”Kiinnostuin koneoppimisesta ennen kuin tiesin, että tällainen käsite on olemassakaan”

Kesällä Suomen Akatemian nuorelle tutkijasukupolvelle suunnatun rahoituksen saanut Arno Solin innostuu koneoppimisesta, sillä sitä kautta pääsee perehtymään teoriaan ja ratkomaan oikean elämän ongelmia.
Apulaisprofessori Arno Solin
Arno Solin sai kesällä nuorelle tutkijasukupolvelle suunnatun rahoituksen, jonka turvin hän kollegoineen keskittyy tutkimaan ympäristön hahmottamista, ymmärtämistä ja kuvailua konenäön menetelmin. Kuva Matti Ahlgren / Aalto-yliopisto

Apulaisprofessori Arno Solinilla on työhuoneensa vaatekaapissa muovipussillinen elektroniikkavempaimia, koska yksi hänen opiskelijoistaan tarvitsi välineitä robotin rakentamiseen. Osa laitteista on kulkenut matkassa jo pitkään. ”Isäni on ostanut tämän kolvin. Olisinkohan ollut silloin vielä koulussakaan tai jos olin, ihan ala-asteen ensimmäisillä luokilla”, Solin esittelee nauraen.

Solin oli jo lapsena kiinnostunut tekniikasta, fysiikasta ja matematiikasta. Kotonaan hän rakenteli robotteja ja avaruusaluksia. Akateemikkovanhempien poika näki, millaista tutkijan arki on – ja tutkia hän halusi itsekin. ”Lukion jälkeen pohdiskelin, olisiko pitänyt lähteä lukemaan poliittista historiaa. Mutta sitten ajattelin, että ehkä on kumminkin helpompi harrastaa historiaa kuin tilastotiedettä ja matematiikkaa.”

Solin tutkii työssään koneoppimista. Se on tekoälyn osa-alue: kone oppii aiempien tapahtumien pohjalta ilman, että ihminen opettaa sitä. Koneoppimisessa hyödynnetään muun muassa tilastotiedettä. Suomen Akatemia myönsi kesäkuussa Solinin johtamalle tutkimushankkeelle nuorelle tutkijasukupolvelle suunnatun rahoituksen. Hankekokonaisuudessa tutkijat hyödyntävät tilastollista koneoppimista ja konenäön kehitystä.

Solinia koneoppiminen kiinnostaa, sillä siinä pääsee yhdistelemään teoriaa ja konkreettisten ongelmien ratkaisua. Hän on keskittynyt todennäköisyyspohjaiseen mallintamiseen: Miten epävarmuuksia voidaan mallintaa? Miten voidaan samalla, kun uutta dataa saadaan, päätellä asioita koneoppimisen menetelmiä hyödyntäen? Miten auttaa koneita tekemään järkeviä päätelmiä tässä ja nyt? ”Minusta tuntuu, että olin kiinnostunut koneoppimisesta jo ennen kuin tiesin, että tällainen käsite on olemassakaan.”

Akatemian rahoittamassa projektissa tutkijat keskittyvät ympäristön hahmottamiseen, ymmärtämiseen ja kuvailuun konenäön menetelmin. Nämä toiminnot ovat haasteita minkä tahansa autonomisen tai laajennetun todellisuuden järjestelmän kehittämisessä etenkin, kun ympäröivät olosuhteet ovat epävarmat.

Solinin mukaan projektissa on potentiaalia kehittää menetelmiä monen käytännön ongelman ratkaisuun. Juuri tämä mahdollisuus kiehtoo häntä. Uusi tutkimustieto voisi auttaa kehittämään esimerkiksi älypuhelinten ominaisuuksia. Niiden käyttökelpoisuutta voidaan parantaa lähinnä laskennan avulla, hyödyntämällä nykyisellään olevaa dataa tehokkaammin. Esimerkiksi kännykkäkameran pimeäkuvaus- ja syvyysominaisuuksia voitaisiin kehittää ilman nykyistä parempia, kalliimpia ja suurempia sensoreita.

”Jo olemassa olevilla sensoreilla, olemassa olevilla matkapuhelimilla niiden käytettävyyttä ja mahdollisuuksia pystytään laajentamaan sillä, että pystymme tehokkaammin tekemään päätelmiä kaikesta laitteen havaitsemasta informaatiosta”, Solin summaa.

