Easy-to-use and reliable home tests free doctors from routine consultation

I bet you didn’t know that before the invention of a modern chemical pregnancy test an African clawed frog was used. Poor frog was injected with the woman’s urine and if it started to emit spawn, the woman was declared pregnant. Since the invention of the chemical test in 1960s frogs have been left alone. First home tests were introduced in the 1970s. Home test is a significant innovation which enabled to reduce the number of expensive and time-consuming doctor visits.

Similar rapid tests can be used to measure other things as well. Technology starts to be mature enough to apply them in several domains. Good example is a saliva-based test which can be used to determine whether someone who has earlier consumed alcohol is in a condition to drive a car or not. Another example is to detect a bacterial infection from a blood sample.

VTT’s test and antibody development enables us to tailor tests for several topics. One potential application area is for example measuring vitamin D. Tests are also applied in environmental measuring. VTT, University of Turku, and Salofa have jointly developed a blue-green algae test. Salofa is commercializing this ten minute algae test and taking it abroad.

Refining tests into commercial products presupposes both cost-effective production and reliability from the product. VTT’s know-how in printing, chemistry, medicine, measurement, and communications technologies enables developing applications like this. VTT works in a user-centric way. Applications can be developed into almost ready products. After this companies can bring the commercialization further.

In addition to suitable price level and reliable functioning, a test application should be as easy to use as possible. Only this way it can have a shot to making it mainstream. This requires not only careful usability design, but also taking a holistic view and aiming to complete services. It makes sense to build a complete ecosystem around e.g. measuring blood samples. It should be possible to upload the results into a cloud service and even get consultation from a doctor or a nurse.

An inflammation measuring device connected to a mobile application released in 2017 was a step towards a complete service. Using this device elderly people can monitor themselves and contact healthcare professionals if needed. A potential next area could be wearables. An overweight person could diminish the risk of getting a cardiovascular disease if his/her vital signs were monitored and needed actions taken as early as possible.

When talking about future healthcare, digitalization is typically the proposed solution. Often things like telecommunications, mobile services, and doctor chats are in the core of the discussions. However, alone these are not enough; low-priced, reliable, and diverse sensors & measuring devices should also be available to consumers.

The modern pregnancy test reduced the number of doctor visits. Diverse and cheap instant tests can multiply this phenomenon. As the amount of routine consultation diminishes, doctors’ time can be allocated to more appropriate activities. This, in turn, can make the whole society healthier. An ambitious goal but in the light of current knowledge perfectly realistic!

leenahakalahti.jpg
Leena Hakalahti
Research Team Leader
leena.hakalahti(a)vtt.fi

Helppokäyttöiset ja luotettavat kotitestit vapauttavat lääkärit rutiinikonsultaatiosta

Tiesitkö, että ennen kemiallisten raskaustestien keksimistä raskauden todentamiseen käytettiin afrikankynsisammakkoa? Sammakkoparkaan ruiskutettiin naisen virtsaa, ja jos sammakko alkoi laskea kutua, todettiin naisen olevan raskaana. 1960-luvulla kemiallisten testien kehittämisen myötä sammakot saivat jäädä rauhaan. Ensimmäiset kotikäyttöiset raskaustestit kehiteltiin 1970-luvulla. Kotitestit olivat merkittävä innovaatio, joiden avulla pystyttiin vähentämään aikaa ja rahaa kuluttavia lääkärikäyntejä.

Raskaustestien kaltaisilla pikatesteillä voidaan todeta useita muitakin asioita. Teknologia alkaa olla kypsä monille eri sovellusalueille. Esimerkkeinä mainittakoon testiliuska, jonka avulla alkoholia nauttinut voi todeta ajokuntonsa yksinkertaisesti syljestä, tai pikatesti, jolla voidaan todeta elimistössä jylläävä bakteeritulehdus verinäytteestä.

VTT:n testi- ja vasta-ainekehityksen ansiosta testejä voidaan räätälöidä moniin erilaisiin sovelluksiin. D-vitamiinipitoisuuden mittaaminen on yksi potentiaalinen sovelluskohde. Testejä kehitetään myös ympäristömittauksia varten. VTT:n, Turun yliopiston ja Salofan kehittämän sinilevämittaamisen kaupallistaminen on jo pitkällä. Salofa vie kymmenen minuutin sinilevätestiä maailmalle.

Testien jalostaminen tuotteiksi edellyttää sekä kustannustehokasta tuotantoa että sovelluksen luotettavaa toimintaa. VTT:n osaaminen painotekniikoissa, kemiassa, lääketieteessä, mittausteknologiassa ja tietoliikenteen soveltamisessa mahdollistaa tällaisten sovellusten kehittämisen. VTT:n toimintatapa on asiakaslähtöinen. Sen avulla voidaan kehittää sovelluksia lähes valmiiksi tuotteiksi asti. Tämän jälkeen yritykset voivat jatkaa kaupallistamista.

Sopivan hinnan ja luotettavan toiminnan lisäksi testisovelluksen tulee olla mahdollisimman helppokäyttöinen, jotta se leviäisi laajoille massoille. Tämä edellyttää paitsi huolellista käyttöliittymäsuunnittelua, myös panostamista kokonaispalveluihin. Esimerkiksi verinäytemittausten ympärille kannattaa kehittää ekosysteemi, jonka avulla tuloksia voi tarvittaessa ladata pilvipalveluun ja jopa saada lääkärin tai sairaanhoitajan konsultaatiota.

