Roskapostikansioon päätyy yleensä viestejä, joita et halua lukea. Joskus suodatin kuitenkin erehtyy: tärkeä viesti katoaa roskapostiin tai huijausviesti jää saapuneisiin. Tämän tutun esimerkin avulla voit seurata, miten tekoälymalli oppii ja miksi sen toimintaa pitää tarkistaa myös käyttöönoton jälkeen.
Tunnilla etsit vastauksen kolmeen kysymykseen:
Roskapostia voi käsitellä yksinkertaisella säännöllä: jos lähettäjän osoite on estolistalla, siirrä viesti roskapostiin. Ihminen on kirjoittanut ehdon etukäteen, ja järjestelmä noudattaa sitä.
Koneoppimismalli toimii eri tavalla. Sille näytetään paljon viestejä, joista tiedetään, mitkä ovat roskapostia ja mitkä tavallisia viestejä. Malli etsii esimerkeistä yhteyksiä ja muodostaa niiden perusteella arvion uudesta viestistä. Todellinen sähköpostipalvelu voi käyttää sekä ihmisen kirjoittamia sääntöjä että koulutettua mallia.
Tässä esimerkissä malli ei opi samalla hetkellä, kun se arvioi sinun viestiäsi. Ensin se koulutetaan esimerkkiaineistolla. Sen jälkeen koulutettua mallia käytetään uusien viestien arviointiin.
Mallille kerättyä aineistoa ei käytetä yhtenä suurena kasana. Se jaetaan tavallisesti kolmeen osaan.
Koulutusaineisto on harjoittelua varten. Roskapostimalli oppii siitä, millaisia yhteyksiä viestien ja oikeiden luokkien välillä on.
Validointiaineisto auttaa vertailemaan malliversioita rakentamisen aikana. Sen avulla valitaan toimivampi versio ja säädetään rakentamisen valintoja.
Testiaineisto pidetään erillään viimeistä tarkistusta varten. Sillä arvioidaan valittua mallia tapauksissa, joita ei käytetty kouluttamiseen tai malliversion valintaan.
Ajattele opiskelua. Harjoitustehtävien avulla opit, harjoituskokeen avulla huomaat korjattavaa ja lopullinen koe näyttää, miten selviydyt uusista kysymyksistä. Jos katsot lopullisen kokeen vastaukset jo harjoittelun aikana, koe ei enää kerro luotettavasti osaamisestasi. Samasta syystä testiaineistoa ei käytetä mallin säätämiseen.
Hyvä malli ei vain muista näkemiään viestejä. Sen pitää osata arvioida myös uusia samankaltaisia viestejä. Tätä kutsutaan yleistymiseksi.
Ylioppiminen tarkoittaa, että malli mukautuu koulutusaineiston yksityiskohtiin liian tarkasti. Se voi näyttää harjoittelussa erinomaiselta mutta epäonnistua uusissa viesteissä. Sama tapahtuu, jos opiskelija opettelee harjoituskokeen vastausrivin ulkoa ymmärtämättä asiaa: uudenlainen kysymys paljastaa ongelman.
Erillinen testiaineisto auttaa huomaamaan ylioppimista. Yksi hyvä testitulos ei silti takaa, että malli toimii aina, kaikkien käyttäjien viesteissä tai tulevaisuudessa.
Kun malli on testattu, se voidaan liittää sähköpostipalveluun. Samalla päätetään, mitä malli saa tehdä ja miten käyttäjä voi korjata virheen. Esimerkiksi viestin voi palauttaa roskapostikansiosta saapuneisiin.
Käytössä mallia seurataan. Seurannassa tarkastellaan esimerkiksi sitä, lisääntyvätkö väärin luokitellut viestit tai jääkö uudenlainen huijausviesti tunnistamatta. Maailma muuttuu: viestien aiheet, kirjoitustavat ja huijausten keinot eivät pysy samoina.
Jos toiminta heikkenee, syy selvitetään. Aineistoa voidaan täydentää, malli kouluttaa uudelleen ja uusi versio testata ennen käyttöönottoa. Käytössä oleva malli ei korjaa itseään automaattisesti vain siksi, että se näkee uusia viestejä.
Pysähdy hetkeksi: Miksi viime vuoden hyvä testitulos ei yksin riitä osoittamaan, että roskapostimalli toimii hyvin tänään?
