Teko\u00e4ly on kuuma aihe, jolta odotetaan turhan usein taianomaisia nopeita hy\u00f6tyj\u00e4, ja nykyisten ty\u00f6teht\u00e4vien tekij\u00e4vaihdosta ihmisest\u00e4 koneeseen yhdess\u00e4 y\u00f6ss\u00e4. Joskus teko\u00e4ly niputetaan kaikenkattavaksi kattotermiksi, jolla voidaan tuomita kaikki sen alla olevat palvelut ja tekniikat yhdell\u00e4 hutaistulla testill\u00e4 umpisurkeiksi. Esimerkkin\u00e4 t\u00e4st\u00e4 lehtiartikkelit, joissa \u201dtoimittaja X kokeilee nyt sit\u00e4 teko\u00e4ly\u00e4, k\u00e4ytt\u00e4\u00e4 sit\u00e4 huonosti tai v\u00e4\u00e4rin tai teht\u00e4viin mihin sit\u00e4 ei ole tarkoitettukaan, toteaa ett\u00e4 tulos ei ole hyv\u00e4, ja tekee johtop\u00e4\u00e4t\u00f6ksen teko\u00e4lyn huonoudesta.\u201d T\u00e4st\u00e4 saattaa harjaantumattomalle lukijalle synty\u00e4 kuva, ett\u00e4 teko\u00e4ly on pelkk\u00e4\u00e4 p\u00f6hin\u00e4\u00e4 ja mit\u00e4\u00e4n oikeaa hy\u00f6ty\u00e4 siit\u00e4 ei ole.<\/p>\n\n\n\n
T\u00e4m\u00e4 teksti perustuu kirjoittajan omiin kokemuksiin teko\u00e4lyn k\u00e4ytt\u00f6\u00f6notossa. Seuraavassa esitell\u00e4\u00e4n kolme k\u00e4yt\u00e4nn\u00f6n esimerkki\u00e4, jotka liittyiv\u00e4t rakenteiden mekaniikkaan, suunnittelunormeihin ja rakennusten hiilijalanj\u00e4ljen ennustamiseen. Yksinkertaisemmista esimerkeist\u00e4 siirryt\u00e4\u00e4n monimutkaisempiin, k\u00e4ytt\u00e4en koneoppimista (ML, machine learning), erityisesti regressiota. T\u00e4m\u00e4 tarkoittaa sit\u00e4, ett\u00e4 koneoppimismalli opetettiin ennustamaan uusia arvoja aiemmin annetun datan perusteella.<\/p>\n\n\n\n
Esimerkkitapauksissa, n\u00e4iss\u00e4 kirjoittajan oman teko\u00e4lypolun ensimm\u00e4isiss\u00e4 askeleissa, k\u00e4ytettiin Microsoftin ML.NET-koneoppimiskirjastoa, mutta Grasshopperin kautta eli visuaalisen ohjelmoinnin keinoin. Grasshopper on natiivi lis\u00e4osa Rhinoon, ja siit\u00e4 l\u00f6ytyy kolmannen osapuolen kehitt\u00e4m\u00e4 Lunchbox-lis\u00e4osa, mik\u00e4 k\u00e4yt\u00e4nn\u00f6ss\u00e4 sis\u00e4lt\u00e4\u00e4 t\u00e4rkeimm\u00e4t toiminnallisuudet aiemmin mainitusta Microsoftin ML.NETist\u00e4.<\/p>\n\n\n\n
Ensimm\u00e4inen esimerkki<\/strong> oli yksiaukkoisen palkin maksimitaivutusmomentin arvon ennustaminen, kun tiedet\u00e4\u00e4n palkin j\u00e4nnev\u00e4li sek\u00e4 palkkia rasittava viivakuorma. Ajatuksena oli, ett\u00e4 jos malli koulutetaan riitt\u00e4v\u00e4ll\u00e4 m\u00e4\u00e4r\u00e4ll\u00e4 \u201dmallisuorituksia\u201d kaavan soveltamisesta, niin se kykenisi ennustamaan oikean arvon my\u00f6s sille aiemmin tuntemattomilla l\u00e4ht\u00f6tiedoilla. K\u00e4vi ilmi, ett\u00e4 malli toimii hienosti, kunhan pyydetty viivakuorma ja j\u00e4nnev\u00e4li ovat koulutusdatan \u201dsis\u00e4puolella\u201d.<\/p>\n\n\n\nKuva: 1a Palkin vapaakappalekuva ja taivutusmomentin yht\u00e4l\u00f6. Kuva 1b: Osa Grasshopper-koodia, jossa kuvan 1 yht\u00e4l\u00f6ll\u00e4 tuotetaan koulutusdataa teko\u00e4lymallille.<\/figcaption><\/figure>\n\n\n\n