Vuonna 2017 julkistettu tulehdusarvomittari ja siihen liittyvä mobiilisovellus ovat askel kokonaispalvelun suuntaan. Sen avulla esimerkiksi ikäihmiset voivat tarkkailla itseään ja olla tarvittaessa yhteydessä terveydenhuollon ammattilaisiin. Seuraavana tutkimuskohteena voisi olla vaikkapa puettavien antureiden (engl. wearables) soveltaminen terveyden tarkkailuun. Ylipainoisen riskiä sairastua sydän- ja verisuonitauteihin voitaisiin madaltaa seuraamalla hänen elintoimintojaan kotona ja reagoimalla mahdollisimman varhaisessa vaiheessa.

Tulevaisuuden terveydenhuollosta puhuttaessa ratkaisuksi tarjotaan digitalisointia. Usein keskustelun keskiössä ovat tiedonsiirtoteknologiat, mobiilipalvelut, lääkäri-chatit ja vastaavat. Ne eivät kuitenkaan yksistään riitä; tarpeeksi edullisia, luotettavia ja monipuolisia sensoreita ja mittauslaitteita pitäisi myös olla tarjolla.

Jos raskaustesti vähensi lääkärikäyntien määrää, erilaiset edulliset pikatestit voivat moninkertaistaa tämän ilmiön. Rutiinikonsultaation poistuessa lääkärien aika vapautuu olennaisempaan työhön ja edistää kansalaisten terveyttä. Varsin kunnianhimoinen tavoite, mutta nykytiedon valossa täysin realistinen!
leenahakalahti.jpg
Leena Hakalahti
Research Team Leader
leena.hakalahti(a)vtt.fi

MIDAS – datalla ja systeemisellä mallinnuksella parempia hyvinvointipäätöksiä

Hajanainen tieto tuottaa osaoptimoituja ratkaisuja eikä auta tulevaisuuden suunnittelua. Systeemisellä lähestymistavalla päästään kokonaisnäkemykseen ja voidaan suunnitella ennakoivia toimia.

EU-rahoitteisen kansainvälisen MIDAS-hankkeen (Meaningful Integration of Data Analytics and Services) tähtäimessä on kehittää big datan hyödyntämistä terveyteen ja hyvinvointiin liittyvässä, näyttöön perustuvassa poliittisessa päätöksenteossa. Yhdistämällä ja hyödyntämällä eri datalähteitä voidaan tarjota päätöksentekijöille työkaluja, joilla tehdä perusteltuja päätöksiä.

Yksi projektin viidestä pilotista toteutetaan Suomessa, jossa yhteistyötä hankkeen parissa tekevät Teknologian tutkimuskeskus VTT, Oulun yliopisto sekä Terveyden ja hyvinvoinnin laitos. Käyttäjänäkökulmaa tarjoavat Oulun kaupunki ja sosiaali- ja terveysministeriö.

Erityisenä tarkastelun kohteena projektilla on Oulun nuorten hyvinvointi. Tätä taustaa vasten kehitetään tarvittavaa datan yhdistämisen ja visualisoinnin alustaa vastaamaan virkamiesten ja poliittisten päätöstentekijöiden tarpeisiin. Palvelualustan ja sen mahdollistamien tukijärjestelmien avulla päätöksentekijät voivat tarkastella ja ennakoida yhteiskunnallisen hyvinvoinnin ja terveydentilan kehitystä lyhyellä ja pitkällä aikavälillä.

Rajallisella datalla vain rajallisia näkemyksiä

Nykyisellään päätökset perustuvat usein yhdeltä alueelta kerättyyn tietoon ja rajoittuneisiin, erillisiin tavoitteisiin. Eri vastuualueiden välinen koordinointi voi olla hyvinkin vähäistä ja yhteistyö jopa pysähtyä kilpailuun rajallisista resursseista.

Käytetty data on pääosin teknistaloudellista eli liittyy tarjottujen palveluiden resursointiin ja käyttöön. Muut vaikuttavat tekijät ja toisaalta tarjottujen palvelujen vaikuttavuus jäävät usein huomiotta. Kokonaisnäkemys hukkuu herkästi eri osien ja ongelmien toisistaan irrallisen tarkastelun alle.

Tärkeää olisi tarkastella teknistaloudellisten vaikutusten lisäksi vaikuttavuuden eri ulottuvuuksia. Arvioinnin tulisi tapahtua myös sosiaalisesta näkökulmasta, jossa otetaan huomioon vaikutukset muun muassa kansalaisille ja yhteiskunnalle. Siksi datan visualisoinnin ja kvantitatiivisen analysoinnin rinnalle kehitetään nyt tapoja ottaa huomioon myös asiantuntijoiden ja päätöksentekijöiden kvalitatiivinen kokemus ja näkemys.