Uutta tietoa voitaisiin soveltaa myös moneen muuhun asiaan. Esimerkiksi syvyysestimoinnin avulla voitaisiin vaikkapa kehittää videopelejä tai huononäköisille apuvälineitä ympäristön hahmottamiseen. Tutkimus on kuitenkin pitkälti luonteeltaan perustutkimusta, joka rakentaa luotettavia ja tehokkaita menetelmiä muiden alojen tarpeisiin. Yhteistyökuvioiden kautta menetelmiä on jo sovellettu niin lääketieteessä kuin kaupungin ilmanlaadun arviointiin.

Tutkijan täytyy osata viestiä

Vuonna 2018 apulaisprofessoriksi nimitetty Solin on tutkimustyönsä lisäksi kirjoittanut yhdessä sähkötekniikan professori Simo Särkän kanssa stokastisen differentiaalilaskennan oppikirjan. Hän on opettanut useilla Aalto-yliopiston kursseilla ja tekoälyn perusteita avoimessa yliopistossa.

Solin sanoo nauraen, että hänen motiivinsa jakaa tietoa muille ovat osittain itsekkäitä. ”Opin itse, kun selitän muille. Kun joutuu selittämään asioita eri tavalla, eri näkökulmista ja useampaan kertaan, samoihin juttuihin saa itsekin uutta näkymää.”

Siitä, että on kovan luokan tutkija, ei ole hyötyä kenellekään, jollei omia ajatuksiaan pysty kommunikoimaan muille.

Arno Solin

Solinin mielestä opetus ja oman erityisosaamisen välittäminen muille on tärkeä osa tutkijan työtä: se tukee tutkimusta ja toisaalta kasvattaa seuraavia sukupolvia tutkimaan ja soveltamaan oppimaansa. Hän oppi jo lapsena Turun Steiner-koulussa esittämään asioita visuaalisesti ja ymmärrettävästi sekä pitämään esitelmiä. Sen eteen, että asiat ovat kuulijoille selkeitä, tottui näkemään vaivaa. ”Sitä voisi mielestäni ylipäänsä arvostaa enemmän. Siitä, että on kovan luokan tutkija, ei ole hyötyä kenellekään, jollei omia ajatuksiaan pysty kommunikoimaan muille.”

Steinerkoulu on vaikuttanut voimakkaasti siihen, millainen aikuinen ja tutkija Solinista on kasvanut. Hänen mielestään steinerpedagogiikka tukee oppilaan henkilökohtaista kasvua. Opinnoissa edetään oppilaan ehdoilla. Ryhmäkoot ovat usein pienet, mikä mahdollistaa henkilökohtaisemman opetuksen. Koulu kannusti itseilmaisuun ja sosiaaliseen kanssakäymiseen. ”Mihin ikinä työelämässä päätyykin, jonkinlaisia sosiaalisia taitoja ja kykyä työskennellä ihmisten kanssa tarvitaan.”

Solin on kuullut ihmettelyä siitä, miten hänellä on niin paljon yhteistyökumppaneita ulkomailla. Hän kuittaa kyselyt sanomalla, että tykkää tehdä töitä ihmisten kanssa. ”Ehkä se sitten välittyy niin, että muutkin haluavat tehdä minun kanssani töitä.”

”Jos Suomessa haluaa olla, täällä varmaan saa hyvän pohjakoulutuksen”

Aikanaan lukion opinto-ohjauksessa kukaan ei maininnut Solinille silloista Teknillistä korkeakoulua, mutta abivuonnaan hän tutustui tupaantuliaisissa Otaniemessä opiskelevaan teekkariin. Tämä kehotti fysiikasta ja matematiikasta kiinnostunutta nuorta hakemaan opiskelemaan teknillistä fysiikkaa ja matematiikkaa TKK:lle.

Kohtaaminen jäi mieleen. Solin haki ja pääsi opiskelemaan, mutta mietti vaihtoehtojaan vielä armeijassa: muuttaako ulkomaille vai pääkaupunkiseudulle? ”Se oli sellainen pragmaattinen valinta, että jos Suomessa haluaa olla, täällä varmaan saa hyvän pohjakoulutuksen. Ja kyllä se ihan totta oli.”

Nuorempana Solin lenkkeili ja harrasti sulkapalloa kilpatasolla. Nykyään, perheenlisäyksen myötä harrastukset linkittyvät työhön. Muut projektit ovat väistyneet. ”Tykkään rakennella, kokeilla ja koodailla asioita. Usein ne ovat vaimon mielestä töitä, omasta mielestäni harrastusprojekteja. Se on vähän veteen piirretty viiva: jos haluaa soveltaa algoritmeja oman kodin automatisointiin, onko se sitten työtä vai harrastamista?”

