https://peda.net/id/1edc81c0996 2026-03-13T14:13:24+02:00 https://peda.net/:static/539/peda.net.logo.bg.svg <div class="license">Tämän sivun lisenssi <a rel="license" href="https://peda.net/info">Peda.net-yleislisenssi</a></div> https://peda.net/id/171639da996 2026-03-13T13:01:26+02:00 <h1>Mitä tekoälyllä tarkoitetaan</h1> Tekoäly (AI, artificial intelligence) on yleisnimitys menetelmille, joissa tietokoneet suorittavat tehtäviä, jotka perinteisesti vaativat ihmisen ajattelua (esim. kielen ymmärtäminen, kuvien tunnistus, päätöksenteko).<span class="right small"><a href="https://peda.net/wellamo-opisto/koulutukset/opettajien-tekoalyinfo/mita-tekoaly-on-ja-mihin-sita-voi-kayttaa/maarittelyja/mita-on-tekoaly-.png#top" title="Mitä on tekoäly_.png"><img src="https://peda.net/wellamo-opisto/koulutukset/opettajien-tekoalyinfo/mita-tekoaly-on-ja-mihin-sita-voi-kayttaa/maarittelyja/mita-on-tekoaly-.png:file/photo/66cca4469c082729b423cc2dd4bad90351607b18/Mit%C3%A4%20on%20teko%C3%A4ly_.png" alt="" title="Mitä on tekoäly_.png" class="inline" loading="lazy"/></a></span><br/> <br/> <h1>Nykyisiä käyttösovelluksia arjessa</h1> Tekoäly on ollut arkipäivää monissa palveluissa jo pitkään, usein huomaamattamme:<br/> <br/> <ul> <li><span>Hakukoneet ja käännöspalvelut (Google Translate, DeepL)</span></li> <li><span>Puheohjaus (Siri, Alexa)</span></li> <li><span>Navigointi ja reitinhaku (Google Maps)</span></li> <li>Suositusjärjestelmät (YouTube, Netflix, verkkokaupat)</li> <li><span>Kuvien tunnistus ja muokkaus (esim. älypuhelimissa, tunnistaa ihmiset)</span></li> <li>Chatbotit ja asiakaspalvelurobotit</li> <li>Pesukoneen lämpötilan, veden ja pesuaineen määrän sekä rummun liikkeiden optimointi pyykin likaisuuden perusteella</li> <li>Robotti-imurit ja -ruohonleikkurit</li> </ul> <br/> Erityiseen huomioon on noussut <strong>generatiivinen tekoäly</strong>, joka pystyy tuottamaan uutta sisältöä: tekstiä, kuvia, musiikkia, videoita tai koodia, sellaisella laadulla joka aiemmin on ollut vain ihmiselle mahdollista.<br/> <br/> <hr></hr><br/> <h1>Suuret kielimallit (LLM, Large Language Models)<br/> <br/> <span class="small"><a href="https://peda.net/wellamo-opisto/koulutukset/opettajien-tekoalyinfo/mita-tekoaly-on-ja-mihin-sita-voi-kayttaa/maarittelyja/copilot-20250925-133113.png#top" title="Copilot_20250925_133113.png"><img src="https://peda.net/wellamo-opisto/koulutukset/opettajien-tekoalyinfo/mita-tekoaly-on-ja-mihin-sita-voi-kayttaa/maarittelyja/copilot-20250925-133113.png:file/photo/59049926de5ac5b8843b92383ca9a74bbe76a87a/Copilot_20250925_133113.png" alt="" title="Copilot_20250925_133113.png" class="inline" loading="lazy"/></a></span></h1> <p>ovat tekoälymalleja, jotka on suunniteltu &quot;ymmärtämään&quot; ja luomaan ihmisen kieltä. Ne ovat pohjimmiltaan erittäin monimutkaisia tilastollisia ennustuskoneita.