Konverents „Tehisaru loodusteadustes: kes õpetab keda?“

Kui õppimine oleks ülikond, siis meie ettekujutused selle väljanägemisest oleksid üsna erinevad - ühe jaoks on see heleroheline saterkuub, teisele hulaseelik ja kolmandale skafander - ja me isegi ei tea, et me õppimist erinevalt näeme. Ka tehisaru, mida selle ülikonna külge püüame õmmelda, võtab erinevate tegutsejate peades üsna eri vorme ja rolle. Milliseid küsimusi on mõistlik tehisaru ja õppimise seose kohta küsida? Tehisaru tõenäoliselt enam õppimise seest välja ei saa, seega küsimus ei ole, kas, vaid kuidas seda kasutatakse. Õppimise olemus pole tehisaru tulekuga muutunud, ent põliseid õppimisega seotud muresid on tehisaru tulekuga raskem ignoreerida - seega smuugeldab tehisaru Trooja hobusena õppimise arutellu põhjapanevaid küsimusi. Kas tehisaru saab pinnapealsete ja õppimist ohustavate lahenduste asemel aidata keerulistes teemades nagu õpioskused, õpimotivatsioon või enesejuhtimine, teades, et õppijad ise üldjuhul kalduvad spontaanselt valima õppimisviise, mis tõendatult õppimist ei toeta, ning tehisaru võib seda ebatõhusust suuresti tõhustada? Kas meil on meeles põhjused, miks õppimine koos teiste pärisarudega on jätkuvalt kõige kasulikum? 

Suured keelemudelid on saanud piisavalt targaks, et ise hakkama saada paljude lihtsamate tööülesannetega. See on tekitanud tormijooksu uue põlvkonna tarkvara loomises, kus tarkvara kasutajaks ei ole enam inimene vaid kus üritatakse asendada inimese tööd intelligentsete agentidega. 

Ettekandes kirjeldan agentide loomise eripärasid ning hetketrende. Kuigi praegused suurimad edulood ei ole teadustööd tegevates agentides, siis varsti jõuab maailma ka sinna. Üritame koos mõista saabuvat lähitulevikku. 

Viimastel aastatel on tehisaru arenenud muljetavaldava kiirusega, muutes põhjalikult keeletehnoloogiat. Kui varem tuli iga ülesande jaoks, olgu selleks masintõlge, kokkuvõtete tegemine või tekstide jagamine kategooriatesse, luua eraldi süsteem, siis nüüd saab selle kõigega hakkama üks üldotstarbeline keelemudel. Milline aga oli keeletehnoloogia enne suurte keelemudelite, nagu ChatGPT ja Claude, tulekut? Kuidas jõuti olukorrast, kus iga ülesanne vajas eraldi lahendust, selleni, et ühte suurt mudelit saab kasutada väga erinevate probleemide lahendamiseks? 
Oma ettekandes annan kõigepealt lühiülevaate keeletehnoloogia ajaloost, et näidata teekonda reeglipõhistest süsteemidest tänapäeva tehisaruni ning selgitan põgusalt tänapäevaste keelemudelite tööpõhimõtteid. Seejärel arutlen, mida tähendab väide, et keelemudel midagi “oskab”, tuues illustratsiooniks näiteid mudelite eesti keele oskusest. 

Ettekanne keskendub intelligentsuse ja tehisaru teemadele ning nende tähendusele tänapäeva maailmas. Kõigepealt arutlen, mida mõistetakse intelligentsuse all ning millised omadused on osa intelligentsusest. Seejärel liigun tehisaru määratluse juurde ja kirjeldan, mille poolest see minu nägemuses eristub juba varasemalt kasutusel olnud tarkvaralahendustest.  
Eraldi peatun küsimusel, milliseid ohte võib tehisaru kaasa tuua – alates inimeste töökohtade kadumise ohust kuni keerulisemate probleemideni, mis võivad tekkida, kui masinad muutuvad liiga autonoomseks.  
Lõpetuseks käsitlen ka positiivset poolt: kuidas tehisaru aitab teadlasi, kiirendab uuringuid ja loob uusi teadmisi.  
Nii annab ettekanne tervikliku ülevaate tehisaru võimalustest ja riskidest, pakkudes kuulajale mõtteainet selle kohta, kuidas tehnoloogia võib kujundada meie tulevikku. 

Kui ma alustasin matemaatilise statistika õpetamist erinevate erialade  tudengitele - arstidele, proviisoritele, loodus- ja tehnikateadlastele  jms - tegin seda nii, nagu mind ennast oli õpetatud: tahvli, paberi ja pastakaga. Tulemuseks oli aga mitte-statistikute seas sageli vastuseis: statistika tundus abstraktne, keeruline ja nende erialast kauge. 

