tekoäly

Itsestään liikkuvien autojen lisäksi meriliikenteen nykyistäkin laajempaa automatisointia tutkitaan koko ajan. Esimerkiksi Suomessa autonomista merenkulkua tutkiva Rolls-Royce aikoo saada tällaiset uudenlaiset laivat käyttöön vielä ennen vuosikymmenen loppua.

Nyt Maanmittauslaitoksen Paikkatietokeskus ja Aalto-yliopiston tutkijat yhdessä Fleetrange Oy:n ja Tallinkin kanssa tutkivat yhdessä koneoppimisen ja tekoälyn käyttöä Tallinnan ja Helsingin välillä sahaavalla Megastarilla.

Tutkimuksen tarkoitus on yhdistää eri lähteistä saatua aineistoa, niin kuvaa, ääntä, tutka- ja lasermittauksia, satelliittipaikannusta kuin muiden aluksien sijaintitietoja. Tätä varten Megastarille asennetaan erilaisia antureita, joista saadun aineiston käsittelyssä hyödynnetään tekoälyä ja koneoppimista.

”Yksittäinen anturi ei ole koskaan riittävä antamaan luotettavaa kuvaa turvallisuuden kannalta kriittisistä tekijöistä. Miehistö hyödyntää aina useamman laitteen antamaa päällekkäistä tietoa, jolloin yksittäisen laitteen mahdollisesti antama virheellinen tieto on helposti havaittavissa ja hylättävissä. Autonomisen navigointijärjestelmän tulisi toimia samalla periaatteella”, toteaa tutkimuspäällikkö Sarang Thombre Paikkatietokeskuksesta.

Tavoitteena automaattinen tunnistus

Tavoitteena on erilaisten kohteiden, kuten merimerkkien sekä toisten alusten automaattinen tunnistus ja tarkemman tilannekuvan muodostaminen useiden erilaisten sensorien välittämän aineiston pohjalta.

”Kun tällaista tietoa yhdistetään olemassa olevien navigointisäännösten kanssa, mahdollistetaan aluksen suunnistus mahdollisimman vähäisellä ihmisohjauksella, jopa Itämeren kaltaisilla, vilkkaasti liikennöidyillä vesiväylillä”, Thombre jatkaa.

”Megastarin valinta tutkimusalukseksi oli helppo valinta ja olemmekin erittäin tyytyväisiä saatuamme Tallink Gruppin tuen projektille. Tallink Grupp on uusien innovatiivisten ratkaisujen edelläkävijä ja Megastar on tämän alueen kehittynein ja ympäristöystävällisin alus. Tallinnan ja Helsingin välillä on vilkas kaupallisten ja vapaa-ajan alusten liikenne ja siksi se toimii erittäin hyvin tutkimiemme uusien tekniikoiden testialueena”, sanoo kapteeni Henrik Ramm-Schmidt, Fleetrange Oy:n toimitusjohtaja ja perustaja.

”Viimeaikainen kehitys tekoälyn ja koneoppimisen alalla antaa uusia mahdollisuuksia oppia tunnistamaan ja ennustamaan alusten liikkeitä. Näillä uusilla menetelmillä voidaan saavuttaa ennennäkemätön tarkkuus”, lisää vielä professori Simo Särkkä Aalto-yliopistosta.

*

Juttu on Paikkatietokeskuksen tiedote hieman editoituna.

Mediassa – kuten Tiedetuubissakin – on aika usein juttuja tulevaisuuden miehittämättömistä autoista ja lentolaitteista, mutta itse asiassa eräs kätevimmin automatisoitavista liikennemuodoista olisi meriliikenne.

Laivat seilaavat yleensä varsin monotonisesti samoja reittejään ja etenkin kun nykyisinkin ne jo toimivat varsin automaattisesti satelliittipaikannuksen avustamana, ei askel täysin ilman miehistöä oleviin rahtilaivoihin ole suuri. Matkustaja-aluksilla miehistöä tarvitaan kuitenkin jatkossakin – ainakin matkustajien palveluun.

Norjalaisyhtiö Yara International on ottanut merkittävän askeleen kohti automaattista merenkulkua tilaamalla reitilleen ensimmäisenä täysin robottiohjatun rahtialuksen. Erityisen kiinnostavan aluksesta tekee se, että uusi Yara Birkeland -laiva on myös sähkökäyttöinen.

