Kun taide kohtaa matematiikan
”Tietokoneet pystyvät tuottamaan miljardeja taideteoksia itsenäisesti, mutta ihmiset päättävät, mitkä erottuvat muista”, Antti Oulasvirta sanoo. "Koska tietokoneella ei ole sosiaalista ja kulttuurista kontekstia ymmärtääkseen taiteen taustalla olevaa semantiikkaa, tietokone ei osaa päättää, mitkä kuva- tai ääniyhdistelmät ovat tärkeimmät ja kiinnostavimmat.”
"Mutta oleellinen osa taidetta on tilan ja mahdollisuuksien luova tutkimus", hän jatkaa. "Ja tämä on alue, jolla tekoäly voi todella auttaa suunnittelijoita, koska tekoäly voi ehdottaa meille ideoita ilman, että ajattelumme ja tyylimme ohitettaisiin.”
Oulasvirta viittaa tutkimusprojektiin, jossa hänen tiiminsä tutki, miten koneoppimisen menetelmät voivat tukea tietokoneavusteista luovaa suunnittelua. Tiimi kehitti tietokoneille menetelmän, jonka avulla ne voivat oppia kunkin suunnittelijan mieltymykset ja tehdä sitten ehdotuksia interaktiivisen galleriakonseptin avulla.
”Jos toimit millään lailla luovasti, joudut ideoimaan läheltä ja kaukaa. Joskus haluat porautua syvemmälle ja toisinaan haluat astua askeleen taakse päin”, hän sanoo. ”Niinpä kehitimme koneoppimisen algoritmin - joka on sattumalta nimeltään ”rosvojärjestelmä” (bandit system) - joka tunnistaa ensin tyylisi suunnittelijana ja pyrkii sitten tunnistamaan, yritätkö tutkia vai porautua syvemmälle.”
Oulasvirran tiimi testasi konseptia 16 ammattisuunnittelijalla, joille kaikille annettiin tehtäväksi luoda realistinen moodboard. Tehtävän suorittamisen jälkeen 14 suunnittelijaa kuudestatoista sanoi, että he haluaisivat käyttää ohjelmistoa jokapäiväisessä työssään.
”Yksi järjestelmän hienoista ominaisuuksista on se, että se selittää suunnittelijalle, miksi se teki tietyn ehdotuksen. Voit kysyä tekoälyltä, miksi se valitsi esimerkiksi tietyn värin, ja se selittää perustelunsa”, hän kertoo. ”Järjestelmä ei kuitenkaan koskaan syrjäytä suunnittelijaa - se vain tekee ehdotuksia ja ohjaa tekemällä tehtävästä helpompaa.”
Oulasvirta työskentelee myös näppäimistöjen suunnittelun parissa ja viimeistelee parhaillaan Ranskan hallituksen toimeksiantamaa projektia, jonka tarkoituksena on luoda ranskalaiselle näppäimistön ulkoasulle uusi standardi. Näppäimistössä tuli huomioida kuusi erityyppistä lainausmerkkiä ja noin 190 erikoismerkkiä. Oulasvirta lähestyi tehtävää optimointiongelman näkökulmasta.
”Periaatteessa siinä oli huomioitava neljä seikkaa: suorituskyky (tietyn merkin saavuttamiseen tarvittava nopeus), ergonomia (kuinka luonnollista ja helppoa saavuttaminen on kädelle), opittavuus (tarkoittaa sitä, että yhteen kuuluvat merkit ryhmitellään) ja tuttuus (kuinka samankaltainen sen pitäisi olla vanhan näppäimistön kanssa)”, hän sanoo.
Hänen työnsä käsittelee myös käyttäytymisanalytiikkaa. Hän analysoi verkkoselaamista ja klikkausdataa, jotta yritykset voivat optimoida asiakkaidensa verkkokokemuksia.
”Käytämme malleja, jotka ovat peräisin psykologiasta ja ihmisen ja koneen välisestä vuorovaikutuksesta ja käytämme koneoppimisen menetelmiä sovittaaksemme ne tietoihin parhaalla mahdollisella tavalla”, hän sanoo. ”Voimme käyttää havainnointimalleja katseenseurannan sijaan ennustaaksemme, mihin silmät sivulla liikkuvat ja voimme määrittää kohdat, joissa kävijät eksyvät ilman, että joudumme kysymään heiltä.”