<br/> <br/> <b>Tärkeä huomio:</b> tekoäly ei <em>ymmärrä</em> asioita ihmisen tavoin, vaan tuottaa vastauksia mallintamalla valtavista aineistoista opittuja tilastollisia yhteyksiä. Tekoäly ei osaa ajatella.<br/> <br/> Yksinkertaistettuna LLM-mallien toiminta perustuu seuraaviin vaiheisiin:</p> <ol> <li><b>Koulutus valtavalla datamäärällä<br/> </b>LLM-mallit koulutetaan käyttämällä valtavia tekstimääriä (miljardeja tai jopa biljoonia sanoja), jotka on kerätty esimerkiksi kirjoista, artikkeleista, koodista ja internetistä. Tämä prosessi vaatii erittäin suuren laskentatehon.<br/> <br/> Tunnistaminen ja tokenisointi: Malli ei käsittele suoraan sanoja, vaan se pilkkoo tekstin pienempiin osiin, joita kutsutaan <em>tokeneiksi</em> (voivat olla sanoja, sanan osia tai jopa yksittäisiä merkkejä).<br/> <br/> Oppiminen: Koulutuksen aikana malli oppii tunnistamaan tilastolliset suhteet ja todennäköisyydet sille, mitkä sanat tai tokenit esiintyvät todennäköisimmin peräkkäin tietyissä yhteyksissä. Se oppii kielen kieliopin, semantiikan ja kontekstin.<br/> <br/> </li> <li><b>Muuntaja-arkkitehtuuri (Transformer)</b><br/> <span>LLM-mallit perustuvat tyypillisesti muuntaja-arkkitehtuuriin (transformer), joka käyttää huomiomekanismia (attention mechanism).<br/> <br/> </span>Huomiomekanismi: Sen avulla malli pystyy &quot;kiinnittämään huomiota&quot; (painottamaan) eri osiin syötetekstistä tai jo luodusta tekstistä. Tämä on ratkaisevaa kontekstin ymmärtämisessä, sillä malli voi tunnistaa kauempana olevien sanojen väliset riippuvuudet lauseessa tai kappaleessa. Esimerkiksi lauseessa &quot;Kissa istui matolla, se nukkui&quot; huomiomekanismi auttaa mallia ymmärtämään, että &quot;se&quot; viittaa &quot;kissaan&quot;.<br/> <br/> </li> <li><b>Ennustaminen (Generointi)</b><br/> <span>Kun käyttäjä antaa mallille kehotteen (input, prompt), mallin päätehtävä on ennustaa seuraava todennäköisin tokeni sarjassa (token = sana, sanan osa tai kirjain).<br/> <br/> </span>Malli luo vastauksen token kerrallaan. Jokaisen luodun tokenin jälkeen malli käyttää koko aiemman kontekstin (alkuperäinen kehote + tähän mennessä luotu teksti) ennustaakseen seuraavan tokenin.<br/> <br/> Tilastollinen valinta: Malli laskee todennäköisyydet kaikille mahdollisille seuraaville tokeneille ja valitsee niistä yhden (usein painotetulla satunnaisuudella), mikä selittää, miksi malli ei tuota aina täsmälleen samaa vastausta samasta kehotteesta.<br/> <br/> Ihmismäinen teksti: Toistamalla tätä prosessia tuhansia kertoja, malli rakentaa lauseita, kappaleita ja lopulta ihmismäistä tekstiä, joka on sisällöltään johdonmukaista ja kontekstiin sopivaa.</li> </ol> <br/> <b>Yhteenveto</b><br/> <br/> Suuret kielimallit toimivat siis erittäin monimutkaisina tilastollisina kielen mallintajina, jotka valtavan datamäärän ja edistyneen neuroverkkoarkkitehtuurin (muuntaja) avulla pystyvät ennustamaan, mikä teksti on todennäköisintä ja luonnollisinta seuraavaksi. 2025-09-24T20:51:25+03:00