Aja jooksul kujundasin kursused ümber, võttes kasutusele meeskonnapõhise õppe (TBL) lähenemise. Tudengid valmistuvad esmalt iseseisvalt ning lahendavad seejärel praktilisi ülesandeid meeskondades. Generatiivse tehisaru tööriistade, nagu ChatGPT, abil olen saanud vanu ülesandeid ümber kujundada erialaspetsiifilisteks ja TBL-formaati sobivateks, mis kõnetavad erineva taustaga tudengeid.  

Minu eesmärk ei ole teha kõigist tudengitest statistikuid, vaid vähendada ärevust, äratada uudishimu ning veenda neid, et statistika on kasulik tööriist, mitte karistus. Rõhutan, et raskete teemadega tegelemine nüüd tasub end hiljem ära: pingutus baasstatistika mõistmisel annab püsivaid oskusi, enesekindlust statistika rakendamise vajaduse äratundmisel oma erialal ning võimekust suhestuda statistikaga sisukalt ja kriitiliselt. 

Olen olnud tehisaru kasutaja juba alates ajast, mil vastused olid pigem meelelahutuslikud- loomingulised kui praktiliselt kasulikud. Kui tol ajal õppisin tarkvaraarendust ja plaanisin IT-spetsialistiks saada, siis nüüd tegutsen hoopis teisel alal, kuid tehisaru on jäänud mu igapäevaseks tööriistaks. Olen läbi viinud sissejuhatavaid tehisaru koolitusi, kus alustan osalejate ootustest: mida nad loodavad tehisaru abil lahendada ja milliseid hirme nad endas kannavad. Nii doktorandid kui ka kogenud teadlased küsivad samu küsimusi – kus on lubatu ja keelatu piir, kuidas viidata ning kuidas oma andmeid kaitsta. Sageli kerkib ka hirm, et tehisaru võib teadlase töö üle võtta. Minu kogemus näitab vastupidist: enne kui panna kratt teadust “tegema”, tasub suunata ta igapäevastele ajamahukatele ülesannetele, näiteks tekstide toimetamine, kokkuvõtete tegemine, e-kirjade ja juhendite koostamine. Nii jääb teadlasel rohkem aega päriselt olulise jaoks: mõtlemiseks, uurimiseks ja loomiseks. 

Tehisaru on keemiaga seotud valdkondades vana tegija, kui mitte öelda, et töövahend. See tuleneb sellest, et keemias on kesksel kohal andmepõhisus, st. olulisi järeldusi molekulide omaduste ja nendega toimuvate või läbiviidavate protsesside kohta on tehtud ja tehakse andmete põhjal. Töövahendid on ajas muutunud paremaks, kuid samas on arenenud ka teadmised keemiliste (molekulaarsete) protsesside keerukusest, st. andmete hulgad, struktureeritus ja integreeritus (ühilduvus) on suurenenud, või suurenemas. Võib öelda, et need arengud on andnud tehisaru uue võimaluse, või õigemini toonud uue väljakutse – aidata molekulide maailmas protsesse paremini tunda – st. keemiat paremini mõista. Seega on tehisaru ja masinõppe jaoks endiselt kesksel kohal molekulide omaduste, reaktsioonide ja struktuuride senisest tulemuslikum andmepõhine prognoosimine. Uurimistööde ja keemiliste andmebaaside kasv, süstematiseeritus ning võimekus organiseerida arvutusmudeleid on loonud võimaluse luua ja kasutada algoritme ja nende töövoogusid uute molekulide avastamiseks, ravimite disainiks, materjaliteaduse arendamiseks ja kemikaalidest tulenevate ohtude identifitseerimiseks ning hindamiseks. Kuna tehisaru ammutab teadmust meie senistest teadmistest ja süstematiseeritusest, siis kehtib endiselt hea andmepõhisuse postulaat: „Mida rohkem teame me enne, seda rohkem teame me pärast!“ 