Se, että laiva toimii sähköllä, voi olla jopa tärkeämpää sen tekemisessä. Laivojen päästöt ovat ovat jopa suurempia kuin lentoliikenteen, sillä vuonna 2007 maailman meriliikenne tuotti 3,2 kaikista hiilidioksidipäästöistä, kun lentoliikenteen osuus oli 2,1%*. Syynä ei ole vain laivaliikenteen määrä, vaan myös se, että alusten moottorit eivät ole yleensä kovin ekologisia, vaan tupruttavat toisinaan jopa epätäydellisesti palaneen dieselin katkua suodattamattomana ilmaan.

Vaikka tämä juttu on kevyt tarina perjantai-iltapäivän iloksi, on takana täysin vakava tutkimus.

GAN, eli generative adversarial networks on hahmontunnistusta ja koneoppimista yhdistävä tekoälyn sovellus, joka on tullut viime aikoina tunnetuksi muun muassa sen käyttämisestä ihmisten kasvojen muuttamisessa videoissa siten, että henkilö näyttää puhuvan jotain aivan muuta kuin puhuu.

Kyse on niin sanotusta ohjaamattomasta oppimisesta, eli siitä, että tekoälyohjelmisto ei tiedä ennalta tietoja, mitä se saa. Se organisoi sille annettua aineistoa, muodostaa siitä erilasia luokkia ja käyttää tietoja hyväkseen.

GANissa on kaksi päällekkäin toimivaa tekoälyalgoritmia, neuroverkkoa, joista yksi tuottaa tuloksia ja toinen koettaa koko ajan haastaa niitä. Näin yhdessä ne tuottavat niin hyvän tuloksen kuin annetusta aineistosta on mahdollista.

Tai siis periaatteessa näin, sillä tutkija Robbie Barrat halusi testata systeemiä alastonkuvien kanssa, ja tulos oli lievästi huvittava.

Tutkimusjohtaja Marko Kestin mukaan kyseessä on maailman ensimmäinen tekoälyavusteinen henkilöstöhallinnon avuksi kehitetty tekoälypohjainen simulaatio, joka analysoi ja neuvoo johtamisessa.

"Simulaatio poikkeaa täysin perinteisestä analytiikasta, koska se on rakennettu pelimuotoon", kertoo Kesti.

Vaikka autonomisista autoista suuria uutisia ei viime aikoina olekaan tullut, ovat lähes kaikki autovalmistajat testaamassa ja tutkimassa erilaisia tekniikoita, joilla autot voisivat ajella itsekseen ilman, että kuljettajan täytyisi puuttua menoon.

Toistaiseksi kuskin pitää olla mukana valmiina ottamaan ohjat tarpeen niin vaatiessa.

On kyse sitten koeajossa olevista tulevia tekniikoita testaavista autoista tai jo liikenteessä olevista Tesloista, täytyy kuljettajan (ainakin lakipykälien mukaan) pitää koko ajan käsiä ohjauspyörällä ja olla valmiina ajamaan.

Fordin tekemissä testeissä tosin on käynyt selvästi ilmi, että vaikka koeajoa valvoja kuljettaja olisi hyvinkin valppaana, ei hän ole kuitenkaan useimmiten valmis ajamaan saman tien. Insinöörit ovat jopa torkahdelleet koeajojen aikana.

Yhtiön mukaan se, että kuljettaja ottaa ohjat autolta, saa aikaan itse asiassa enemmän vaaratilanteita kuin se, että robottiauto ajaisi itsekseen. Niinpä Ford on ehdottamassa, että kun heidän ensimmäiset autonomiset autot tulevat markkinoille (nykysuunnitelman mukaan) vuonna 2021, ei niissä olisi lainkaan rattia tai polkimia.

Autonomisille autoille on olemassa luokittelusysteemi, missä tason nolla autoissa on vain varoituslaitteita, mutta auto ei pysty ajamaan itse itseään.

Tason yksi autot pysyttelevät itse kaistalla sekä voivat esimerkiksi parkkeerata itsensä.

Tasossa kaksi auto ajaa itse itseään koko ajan pitäen samalla etäisyyttä edessä ja takana oleviin autoihin, mutta kuljettaja voi ottaa ohjat koska vain, ja kuljettajan pitää olla koko ajan valmiudessa tekemään niin. 

Tason kolme autoa ajaessa kuljettaja voisi hyvissä olosuhteissa esimerkiksi moottoritiellä keskittyä muihin asioihin kuin ajamiseen, mutta hänen pitää pystyä ajamaan koska vain. Kuski voi siis esimerkiksi lukea, pelata tai katsoa elokuvaa.

Yksi askel kohti automatisoituja diagnooseja on hanke, jossa etsittiin joukkoistaen näppärää algoritmia nivelreuman hoidon tehokkuutta. Yllättäen puhdas, käsitelty kliininen tieto tuotti paremman tuloksen kuin kliinisen ja geneettisen tiedon yhdistelmä.