Mallin onnistumista kannattaa kuvata sen mukaan, mitä sen on osoitettu tekevän. Roskapostimalli tekee rajattua tunnistustehtävää. Tekstiä tuottava järjestelmä voi puolestaan kirjoittaa luonnoksen varoitusviestistä. Näitä toimintoja kuvaavat käsitteet kapea tekoäly ja generatiivinen tekoäly.
Generatiivisista järjestelmistä tunnetuimpia ovat ChatGPT, Claude, Microsoft Copilot ja Google Gemini. Niiden rinnalla on avoimia malleja, jotka kuka tahansa voi ladata omalle koneelleen — esimerkiksi kiinalaiset DeepSeek ja KIMI. Nimet vaihtuvat ja uusia tulee jatkuvasti, joten niitä ei kannata opetella ulkoa. Olennaista on tunnistaa, mihin ryhmään järjestelmä kuuluu ja mitä siitä seuraa.
Kapea tekoäly on rakennettu tiettyä tehtävää tai rajattua tehtäväjoukkoa varten. Roskapostimalli voi olla omassa tehtävässään erittäin hyvä, mutta se ei siksi osaa suunnitella matkaa, opettaa matematiikkaa tai hoitaa mitä tahansa muuta tehtävää.
Kapea ei siis tarkoita huonoa. Se tarkoittaa, että osaamisella on rajat.
Kapeaa tekoälyä on ympärilläsi enemmän kuin huomaat: roskapostisuodatin sähköpostissa, kasvojentunnistus puhelimen kuvagalleriassa, pankin korttimaksujen poikkeamavalvonta ja suoratoistopalvelun suositukset. Yksikään niistä ei keskustele kanssasi, ja juuri siksi niitä ei yleensä kutsuta arjessa tekoälyksi.
Generatiivinen tekoäly tuottaa esimerkiksi tekstiä, kuvia, ääntä tai videota. Sähköpostipalvelun tekstitekoäly voisi luonnostella vastauksen käyttäjän puolesta. Tuotos voi olla hyödyllinen, mutta se voi myös sisältää virheitä ja vaatii siksi tarkistamista.
Kapea ja generatiivinen eivät ole vastakohtia. Sama järjestelmä voi olla molempia. Järjestelmä voi tuottaa tekstiä ja silti toimia vain rajatussa tehtävässä tai rajatussa toimintaympäristössä. Generatiivisuus kertoo, että järjestelmä tuottaa sisältöä. Se ei yksin kerro, kuinka laajasti järjestelmä osaa oppia ja toimia.
Kapeaa ja generatiivista tekoälyä käytetään jo nyt. AGI ja ASI ovat eri asia: ne ovat tulevaisuutta koskevia käsitteitä, eivät nykyisten tuotteiden tavallisia ominaisuuksia tai kehityksen varmoja seuraavia vaiheita.
AGI on lyhenne sanoista artificial general intelligence. Sillä tarkoitetaan yleensä tekoälyä, joka pystyisi oppimaan, soveltamaan osaamistaan ja toimimaan joustavasti hyvin erilaisissa tehtävissä ihmisen tavoin.
AGI:lle ei ole yhtä yleisesti hyväksyttyä määritelmää tai testiä. Yleisesti hyväksyttyä nykyistä AGI-esimerkkiä ei ole. Sujuva keskustelu, hyvä koetulos tai onnistuminen monessa tehtävässä voi olla vaikuttava suoritus, mutta se ei yksin osoita AGI:a.
ASI on lyhenne sanoista artificial superintelligence. Sillä tarkoitetaan hypoteettista tekoälyä, joka ylittäisi ihmisen kyvyt laajasti esimerkiksi päättelyssä, suunnittelussa ja ongelmanratkaisussa.