Yksityiskohdista kokonaisuuteen

Projektissa lähdetään aiemmasta poiketen ryhmämallinnuksen keinoin asiantuntijoiden näkemyksestä. Tavoitteena on vastaus kysymykseen, mikä on se kokonaisuus – palvelujärjestelmä yhdessä yhteiskuntajärjestelmän kanssa – jonka kanssa ollaan tekemisissä ja jota tulisi voida ohjata. Tämän kokonaiskuvan pohjalta muodostetaan näkemys tarvittavasta datasta. Päätöksentekijätahosta riippuen data voi olla hyvinkin erilaisessa muodossa ja sijaita hajallaan eri järjestelmissä. Systeemidynamiikan keinoin yhdistetään dataa ja asiantuntijanäkemyksiä pyrkien näin irti menneisyydessä tapahtuneen tarkastelusta ja siirtymään päätösten suunnitteluun tulevaisuusennusteiden pohjalta.

Systeemidynamiikka on insinööritieteisiin perustuva lähestymistapa, jossa käytetään mallinnusta ja simulointia teknis-taloudellis-sosiaalis-ekologisten järjestelmien tarkasteluun. Sen erityisenä pyrkimyksenä on nähdä osien muodostamien kokonaisuuksien rakenne ja ymmärtää sitä kautta kyseisen kokonaisuuden käytöstä.

Systeemidynamiikka pyrkii melko korkealla abstraktiotasolla näkemään ”puiden muodostaman ekologisen kokonaisuuden yksittäisten puiden solurakenteen sijaan”. Näin ollen se on omiaan useiden toimijoiden ja sidosryhmien muodostamien teknis-sosiaalisten järjestelmien tarkasteluun.

Kun mallinnus tehdään ryhmämallinnuksen keinoin, osallistuville tahoille tarjoutuu mahdollisuus myös käydä keskustelua neutraalilla maaperällä, jossa fokuksessa on kokonaisuuden rakenne ja toimijoiden välisten riippuvuuksien kartoitus. Tämä helpottaa perustellun yhteisen sävelen löytämistä resursseista taistelun sijaan.

 

Minna Pikkarainen
Research Professori, Connected Health
minna.pikkarainen(a)vtt.fi
@MinPikkarainen

Jukka Ranta
Research Scientist, VTT
jukka.ranta(a)vtt.fi

Peter Ylén
Principal Scientist, VTT
peter.ylen(a)vtt.fi

MIDAS-hanketta koordinoi Ulsterin yliopisto ja Suomen lisäksi osallistujia on Espanjasta, Belgiasta, Englannista, Irlannista, Sloveniasta ja USA:sta. Suomen pilotissa kehitettävä järjestelmä tukee nuorten mielenterveyden riskitekijöihin liittyvien palveluiden kohdentamista ja resursointiin liittyvää päätöksentekoa.

 

Lisää aiheesta VTT:n tiedotteessa.

 

Will machines take our work? – Part 3: People as models for machines

How do artificial and human intelligence differ? Why does research of the subconscious matter when dividing work between robots and humans? Should VTT build autonomous super AI?

Rick Deckard, the main character in the film, Bladerunner, kills replicants – machines that resemble humans – for a living. However, by the end of the film, Deckard, who is played by Harrison Ford, falls in love with a replicant. Deckard’s ambivalence towards replicants reflects the current debate about artificial intelligence. Some predict huge changes and see super AI plotting to take control, in a very human manner. Others are  more unconvinced: ‘Replicants are like any other machine,’ said Deckard as well, before he changed his mind. Machines modelled on people is therefore a classic science fiction idea. I want to enter the debate by comparing human and artificial intelligence. I discuss the argument that it is difficult to copy human intelligence in machines, because our intelligence cannot be separated from its environment. In addition, I would claim that analysis of human activity would be useful when remodelling working life.

Human intelligence

Conscious language-based thinking (inner conversations) is just the tip of the human intelligence iceberg. When an expert is asked how they managed to solve a problem or conflicting situation, they often answer that they ‘just knew’. Human expertise is a combination of schooling and book learning, personal conscious thinking, and something based on learning by doing. A knack and feeling for something, an expert eye and ear, and vision are popular ways of describing the tacit knowledge and ‘feel’ we have for performing various tasks. A person works intuitively and adaptively, selectively using millions or perhaps billions of sensory cells, depending on the situation.

It could be argued that intelligence and knowledge are located in the connections between the brain and countless sensory cells and nerves, rather than simply in the brain. Experimental psychology has shown that, in many respects, human activity and decision-making are directly connected to the environment. Action does not therefore require conscious thinking. The idea that our thought processes are embedded in our experienced environment is logical, since cerebral intelligence is connected to the sensory cells, which are themselves in direct contact with the environment.

In addition to having bodily intelligence, people are able to interpret and learn meanings. We excel at this in comparison to other species, due to the way in which our ancestors gathered food. Over short distances, humans are often outpaced by their prey, but we can jog for extremely long distances. Game therefore had to be followed over a very long journey. This was done by following tracks. We interpreted signs imprinted in the environment in order to survive – reading is species-typical behaviour for us. Now also people read continuously; some read their mobile phones, while others read newspapers. Because our senses are relatively dull, we cannot identify poisonous plants and fungi from the edibles just by smell, but by learning to distinguish the good from the bad. That is why adults are also generally able to distinguish good from bad, in other words we have a moral conscience. It is highly apt that Adam and Eve ate from the tree of knowledge, of good and evil, in the Book of Genesis. Conscious thinking was essential in the everyday lives of hunter-gatherers. People paid a price for stupidity even then – our intelligence and consciousness are by-products of evolution.