Nivelreuma on krooninen tulehduksellinen autoimmuunisairaus, josta kärsii miljoonat ihmiset maailmassa. Sitä hoidetaan usein ns. TNF-estäjähoidolla, mutta se ei tehoa noin kolmasosaan potilaista.

Ongelmana on paitsi aluksi diagnosoida reuma hyvin epämääräisten oireiden pohjalta, niin myös todeta potilaat, joihin TNF-hoito ei tehoa.

Yksi tapa näiden potilaiden löytämiseen on matemaattinen: analysoidaan useita kliinisesti ja geneettisesti saatavia indikaattoreita erityisen algoritmin avulla. Tässä puolestaan ongelmana on kehittää tarpeeksi tehokas algoritmi, eli matemaattinen ongelmanratkaisumenetelmä, jolla voitaisiin arvioida TNF-estäjähoidon tehokkuutta.

Tätä varten keksittiin julistaa kilpailu, joka oli itse asiassa laaja joukkoistettu tutkimus. Laajan kansainvälisen tutkijajoukon toteuttama DREAM-challenge oli jo vuonna 2014, mutta sen tulokset julkistettiin nyt kilpailua sponsoroineessa Nature Communications -aikakausijulkaisussa.

Tampereen teknillisen yliopiston Audiotutkimusryhmä on tallentanut jokapäiväisiä ääniä tietokantaa varten Tampereella ja Helsingissä. Ääniä kerättiin kaikenlaisissa tavallisissa ympäristöissä, kuten puistoissa, kaduilla, kodeissa, toimistoissa, kaupoissa sekä ravintoloissa.

Mukana on esimerkiksi ohi ajavien autojen ääniä, kävelevien tai puhuvien ihmisten ääniä, lintujen laulua sekä lasten ääniä.

Tietokanta auttaa kehittämään automaattista äänten tunnistusta, mikä puolestaan auttaa tekemään kuulevia laitteita, kuten kännyköitä, itseohjautuvia autoja ja robotteja.

"Kuulevat laitteet ymmärtävät, mitä niiden kuulemat äänet tarkoittavat, ja osaavat esittää siihen perustuvaa tietoa käyttäjälle", selittää tutkijatohtori Annamaria Mesaros TTY:n signaalinkäsittelyn laitokselta.

"Käyttökohteita voi keksiä laajasti, esimerkiksi kuulovammaisten hälytysjärjestelmät kotiympäristössä sekä vaikkapa melulähteiden tai syrjäisten lintupopulaatioiden monitorointi."

Julkaistu tietokanta on suurin arkisten äänten tietokanta, sillä siinä on miltei kymmenen tuntia ääntä. Tietokanta on avoin kaikille tutkijoille, jotka haluavat käyttää sitä työssään.

"Tietokanta tulee olemaan tärkeä tutkimusyhteisölle", jatkaa Mesaros. 

"Näin suurta kokoelmaa ei ole aiemmin ollut saatavilla, sillä aineiston kerääminen ja nimikoiminen vaativat paljon aikaa ja työtä."

"Osa tietokannan äänityksistä on annotoitu eli nimikoitu erityisen tarkasti niin, että yksittäiset äänilähteet sekä niiden tapahtumahetket äänitteistä on tunnistettu Tämän tyyppiset yksityiskohtaiset annotaatiot mahdollistavat tarkkojen automaattisten tunnistusmetodien kehityksen."

Käynnissä kansainvälinen kilpailu

Tietokannan julkaisun myötä TTY tukee datan avointa saatavuutta ja edistää yhteistyötä muiden alalla tutkimusta tekevien instituutioiden kanssa.

Audiotutkimusryhmä järjestää lisäksi kansainvälisen kilpailun, jolla se tukee alan huipputekniikan kehitystä ja uusia innovaatioita. Kilpailuun liittyvä työpaja järjestetään Budapestissä syyskuun alussa. Kilpailu ja työpaja järjestetään yhteistyössä brittiläisten Queen Mary University of Londonin ja University of Surreyn sekä ranskalaisen Institut de Recherche en Communications et Cybernétique de Nantes -instituutin kanssa.

Parhaan äänten tunnistusmenetelmän palkinnosta kilpailee yli 150 osallistujaa 79 kansainvälisestä yliopistosta ja yrityksestä.

"Jännittävää nähdä, millaisia tunnistusmenetelmiä keräämämme tietokanta on poikinut", Mesaros toteaa.

Artikkeli perustuu Tampereen teknillisen yliopiston tiedotteeseen.