Tehisaru ja automatiseerimise arengud võimaldavad luua isejuhtiva labori ehk iselabori (self-driving lab). Senini on iselaboris küsimustele lähenetud enamasti inseneri vaatenurgast ja suhtutud neisse kui optimeerimisülesandesse. Peagi aga võivad arengud viia kogu teadusliku meetodi automatiseerimiseni - iselabor analüüsib kirjandust, loob hüpoteese, avastab loodusseadusi süsteemselt, algoritmiliselt ja väsimatult. Keskseks motiiviks on nn Kavanda-Ehita-Testi-Tõlgenda ehk KETT-tsükkel, mis lahendab olukorra, kui potentsiaalseid lahendusi on rohkem, kui võimalik testida. Kõige loomulikumaid näiteid KETT-tsükli rakendustest võib tuua bioinseneeriast, kus sagedasti on eesmärgiks mõne bioprotsessi parameetri (tootlikkus, temperatuuritaluvus jms) tõhustamine. Selleks valime võimalike disainide hulgast üksikud lahendused (Kavanda), loome need katseklaasis (Ehita), mõõdame (Testi) ning õpime tulemustest (Tõlgenda). Seejärel otsustab algoritm, millised katsed on järgmisena kõige informatiivsemad ja algatab järjekordse KETT-tsükli automaatselt – nii kordub see tsükkel tsükli järel, kuni parim lahendus on leitud või tsüklite arv ületab teadlase poolt ette antud limiidi. Selline mitmetsükliline avastusretk pole toore jõuga lammutamine, vaid arukas kaheastmeline protsess – kõigepealt toimub multidimensionaalse lahenduste maastiku üldine madala resolutsiooniga kaardistamine, millele järgneb lokaalsete miinimumide/maksimumide väljaselgitamine ja täpsustamine. Biodisainilaborid (Biofoundry) koondavad vastavad seadmed, protokollid, andmevood ja arendustöö. See tagab targemad katsed, lühema tee toimivate lahendusteni, läbipaistvad ja detailideni reprodutseeritavad tulemused. DigiBio projektist rahastatud Eesti Biodisanilabori eesmärk on tuua see lähenemine rakendustesse disainerrakkudest ravimiteni. 

Valgud on meie organismi struktuursed komponendid ja katalüüsivad biokeemilisi reaktsioone. Valk on aminohappejääkidest koosnev kett, polümeer. Selleks, et see kett saaks oma funktsiooni täita, peab see ruumis õigesti voltuma. Voltunud oleku jaoks vajalik informatsioon on kirjas aminohappelises järjestuses. Aminohappelist järjestust me oskame üha kergemini määrata, aga voltunud valgu struktuuri määramine on väga keeruline. Siin on appi tulnud tehisaru, mis seda ülesannet on üllatavalt hästi lahendanud ning põhjustanud revolutsiooni bioloogias ja biomeditsiinist. Selle lähenemise avamise eest anti välja 2024. aastal ka Nobeli preemia. 

Inimgenoom koosneb küll vaid neljast “tähemärgist”, kuid on sellest hoolimata tohutult suur ja keerukas. Seal leidub nii olulist, informatsioonirikast koodi kui ka evolutsiooni käigus tekkinud kõrvalprodukte. Selle keerukuse mõistmine on hädavajalik, et selgitada paljude haiguste olemust ja meie evolutsioonilist ajalugu, kuid ülesanne ei ole sugugi lihtne. Tänu kasvavale arvutusvõimsusele, suurandmetele ja uutele algoritmidele saame genoomi uurida täiesti uuel tasemel – kasutades andmepõhiseid tehisaru meetodeid. 

Meie töö keskmes on Eesti Geenivaramu andmestikud, mille põhjal arendame kahte tüüpi mudeleid. Generatiivsete mudelitega loome realistlikke tehisgenoome, et paremini mõista, kuidas genoom “töötab”. Ennustavate mudelitega püüame geneetiliste ja muude andmete põhjal prognoosida keerukaid tunnuseid, et tulevikus pakkuda tööriistu ka meditsiinis. Lisaks uurime, kuidas need mudelid oma otsuseid teevad, et avastada uusi geneetilisi seoseid ja tuvastada võimalikke eelarvamusi. 

Tehisaru mudelid on juba avanud meile uusi vaatenurki inimgenoomi uurimisel. Kiire arengu juures on selge, et neist saavad lähiaastatel olulised tööriistad nii teaduses kui ka meditsiinis. 

Tehisaru on kosmosevaldkonnas asendamatuks muutumas. Kosmilised mõõtkavad on inimmõistuse jaoks hoomamatud ja kosmoseaparaadid tegutsevad Maast juba kaugustel, kus käskude edasi-tagasi liikumine võib puhtalt valguse kiiruse piiratuse tõttu võtta päevi. See kõik teeb kosmoseaparaatide autonoomia asendamatuks ja tänapäeval tähendab autonoomia üha rohkem tehisaru. 

Hoomamatu pole ka mitte ainult kosmose suurus vaid kosmosemissioonide keerukus, sest kosmoseaparaadid peavad ilma ühegi veata tegutsema aastaid väga äärmuslikes tingimustes, kus nende parandamine pole võimalik. Üha keerukamad kosmosemissioonid muudavad vastava inseneeria inimmõistuse jaoks üha raskemaks ja seega tehisaru on vajalik juba ka süsteemide keerukuse mõõtme ületamiseks. 

Ettekandes tuleb juttu tehisaru kasutamisest kosmose avastamisel Tartu observatooriumis, kus on arendamisel missioonid komeetide juurde, Kuule, Kuu orbiidile, Marsile, Veenusele ja veel kaugemale. Räägime, mida kasutame ja arendame praegu ning kuhu see lähiajal jõuda võiks. 

Konverentsi lõpetamine Lodjakojas