Artificial intelligence

Artificial Intelligence makes predictions on the basis of data and follows written instructions. Its predictive capabilities are based on neural networking in particular.  Neural networks consist of mathematically interconnected nodes, i.e., neurons. Initially, the connections are typically random, but they are then strengthened and weakened through trial and error. For example, thousands of images, categorised in a manner meaningful to people, can be fed into a neural network: ‘woman’, ‘man’, ‘cat’, ‘dog’, etc. By grouping certain features, the neural network can guess what each image contains. The right answers reinforce the pathways between network nodes that lead to the right answers. Pathways that lead to the wrong answers are weakened. This ‘guessing machine’ becomes an effective predictor after hundreds of thousands of tries. Prediction is ultimately so certain that artificial intelligence can identify images or words from a soundtrack.

Many kinds of human activity can be performed through prediction and by following instructions. We may wonder, for example, whether artificial intelligence is capable of creative tasks. AI can be made to compose musical pieces: it can analyse the melodies of the most popular compositions and predict the most catchy ones on that basis. With very careful preparation, it could also stretch to writing some lyrics and instrumentation. But music is more than sounds: young people have a tendency to develop their own, original vibes and grooves, which irritate their elders. AI cannot truly create new musical genres that reflect the times that the listeners are living through. Music cannot be separated from dance styles and the issues we consider important. And which is the creative actor here – artificial intelligence or the software developer?

Artificial general intelligence (or AGI) refers to AI capable of design, adaptation, reasoning and linguistic communication in a similar manner to humans. Definitions and proposed criteria for AGI tend to vary.  A machine succeeding in making coffee in a strange flat could be a sign that we are in the presence of AGI. In the scientific community, there is no consensus on whether AGI is even possible in principle. Both Microsoft and Google are running research programmes to achieve AGI. This is understandable, because sceptics rarely find their way into top positions in American blue chip companies. These programmes will undoubtedly lead to commercially exploitable technologies, even if they do not actually achieve AGI itself.

Cognitive architecture and task analysis

In principle, to build a truly human robot, we need to analyse people themselves. Cognitive scientists use the concept of cognitive architecture to describe human thinking holistically, including feelings and other matters. Because people are so fiendishly complex, it seems to me that the study of general cognitive architecture is better suited to basic research of artificial intelligence than the development of AI in practice.

Technology companies can meet their needs through task analysis. When replacing an employee with robots, we need to analyse what kind of work people are doing. This will ensure that the new robotised approach provides a result of at least the same quality and safety as the traditional way of operating. Since people will always be needed, even based on the new operating model, a division of labour between people and robots will be designed. Task analysis could also indicate that there is no point in robotisation.

There are many forms of task analysis. Cognitive task analysis involves modelling an employee’s thinking. Dozens of tools are available for this. Task analysis can also analyse an employee’s movements or the features of a work organisation. In particular, VTT uses the core task analysis method developed by now-retired research professor Leena Norros. The idea is to contrast observed working practices and challenges with the general goals and critical phases of work. The personal characteristics of employees are secondary: as ‘core’ suggests, this concerns the analysis of a task’s core features. Bearing the main goals in mind enables us to view a task’s performance from a number of perspectives – the same general goal can be achieved by human action or a robot. This makes core task analysis ideal as a design aid: it guides but does not cramp the designer’s creativity. Depending on the research questions, core task analysis can flexibly include various features of cognitive task analysis, the micro-level analysis of work practices, or the modelling of the operating environment.

It is beneficial to blur the boundary between worker and researcher when mapping cognitive processes during task analysis. Workers are seldom aware of their own mental models while working, because skills are subconscious in nature and the subconscious cannot be directly studied by transferring information from the employee to a researcher. The idea is that the researcher and worker together explore issues hidden in the subconscious, which means that the employee, in a sense, becomes both ‘teacher’ and ‘pupil’ at the same time. Workers love task analysis of this kind, because they find insights about their own work fascinating by nature. A good, practical technique for this involves watching a video of the worker in action, together with him or her.

User-centred AI research

Human and artificial intelligence are different. Even an accurate study of people will not enable us to create actors that precisely resemble humans. The quantum computers of the future may be millions of times faster than today’s computers. However, this does not alter the fact that, in the future, artificial intelligence will not be able to function adaptively in the real world as people do. In the absence of new developments, we would still fail to achieve seamless interaction between the complex whole of the sensory system and decision-making. As concepts, neural networks and artificial intelligence hint at the replication of human intelligence. However, in practice it would make more sense to study the use of AI.

Without research, it is hard to figure out how different work assignments may benefit from data-based predictions. Through object-recognition capabilities, AI will solve problems in a number of job tasks, because camera technology is already used for other purposes in many sectors. Surgeons, for example, often use a camera image when operating: in the future, AI may help to identify cancer cells and nerve paths. It is to be explored how work-life focused user research could provide practical tools for the building of neural networks. Interdisciplinary work is necessary.