Toinen esimerkki<\/strong> koski ter\u00e4spalkin painon ennustamista, kun tiedet\u00e4\u00e4n palkin j\u00e4nnev\u00e4li, sill\u00e4 vaikuttava viivakuorma sek\u00e4 kolmantena l\u00e4ht\u00f6tietona my\u00f6s pistekuorma keskell\u00e4 j\u00e4nnett\u00e4. \u201dOikeana\u201d vastauksena pidettiin kevyint\u00e4 tietyn poikkileikkaustyypin profiilia, joka t\u00e4ytt\u00e4\u00e4 Eurokoodin asettamat vaatimukset palkille niin murto- kuin k\u00e4ytt\u00f6rajatilassa. Teht\u00e4v\u00e4\u00e4 voisi ajatella ter\u00e4spalkin mitoitusty\u00f6kaluna, joka kertoo kevyimm\u00e4n tapaukseen soveltuvan profiilin. Optimisauvan mitoittamisessa koulutusdataa laadittaessa k\u00e4ytettiin Karamba3D-lis\u00e4osaa, joka sis\u00e4lt\u00e4\u00e4 valmiit komponentit ter\u00e4srakenteiden Eurokoodi-pohjaiseen mitoitukseen ja optimointiteht\u00e4viin. Lopputuloksena oli toimiva malli, joka antoi arvion optimaalisen ter\u00e4spalkin painosta millisekunneissa.<\/p>\n\n\n\nKoulutusdatan visualisointi 3D-pintana, sek\u00e4 koulutusdatan ja testidatan suhde erityisesti oltaessa koulutusdatan ulkopuolella.<\/figcaption><\/figure>\n\n\n\n
Kolmas ja viimeinen esimerkki <\/strong>puolestaan oli taas asteen verran monimutkaisempi taustayht\u00e4l\u00f6ilt\u00e4\u00e4n ja logiikaltaan. Teht\u00e4v\u00e4n\u00e4 oli ennustaa betonirunkoisen kerrostalon hiilijalanj\u00e4lki, kun tiedet\u00e4\u00e4n rakennuksen massoittelu arkkitehdin n\u00e4k\u00f6kulmasta. Eli toisiinsa kytkeytyv\u00e4t tilaobjektit l\u00e4ht\u00f6tietona, ja tuloksena on hiilijalanj\u00e4lki muodossa CO2e-kg\/m2, eli pinta-alapohjainen hiilijalanj\u00e4lki. Tarkoituksena oli vertailla vapaavalintaisia massoitteluvaihtoehtoja toisiinsa. Lopputulos oli kannustava, vaikkakin huomattavasti laajempi m\u00e4\u00e4r\u00e4 esilaskettuja rakennuksia koulutusdatassa on tarpeen, jotta mallin kattavuutta saadaan parannettua.<\/p>\n\n\n\n
Yhteenvetona tutkituista esimerkeist\u00e4 voidaan nostaa seuraavat asiat:<\/p>\n\n\n\n
\n
Koulutusdatan kattavuus ja datan laatu m\u00e4\u00e4rittelee mallin kyvyn ennustaa tuloksia oikein \u00e0 ennustuskyky koulutusdatan ulkopuolelle on hyvin rajallista k\u00e4ytetyll\u00e4 ep\u00e4lineaarisella regressiolla.<\/li>\n\n\n\n
Koneoppimismallien kouluttaminen, testaaminen ja k\u00e4ytt\u00f6 ei vaadi tekstimuotoista ohjelmointiosaamista, vaan my\u00f6s visuaalisella ohjelmoinnilla p\u00e4\u00e4see pitk\u00e4lle.<\/li>\n\n\n\n
Halutessaan ihminen kyll\u00e4 p\u00e4\u00e4see kiinni teko\u00e4lyn k\u00e4yt\u00e4nn\u00f6n soveltamiseen varsin helposti.<\/li>\n\n\n\n
Teko\u00e4ly itsess\u00e4\u00e4n helpottaa teko\u00e4lyn k\u00e4ytt\u00f6\u00f6nottoa (esimerkiksi laajojen kielimallien kyky toimia oppimisen apurina on valtava etu).<\/li>\n\n\n\n
