Tekoälyn sanasto elää vauhdilla, ja siksi peruskäsitteet vaativat avaamista

Tekoälyn nopea kehitys on synnyttänyt kokonaisen uuden sanaston, jossa vilisevät muun muassa AGI, LLM, RAG ja RLHF. Termit kuvaavat sekä järjestelmien teknisiä rakenteita että tapoja, joilla niitä koulutetaan, ohjataan ja liitetään muihin ohjelmistoihin. Käsitteiden merkitys ei kuitenkaan ole aina yksiselitteinen, ja osa niistä muuttuu sitä mukaa, kun ala kehittyy.

AGI on tunnettu mutta liukuva käsite

Yksi tekoälykeskustelun näkyvimmistä käsitteistä on AGI eli yleistekoäly. Sillä tarkoitetaan tavallisesti tekoälyä, joka olisi monissa tai useimmissa tehtävissä keskimääräistä ihmistä kyvykkäämpi. Tarkkaa rajaa ei kuitenkaan ole, ja eri toimijat määrittelevät käsitteen hieman eri tavoin.

OpenAI:n toimitusjohtaja Sam Altman on kuvannut AGI:tä järjestelmäksi, joka vastaisi palkattavaa keskivertoihmistä työtoverina. OpenAI:n omassa peruskirjassa AGI määritellään hyvin itsenäisiksi järjestelmiksi, jotka suoriutuvat ihmistä paremmin useimmista taloudellisesti arvokkaista töistä. Google DeepMind taas painottaa määritelmässään ihmisen tasoista tai sitä vastaavaa kyvykkyyttä useimmissa kognitiivisissa tehtävissä.

Erot eivät ole pelkkää sanamuotoilua. Ne kertovat siitä, että alalla ei ole täysin yhtenäistä käsitystä siitä, missä vaiheessa tekoälystä tulisi yleiskäyttöinen järjestelmä eikä vain tiettyihin tehtäviin rakennettu työkalu.

Lyhenteet kuvaavat myös käytännön työtä

Tekoälykeskustelussa vastaan tulevat lyhenteet eivät rajoitu tulevaisuuden visioihin. LLM viittaa suuriin kielimalleihin, joiden varaan monet nykyiset tekoälypalvelut rakentuvat. RAG ja RLHF puolestaan liittyvät menetelmiin, joilla järjestelmien vastauksia voidaan tukea ulkoisella tiedolla tai muokata ihmispalautteen avulla.

Myös ohjelmointirajapinnat ovat nousseet aiempaa tärkeämpään asemaan. API-päätepisteitä voi ajatella ohjelmiston taustalla olevina toimintoina, joita muut ohjelmat voivat kutsua. Niiden avulla sovellus voi esimerkiksi hakea tietoa toisesta palvelusta tai antaa tekoälyagentille mahdollisuuden käyttää ulkopuolisia palveluja ilman, että ihminen tekee jokaisen vaiheen itse.

Kun tekoälyagentit kehittyvät, niiden kyky löytää ja käyttää tällaisia rajapintoja voi lisätä automaation mahdollisuuksia. Samalla se tekee käsitteiden ymmärtämisestä entistä tärkeämpää myös niille, jotka eivät itse rakenna tekoälyjärjestelmiä mutta käyttävät niitä työssä tai arjessa.