OLYMPUS DIGITAL CAMERA
Mikael Wahlström
Senior Scientist, PhD in Social Sciences (Social Psychology)
mikael.wahlstrom(a)vtt.fi

 

The author is exploring the division of labour between AI and people in a project that explores the future of seafaring. He has performed task analysis blurring the boundaries between worker and researcher in Academy of Finland project called WOBLE, which he led, focusing on robot-assisted surgery. The final report of the WOBLE project in Finnish can be found here.

Will machines take our work? – Part 2: Robot trucker at the mercy of people

 

Autonomous transport is on the way. Ships and cars are being fitted out to drive themselves. But is there a business in this, or will the hype fizzle out? Will people accept these machines?

Robots are always connected to people. Even a Mars rover’s tasks are planned each day by people. In this blog, I’m going to consider the relationship between people and autonomous vehicles on three interrelated levels: physical, commercial and social. Devices must work where intended, must be sellable, and must be acceptable to people.

When such devices are being used, the nature of the operating environment and the connection to people are as important as technical features.  For example, robot vehicles already perform commercial tasks well, but within the enclosed environments of mining areas. People only venture into the vicinity of these giant robot trucks if they are sitting in a truck cabin themselves.

Money and safety at sea

Safety critical work is work in which human life would be endangered if something went wrong. Such work is generally governed by rules. Areas such as seafaring and motoring have their own sets of rules. Accidents are avoided if all parties comply with the rules and nothing surprising happens. Artificial intelligence complies with the rules set for it, but cannot adapt to unforeseen circumstances. In addition, a fault or accident may originate in AI itself. That is why control of autonomous transport devices operating among humans should not be left to AI alone. Human supervision is needed.

Labour is saved when one person can supervise several devices that are under the direct control of artificial intelligence. Employees no longer need to be at the mercy of field conditions, but work is done in the comfort and safety of a control centre. Such work does, however, involve new challenges. The scientific community has only recently begun to discuss the so-called transparency of artificial intelligence, i.e how easy it is for users to monitor the operations and functionality of AI. The supervision of self-learning AI – which can modify its own instructions – is particularly challenging. At the same time, there is a need to monitor and understand the operating environment of devices controlled by AI and the operation of sensor and communication technologies. Sensors of various kinds should be used to monitor activities in case some sensors do not work, or the signal is interrupted. For example, reliance on a GPS signal alone is unwise, since an external operator can disrupt positioning by generating a signal stronger than your own satellite signal.

The big challenge lies in the fact that operations must be economically viable in comparison to the traditional approach. For savings to be made, paying a control room team must be clearly cheaper than the wages of traditional field employees, since AI-controlled devices need new kinds of sensors and communication tools in order to function. More and more equipment is vulnerable to malfunctions and can no longer be serviced or repaired on-site, but a technical expert must be sent into the field.  Personnel costs currently account for around six percent of a ship’s operating costs, but costs are also generated by the infrastructure required by people: an autonomous vessel does not require a toilet or kitchen.

Regardless of the challenges, both businesses and innovations will be created

There is still no certainty about which systems are most cost-effective when controlling ships, whether such systems are based in remote centres or on-deck. Seafaring is a conservative sector: attitudes to autonomous ships range from enthusiasm to scepticism. I believe that autonomous technologies will be useful. Even if commercially viable, unmanned ocean-going vessels are some way off, seafarers will soon benefit in various ways from sensor technologies and AI.  Remote monitoring of ships is already happening.

For example, is it always necessary to maintain a 24-hour watch on the high seas? Fatigue, boredom and frustration all undermine safety. Perhaps it would be better if AI and the bridge kept watch at night, waking up the crew member on watch only if necessary. In addition, in challenging conditions new tools provide strong assistance in gaining situational awareness.

Change is slow to arrive. Good task planning, in which workers must be involved, is needed.  They can provide information on challenges in the operating environment, which must be taken into account in the design of automated equipment.

Metro, automation and strong emotions: should we be afraid of fear itself?

My favourite transport system is the Metro in Paris. It connects people to every part of the metropolis within 45 minutes. Intuitive maps clearly show where you are going when walking in the platform area. When I lived in Paris, Line 14 was the only unmanned metro line. Somewhat unexpectedly, stepping into the carriage made me feel anxious. This feeling faded quickly, when the train lurched into motion. Among so many passengers, even subconsciously I understood that there was nothing to fear.

Later, I used the theoretical framework I had studied in Paris to study what local residents in Helsinki thought about a driverless metro. The theory states that people’s shared understanding of the world develops as they discuss new phenomena; the discussion in question is affected by existing structures of power and meanings in society. French social psychological theory builds a bridge between society and human understanding.  I noted that people in Helsinki had negative attitudes towards the driverless metro, despite the media’s positive discussion of the issue. On the other hand, this negativism was reduced by facts about the automated metro. The idea of an automated metro was associated with experiences of unreliable computers, unemployment and dystopic images from science fiction.

My study of automatic metros provided the ideal basis or theoretical exploration, but was of little practical relevance. Helsinki never obtained a driverless metro and I now believe that preconceived ideas have limited influence on technology acceptance. People’s opinions are ultimately formed through direct use of the tool in question. This is demonstrated by my own experiences of line 14 of the Paris metro and the statistics: user experiences can be highly positive, even in the face of prejudices against robot technology.