Koulutettujen mallien jakaminen muille on helppoa.<\/li>\n\n\n\n
Kaiken kaikkiaan tulokset olivat hyvi\u00e4 ja rajoitteiden puitteissa oikeita. Lopputuloksena oli kolme mallia, joista jokainen hoitaa tehokkaasti oman erityisteht\u00e4v\u00e4ns\u00e4, kun niille antaa l\u00e4ht\u00f6tiedot oikeassa muodossa<\/li>\n<\/ul>\n\n\n\n
On syyt\u00e4 huomata, ett\u00e4 esitetyt esimerkkik\u00e4ytt\u00f6kohteet ovat materiaaliriippumattomia. Aivan samalla tavalla voidaan mitoittaa betonirakenteita, ennustaa puurakenteiden kokonaishiilijalanj\u00e4lke\u00e4 tai optimoida ter\u00e4sliitoksia. Esimerkkitapauksia voi ajatella laajemmin t\u00e4sm\u00e4llisen asiantuntijatiedon ja -osaamisen tiivist\u00e4misen\u00e4 ennustavaksi malliksi. Mit\u00e4 monimutkaisempi kokonaisuus on kyseess\u00e4, sit\u00e4 merkityksellisemm\u00e4ksi tulee teko\u00e4lymallin kouluttaminen kyseisen ilmi\u00f6n ennustamiseen. Vastaavasti, yksiaukkoisen palkin maksimitaivutusmomentin voi laskea aina tarkasti yhdell\u00e4 ainoalla yht\u00e4l\u00f6ll\u00e4, joten teko\u00e4lymallia suoraan t\u00e4h\u00e4n k\u00e4ytt\u00f6tapaukseen ei varmaankaan kannata toteuttaa muuten kuin oppimistarkoituksissa. Koulutettuja malleja voidaan my\u00f6s liitt\u00e4\u00e4 osaksi laajempaa kokonaisuutta tai vaikkapa suunnitteluprosessia, jossa jokainen malli ratkaisee oman rajatun teht\u00e4v\u00e4ns\u00e4.<\/p>\n\n\n\n
Teko\u00e4ly on muutakin kuin koneoppimisen regressiomalleja<\/strong>. Esimerkiksi syv\u00e4oppiminen (DL, deep learning) mahdollistaa huomattavasti monimutkaisempien ep\u00e4lineaaristen suhteiden mallintamisen ja oppimisen. Yhten\u00e4 n\u00e4kyvimmist\u00e4 esimerkeist\u00e4 syv\u00e4oppimisen soveltamisesta ja mahdollisuuksista toimivat nykyisin yleiset laajat kielimallit (LLM, large language model) kuten ChatGPT, Claude ja Gemini. Teko\u00e4lykehitys laukkaa vauhdilla eteenp\u00e4in ja mallien kouluttamiseen sek\u00e4 k\u00e4ytt\u00f6\u00f6n pumpataan valtavia summia rahaa. Odotuksena on, ett\u00e4 laskentatehon kasvattaminen, algoritmien kehitt\u00e4minen ja koulutusdatan laadun parantaminen ja m\u00e4\u00e4r\u00e4n lis\u00e4\u00e4minen tuottaa yh\u00e4 \u201d\u00e4lykk\u00e4\u00e4mpi\u00e4\u201d malleja. Kehitys on ollut huimaa ja oletettavasti seuraavan puolen vuoden aikana n\u00e4emme seuraavan sukupolven kielimallien suorituskyvyn.<\/p>\n\n\n\n\n<\/a>Kuva 2<\/figcaption><\/figure>\n\n\n\n<\/a>Kuva 3<\/figcaption><\/figure>\n<\/figure>\n\n\n\n
![\"\"](\"https:\/\/betoni.com\/lehti\/wp-content\/uploads\/sites\/4\/2024\/10\/tekoaly_kuvituskuva2_1920x490px.jpg\")
![\"\"](\"https:\/\/betoni.com\/lehti\/wp-content\/uploads\/sites\/4\/2024\/10\/tekoaly_kuvituskuva3_1490x684px.jpg\")
![\"\"](\"https:\/\/betoni.com\/lehti\/wp-content\/uploads\/sites\/4\/2024\/10\/tekoaly_kuvituskuva4_980x1176px.jpg\")
<\/a>