Väitös tietotekniikan alalta, FM, VTM Petrus Mikkola

Väitöskirjan nimi: Humans as Information Sources in Bayesian Optimization

Tohtoriopiskelija: Petrus Mikkola
Vastaväittäjä: professori David Leslie, Lancaster University, Iso-Britannia
Kustos: professori Samuel Kaski, Aalto-yliopiston perustieteiden korkeakoulu, tietotekniikan laitos 

Kasvava näkemys on, että tekoäly- ja koneoppimisratkaisut eivät korvaa ihmisiä työmarkkinoilla, vaan pikemminkin täydentävät ihmisten vahvuuksia ja heikkouksia sekä muuttavat tapoja, joilla työtä tehdään. Ihmisillä on todennäköisesti jatkossakin keskeinen rooli tieteessä ja teollisuudessa hyödynnettävien tekoälyjärjestelmien käytössä. Kuitenkin on monia avoimia kysymyksiä, kuten miten päästä käsiksi ja hyödyntää yksittäisten asiantuntijoiden tietämystä. Tässä väitöskirjassa tutkitaan miten ihmisen tietämystä, uskomuksia ja mieltymyksiä voidaan mallintaa yleisessä asiantuntijan tiedon elisitaatio (engl. expert knowledge elicitation) kontekstissa, ja sitten optimointiongelmien kontekstissa. Esimerkkeinä jälkimmäisestä voidaan mainita "stabiilin molekyylinrakenteen löytäminen aurinkokennoon käytettäväksi" tai "parhaan akun latausprotokollan määrittäminen, joka tasapainottaa nopean latauksen ja akun heikkenemisen". 

Ensimmäinen näkökulma on, että ihmisten kanssa vuorovaikutuksessa tulisi keskittyä suhteellisen tiedon kyselyyn (esim. kahden hypoteesin A ja B vertaaminen) pikemminkin kuin absoluuttisen tiedon kyselyyn (esim. numeerisen arvon antaminen hypoteesille A). Väitöskirja ehdottaa koneoppimisalgoritmia, joka vuorovaikutteisesti tuottaa preferenssikysymyksiä, jotka asettavat asiantuntijaa vertaamaan vaihtoehtoja. Saadun palautteen perusteella opitaan malli, joka heijastaa asiantuntijan uskomuksia. Malli mahdollistaa esimerkiksi lupaavien molekyylirakenteiden tunnistamisen edelleen optimointia varten. 

Toinen näkökulma syventyy kysymykseen siitä, miten mallinnettu asiantuntijan tieto voidaan integroida optimointialgoritmeihin. Asiantuntijan pitäminen lisätietolähteenä niin kutsutussa moniuskollisuuden bayesilaisessa optimoinnissa (engl. multi-fidelity Bayesian optimization) mahdollistaa informatiivisten kysymyksien valitsemisen esitettäväksi asiantuntijalle ja sitten tämän tiedon mallintaminen yhdessä muihin tietolähteiden kanssa, kuten tieteellisten kokeiden. 

Jokaisella tehtävällä on alan asiantuntijansa, ja heidän tietonsa integroiminen koneoppimisjärjestelmiin on usein mahdollista, kunhan heiltä kysymisen tapa suunnitellaan huolellisesti. Preferenssikyselyiden käyttö on yksi lähestymistapa tehdä asiantuntijan tiedon mallintamisesta ratkaistavissa oleva koneoppimisnäkökulmasta, samalla kun kysymykset muotoillaan tavalla, joka mahdollistaa ihmisille vastausten antamisen.

Avainsanat: koneoppiminen, asiantuntijan tieto, elisitaatio, bayesilainen optimointi

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä): https://aaltodoc.aalto.fi/doc_public/eonly/riiputus/

Yhteystiedot:

Perustieteiden korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/52