So if the devices themselves are good, we shouldn’t worry too much about people’s preconceived ideas. However, fear should be dispelled through communications. If fear of the unknown is combined with problems or accidents, disproportionate damage may be done to the reputation of technology.

Automation and those being automated

I also think that technology firms do not need to be too worried about their workers, who, in principle, are the ones threatened by automation. The Finnish Seafarers’ Union is sceptical about autonomous ships in the same way as the metro drivers’ trade union was about the driverless metro. Despite this, the drivers were very open-minded about metro automation, at least when talking to an external researcher. There was no sign of a ‘rebellion’. On the other hand, the drivers were promised that they wouldn’t lose their jobs, but that their duties would change. In addition, perhaps the old drivers saw retirement approaching, while the younger ones were fascinated by involvement in a technological transition.

 

OLYMPUS DIGITAL CAMERA
Mikael Wahlström
Senior Scientist, VTT
mikael.wahlstrom(a)vtt.fi

 

The writer studied the safety of autonomous ships as part of the AAWA project. A report of the safety analysis project completed alongside Aalto University is available here. The study on public opinion concerning Helsinki’s automated metro can be found here.

The first part of this three-part blog series discussed health care.
The last part, which will be published in February, will consider Human as a model for machines.

 

Viekö koneet työt? – Osa 3: Ihminen koneen mallina

Miten tekoäly ja ihmisen älykkyys eroavat toisistaan? Miksi alitajunnan tutkimuksella on väliä, kun suunnitellaan robotin ja ihmisen työnjakoa? Pitäisikö VTT:n rakentaa itsenäisesti toimivaa supertekoälyä?

Bladerunner-elokuvan päähahmona hääräävä Rick Deckard lahtaa työkseen ihmisiä muistuttavia koneita eli replicantteja. Elokuvan lopuksi Harrison Fordin tähdittämä Deckard kuitenkin rakastuu replicanttiin. Deckardin jakomielinen suhtautuminen replicantteihin kuvastaa tämän päivän keskustelua tekoälystä. Toiset maalailevat suuria muutoksia ja peräti uskovat ihmismäisesti juonittelevan supertekoälyn ottavan meistä vallan. Toppuuttelijoitakin on: ”Replicants are like any other machine”, toteaa myös Deckard ennen ajattelutapansa muutosta. Ihminen koneen mallina on siis vanhasta scifistä tuttu klassinen ajatus. Tuon tähän keskusteluun sisältöä vertaamalla ihmisälyä ja tekoälyä. Valotan sitä ajatusta, että ihmisen älyn kopioiminen koneen käyttöön on hankalaa, koska ihmisen älykkyys ei ole ympäristöstä irrallista. Lisäksi väitän, että ihmisen toiminnan analyysi on hyödyllistä työtä uudistavassa suunnittelutyössä.

Ihmisäly

Tietoinen erityisesti kieleen perustuva ajattelu eli pään sisäinen keskustelu on vain ihmisen älyn jäävuorenhuippu. Kun ammattiosaajalta kysyy, miten hän tietää, kuinka jokin ongelma tai ristiriitainen asia ratkaistaan, tämä usein vastaa kutakuinkin, että ”sen vain tietää”. Ihmisen osaaminen on yhdistelmä kirjatietoa, tietoista omaa miettimistä sekä sitä jotain, jonka oppii vasta tekemällä. Näppi- ja perstuntuma, ammattilaisen silmä ja korva sekä näkemys ovat kansanomaisia tapoja kuvata eri työtehtävien hiljaista ja kehollista osaamista. Ihminen toimii intuitiivisesti ja joustavasti, sillä se hyödyntää miljoonia tai kukaties biljoonia aistisolujaan valikoivasti tilanteen mukaan.

Voidaankin väittää, että älykkyys ja tietoisuus eivät oikeastaan sijaitse aivoissa, vaan aivojen ja liki lukemattomien aistisolujen ja -hermojen yhteydessä. Kokeellinen psykologia on osoittanut, että ihmisen toiminta ja päätöksenteko perustuvat monessa mielessä suoraan yhteyteen ympäristön kanssa. Toiminta ei siis vaadi tietoista ajattelua. Ajatus siitä, että ihmisen ajatustoiminta on suorassa yhteydessä elettyyn ympäristöön, on looginen, sillä aivojen älykkyys ei ole erillistä aistisoluista, ja aistisolut ovat suorassa yhteydessä elettyyn ympäristöön.

Kehollisen älykkyyden lisäksi ihmisellä on kyky lukea ja oppia merkityksiä. Tässä ihminen on erinomainen muihin eläimiin verrattuna. Selitys löytyy esi-isiemme tavasta hankkia ruokaa. Ihminen on lyhyellä matkalla yleensä riistaa hitaampi liikkumaan, mutta kykenemme erittäin pitkiin hölkkiin. Saalistettavaa eläintä piti siis seurata pitkä taivallus. Tämä onnistui jälkiä seuraamalla. Tulkitsimme ympäristöön painettuja merkityksiä selviytyäksemme eli lukeminen on meille lajityypillistä käyttäytymistä. Nykyäänkin ihminen lukee jatkuvasti – joku kännykkäänsä ja toinen sanomalehtiä. Aistimme ovat aika heikkoja, joten myrkkykasveja ja -sieniä ei eroteta syötävistä pelkällä nenätuntumalla vaan oppimalla erottamaan hyvä ja huonosta. Tästä syystä aikuisella ihmisellä on myös yleinen kyky erotella hyvä ja paha toisistaan eli eettinen omatunto. On osuvaa, että raamatun alkukertomuksessa Aatami ja Eeva syövät hyvän ja pahan tiedon puusta. Metsästäjä-keräilijän arjessa tietoinen ajattelu oli valttia. Tyhmyydestä sakotettiin jo silloin eli älykkyytemme ja tietoisuutemme ovat evoluution sivutuotteita.