Muuten vapaa-aika kuluu pitkälti lasten kanssa, mutta heidän kanssa leikkiessäkin pääsee tavallaan harrastamaan. ”Olen taas monen vuoden tauon jälkeen löytänyt legot. Tytär leikkii duploilla ja poika jo pikkulegoilla. Minä istun välissä ja vahdin, etteivät pikkulegot mene suuhun.”

Arno Solin
Kuva Matti Ahlgren / Aalto-yliopisto

Arno Solin, apulaisprofessori

Koulutus: Tekniikan tohtori, Aalto-yliopisto

Palkintoja: Mathematical Contest in Modeling (2010, ‘Meritorious winner’, yhdessä Eric Malmin ja Jussi Sainion kanssa), Kaggle Schizophrenia Classification Challenge (2014), Aalto Data Science Hackathon (2015, ‘Best hack in the category Smart Cities’, yhdessä Eric Malmin and Jaakko Luttisen kanssa), ISIF Jean-Pierre Le Cadre Best Paper Award (2018, yhdessä Manon Kokin kanssa)

Rahoituksia ja apurahoja: Tekniikan edistämissäätiön kannustinapuraha (2014), Suomen Akatemian tutkijatohtorirahoitus (2017): ”Vaiheittaisia menetelmiä reaaliaikaiseen probabilistiseen mallinnukseen”, Business Finlandin Tutkimuksesta uutta liiketoimintaa -rahoitus (2018), Suomen Akatemian projektirahoitus (2019): ”Matalat mallit syvien apuna konenäössä”

Asuu Helsingissä

On kotoisin Turusta

Suurin ammatillinen saavutus: Se, että on pystynyt kasvattamaan tietoisuutta probabilististen mallien monikäyttöisyydestä sekä ratkomaan niiden avulla oikeita ongelmia.

 

On myös

Äidinkieleltään ruotsinkielinen. ”Suomea tulee puhuttua aika paljon, mutta esimerkiksi lasten kanssa puhun ruotsia.”

Värisokea. ”Omat opiskelijani ovat saaneet sen karvaasti kokea: en erota viivojen värejä toisistaan. Joissakin asioissa annan ihan mieluusti muiden tehdä päätöksiä siitä, miten asiat kannattaa visualisoida tai minkä värisiä huonekaluja hankkia.”

Kätevä käsistään. ”Pyrin yleensä kesäisin rentoutumaan kunnostamalla kesäpaikassamme jotakin. Tänä kesänä olen kitannut ja maalannut vanhoja ikkunoita.”

Tietotekniikan laitos

Tietotekniikan laitoksen tutkimus ja opetus edustavat maailman huippuluokkaa, rakentaen pohjaa tulevaisuuden tieteellisille ja yhteiskunnallisille saavutuksille.

Read more
PML Research Group in Department of Computer Science
  • Julkaistu:
  • Päivitetty:
Jaa
URL kopioitu

Lisää tästä aiheesta

Professor Ray Sterling
Tutkimus ja taide, Opinnot Julkaistu:

Professori Ray Sterling: Worldwide developments in urban underground planning

Katso tallenne Professori Sterlingin vierailuluennosta.
Falling Walls. Kuva: Mikko Raskinen.
Tutkimus ja taide Julkaistu:

Falling Walls -palkinto myönnettiin uraauurtavalle silmätutkimukselle

Tampereen yliopiston tutkijan Laura Koivusalon esittelemä sarveiskalvon sokeutta käsittelevä tutkimustyö sai pääpalkinnon Falling Walls -alkukilpailussa.
an electron microscope image showing a carbon nanotube on top of a substrate of graphene
Tutkimus ja taide Julkaistu:

Grafeenipohja parantaa hiilinanoputkiverkoston sähkönjohtavuutta

Aalto-yliopiston ja Wienin yliopiston tutkijat yhdistivät grafeenin ja yksiseinäiset hiilinanoputket läpinäkyväksi hybridimateriaaliksi. Uusi materiaali johtaa sähköä paremmin kuin kumpikaan komponentti yksinään.
Iiris Sundin katselee taivaalle Laajalahden lintutornilla
Tutkimus ja taide, Opinnot Julkaistu:

Kun lääkäri ja tekoäly saadaan yhteistyöhön, potilas saa parempaa hoitoa

Tohtorikoulutettava Iiris Sundinin tutkimuksissa koneoppimismalli pääsee hyödyntämään lääkärin hiljaista tietoa, joka jää yleensä kirjoittamatta ylös. Tällainen malli ennustaa paremmin, miten tietty potilas reagoi tietynlaiseen hoitoon.