten käyttäytymisen ja fysiikan sovellusten parissa.

Tarkoitus ei olekaan keskittyä yhteen tieteenalaan. Klami toivoo kehitettävien menetelmien hyödyttävän tutkijoita tieteenalasta riippumatta, niin luonnon- kuin ihmistieteissäkin.

- Kiva, jos pystyisin auttamaan tällä tavalla ihmiskuntaa yleisesti.

- Jos malli auttaa löytämään parannuksen leukemiaan tai ratkaisemaan ilmastonmuutokseen liittyvät ongelmat, on tuskin mahdollista osoittaa mikä osuuteni olisi. Jos minusta itsestäni tuntuu, että teen jotain hyödyllistä, se riittää minulle.