Tekoäly

Tekoäly tekee ennusteita datan perusteella ja noudattaa sille kirjoitettua ohjetta. Ennustamaan se oppii erityisesti neuroverkko-menetelmän avulla. Neuroverkko koostuu toisiinsa matemaattisesti kytköksissä olevista solmukohdista eli ns. neuroneista. Aluksi kytkökset ovat tyypillisesti sattumanvaraisia, mutta kokeilun kautta kytköksiin tehdään vahvennuksia ja heikonnuksia. Neuroverkkoon voidaan esimerkiksi syöttää tuhansia kuvia, jotka ihminen on luokitellut ihmiselle merkityksellisiin kategorioihin: ”nainen”, ”mies”, ”kissa”, ”koira”, jne. Ryhmittelemällä kuvan piirteitä neuroverkko arvailee, mitä kussakin kuvassa on. Oikeat vastaukset vahvistavat niitä verkon solmukohtien välisiä polkuja, jotka veivät oikeaan vastaukseen. Samalla väärään vastaukseen vieviä polkuja heikennetään. Satojentuhansien kokeilujen jälkeen arvauskone muuttuu tehokkaaksi ennustimeksi. Lopulta ennustaminen on niin varmaa, että tekoäly voi käytännössä tunnistaa kuvia tai sanoja ääniraidasta.

Ennustamalla ja käskyjä noudattamalla voi tehdä monenlaista ihmismäistä toimintaa. Voidaan miettiä vaikkapa, kykeneekö tekoäly luovaan työhön. Tekoäly saadaan luomaan musiikkia: se voi analysoida suosituimpien kappaleiden melodiakulut ja siltä pohjalta ennustaa ihmiskuulijaa koukuttavat sävelet. Jonkinlaiseen sanoittamiseen ja sovittamiseenkin se hyvin suunniteltuna pystynee. Mutta musiikki on muutakin kuin ääntä: nuorisolla on tapana kehitellä omanlaisensa ja oman nimisensä pörinät ja kilinät, mikä ärsyttää vanhempaa väestönosaa. Tekoäly ei oikein osaa luoda uutta musikaalista genreä, joka puhuttelee oman aikakautensa kuulijoita. Musiikki ei ole erillistä tanssityyleistä ja mieltä painavista aiheista. Ja kumpi tässä on se luova toimija: tekoäly itse vai ohjelmistokehittäjä?

Yleistekoälyllä tarkoitetaan tekoälyä, joka kykenee ihmismäiseen suunnitteluun, joustavuuteen, päättelyyn ja kielelliseen kommunikointiin. Yleistekoälyn määritelmät ja ehdotetut kriteerit vaihtelevat. Kahvin laittaminen ennalta vieraassa asunnossa on yksi tehtävä, jonka onnistuminen voisi olla merkki yleistekoälyn olemassaolosta. Tiedeyhteisö ei ole yksimielinen sen suhteen, onko yleistekoälyn rakentaminen ylipäänsä mahdollista. Sekä Microsoftilla että Googlella on yleistekoälyyn tähtäävät tutkimusohjelmat. Tämä on ymmärrettävää, koska epäilevillä tuomailla tuskin on sijaa amerikkalaissuuryritysten johtopaikoilla. Vaikka yleistekoälyä ei varsinaisesti saavutettaisi näissä tutkimusohjelmissa, niissä varmasti muodostuu muuta kaupallisesti hyödynnettävää teknologiaa.

Kognitiivisen arkkitehtuurin tutkimus ja tehtäväanalyysi

Jos halutaan rakentaa todella ihmismäinen robotti, pitäisi periaatteessa analysoida ihmistä itseään. Kognitiotieteilijät käyttävät kognitiivisen arkkitehtuurin käsitettä kuvastamaan ihmisen ajattelun kokonaisuutta tunteineen kaikkineen. Koska ihminen on pirullisen monimutkainen, kognitiivisen kokonaisarkkitehtuurin tutkimus soveltuu mielestäni paremmin akateemiseen perustutkimukseen tekoälystä kuin käytännön tekoälyn kehittämistyöhön.

Ratkaisuja teknologiayritysten tarpeisiin löytyy tehtäväanalyysin kautta. Kun halutaan korvata työntekijä robotilla, selvitetään, minkälaista työ on ihmisen suorittamana. Tällä varmistetaan se, että uusi robotisoitu tapa toimia tarjoaa vähintään yhtä laadukkaan ja turvallisen lopputuloksen kuin perinteinen toimintamalli. Ihmistä tarvitaan aina johonkin uudessakin toimintamallissa, joten käytännössä suunnitellaan robotin ja ihmisen välistä työnjakoa. Analyysin lopputuloksena voi myös olla, että robotisointi ei kannata.

Tehtäväanalyysin muotoja hyvin monia. Kognitiivisessa tehtäväanalyysissa selvitetään työntekijän ajattelua, ja analyysityökaluja tähän on kymmeniä. Tehtäväanalyysi voi selvittää myös esimerkiksi työntekijän liikeratoja tai työorganisaation piirteitä. VTT:llä käytetään eritoten entisen tutkimusprofessorin Leena Norroksen kehittämää perustehtäväanalyysia. Ajatuksena on suhteuttaa havaitut työtavat sekä haasteet työn yleisiin päämääriin ja kriittisiin vaiheisiin. Työntekijöiden henkilökohtaiset ominaisuudet ovat toissijaisia eli, nimensä mukaisesti, kyse on työtehtävän perustavanlaatuisten piirteiden analyysistä. Yleisten päämäärien mielessä pitäminen mahdollistaa sen, että työtehtävän suorittamista voi katsoa erilaisten toimintamallien näkökulmasta – samaan yleiseen päämäärään voidaan päästä robotin tai ihmisen toiminnalla. Tästä syystä perustehtäväanalyysi soveltuu hyvin suunnittelun apuvälineeksi: se ohjaa suunnittelijan luovuutta sitä liikaa rajaamatta. Perustehtäväanalyysiin voidaan sisällyttää kognitiivisen tehtäväanalyysin muotoja, työkäytäntöjen mikrotason erittelyä sekä toimintaympäristön mallintamista joustavasti riippuen tutkimuskysymyksistä.

Kognitiivisia asioita kartoittavassa tehtäväanalyysissa on hyvä hämärtää työntekijän ja tutkijan välistä raja-aitaa. Työntekijä ei useinkaan ole tietoinen omista ajattelumalleistaan työtä tehdessä, koska osaaminen on alitajunnassa. Alitajuntaa ei oikein voi tutkia suoraan siirtämällä tietoa työntekijältä tutkijalle. Lähtökohtana on, että tutkija ja työntekijä yhdessä oppivat alitajuntaan unohtuneista asioista, joten työntekijä ikään kuin muuttuu sekä oppijaksi että opettajaksi tutkimuksen aikana. Työntekijät ovat innoissaan, kun tehtäväanalyysia tehdään näin, koska oivalluksien tekeminen omasta työstä on äärimmäisen kiinnostavaa. Yksi hyvä käytännön tekniikka tähän on se, että katsotaan työntekijän kanssa yhdessä videokuvaa työntekijän työnteosta.

Käyttäjäkeskeinen tekoälytutkimus

Ihmisäly ja tekoäly ovat erilaisia, eikä edes ihmistä tutkimalla oikein voida luoda ihmisen kaltaista toimijaa. Tulevaisuuden kvanttitietokoneet saattavat olla satoja miljoonia kertoja nykytietokoneita nopeampia. Tämä ei kuitenkaan muuta sitä, että tulevaisuudessakaan tekoäly ei pysty toimimaan ihmisen tavoin joustavasti tosimaailmassa ­­– mm. monimutkaisen aistien kokonaisuuden ja päätöksenteon saumaton yhteispeli puuttuu myös tulevaisuudessa, jos jotain selkeästi uutta ei kehitetä. Neuroverkot ja tekoäly käsitteinä viittaavat ihmisen älyn replikointiin, mutta käytännössä on järkevämpää tutkia tekoälyn käyttöä.

Datapohjaisen ennustuskyvyn hyödyt työelämälle eivät tutkimatta selviä. Tekoälyn kohteentunnistuskyvyt tulevat ratkaisemaan ongelmia monilla aloilla, koska useilla aloilla muutenkin jo nyt käytetään kamerateknologiaa. Esimerkiksi kirurgit usein leikkaavat kamerakuvan perusteella: tulevaisuudessa tekoäly kenties auttaa tunnistamaan syöpäsolut ja hermoradat. Selvittelyn alainen asia on, miten työelämään kohdistuva käyttäjätutkimus voi tarjota käytännön apuvälineitä neuroverkkojen rakenteluun. Poikkitieteellistä tekemistä tarvitaan.

OLYMPUS DIGITAL CAMERA
Mikael Wahlström
Erikoistutkija, valtiot. tohtori (sosiaalipsykologia)
mikael.wahlstrom(a)vtt.fi

 

Kirjoittaja työskentelee projektissa, jossa tutkitaan, miten tekoälyn ja ihmisen välinen työnjako järjestetään tulevaisuuden merenkäynnissä. Työntekijän ja tutkijan välistä raja-aitaa hämärtävää tehtäväanalyysia hän on tehnyt mm. vetämässään WOBLE-nimisessä Akatemia-projektissa, jossa tutkittiin robottikirurgien työtä. WOBLE-projektin suomenkielinen loppuraportti löytyy täältä.

Kolmiosaisen kirjoitussarjan ensimmäisessä osassa käsiteltiin terveydenhuoltoa.
Viimeisessä osassa, joka julkaistaan tammikuussa, käsitellään ihmistä koneen mallina.