ASI on spekulatiivinen käsite. Tällaista järjestelmää ei ole, eikä tiedetä, voitaisiinko sellainen rakentaa. ASI:a ei pidä esitellä nykyteknologiana eikä AGI:n varmana seuraavana vaiheena.
| Käsite | Perusajatus | Nykyinen vai tulevaisuutta koskeva? |
|---|---|---|
| Kapea tekoäly | Tekee rajattua tehtävää tai tehtäväjoukkoa | Käytössä nyt |
| Generatiivinen tekoäly | Tuottaa uutta sisältöä | Käytössä nyt |
| AGI | Toimisi joustavasti hyvin erilaisissa tehtävissä | Tulevaisuus- ja tutkimuskäsite; yleisesti hyväksyttyä nykyistä AGI-esimerkkiä ei ole |
| ASI | Ylittäisi ihmisen kyvyt laajasti | Hypoteettinen ja spekulatiivinen käsite |
Taulukko ei ole kehitysportaikko. Kapea ja generatiivinen kuvaavat eri asioita ja voivat toteutua samassa järjestelmässä. AGI ja ASI eivät ole mallin koulutuksen tai päivityksen seuraavia vaiheita.
Jos uutinen kertoo tekoälyn olevan ihmisen veroinen tai ihmistä parempi, aloita näkyvästä näytöstä:
Roskapostin onnistunut tunnistaminen kertoo rajatusta tunnistustehtävästä. Hyvän viestin tuottaminen kertoo sisällön tuottamisesta. Kumpikaan havainto ei yksin osoita, että järjestelmä oppisi minkä tahansa uuden tehtävän tai ylittäisi ihmisen kyvyt laajasti.
Malli oppii koulutusaineistosta. Validointiaineisto auttaa vertailemaan versioita, ja erillinen testiaineisto auttaa tarkistamaan valitun mallin toimintaa uusissa tapauksissa. Hyvä malli yleistää sen sijaan, että se muistaisi koulutusesimerkit liian tarkasti.
Käyttöönoton jälkeen mallia seurataan, koska maailma ja käyttötilanteet muuttuvat. Heikentynyt malli tutkitaan, päivitetään ja testataan hallitusti — se ei opi automaattisesti jokaisesta uudesta viestistä.
Kapea ja generatiivinen tekoäly kuvaavat nykyisiä järjestelmiä, ja sama järjestelmä voi olla molempia. AGI ja ASI ovat tulevaisuutta koskevia käsitteitä. Arvioi aina ensin, mitä järjestelmän on todella osoitettu tekevän.
Tarkistettu 21.7.2026.
Tällä välilehdellä harjoittelet tunnin kolmea kysymystä: miten malli oppii ja tarkistetaan, miksi sitä seurataan käytössä ja miksi nykyinen suoritus ei osoita AGI:a tai ASI:a. Tehtävät tarkistuvat heti, eikä kukaan muu näe vastauksiasi.
Tässä tehtävässä kapea ja generatiivinen tekoäly kuuluvat samaan nykyisten järjestelmien ryhmään. Sama järjestelmä voi olla molempia.
Esimerkit, joiden avulla malli oppii. Roskapostimallin koulutusaineistossa viestit on merkitty esimerkiksi roskapostiksi tai tavalliseksi viestiksi.
Koulutuksesta erillinen aineisto, jonka avulla malliversioita verrataan ja rakentamisen valintoja säädetään.
Rakentamisesta erillään pidetty aineisto, jolla valitun mallin toimintaa arvioidaan uusissa tapauksissa.
Mallin kyky toimia myös uusissa, koulutusesimerkkejä muistuttavissa tapauksissa.
Tilanne, jossa malli mukautuu koulutusaineiston yksityiskohtiin liian tarkasti ja toimii siksi heikommin uusissa tapauksissa.
Mallin ja sen tulosten tarkkailu käyttöönoton jälkeen. Seuranta auttaa huomaamaan virheet ja toiminnan heikkenemisen.
Tiettyyn tehtävään tai rajattuun tehtäväjoukkoon rakennettu tekoäly. Kapea voi olla omassa tehtävässään erittäin taitava.
Tekoäly, joka tuottaa esimerkiksi tekstiä, kuvaa, ääntä tai videota. Sama järjestelmä voi olla sekä generatiivinen että kyvyiltään rajattu.
Tutkimus- ja tulevaisuuskäsite tekoälystä, joka pystyisi oppimaan, soveltamaan osaamistaan ja toimimaan joustavasti hyvin erilaisissa tehtävissä. Yleisesti hyväksyttyä nykyistä AGI-esimerkkiä ei ole.
Hypoteettinen tekoäly, joka ylittäisi ihmisen kyvyt laajasti. ASI on spekulatiivinen käsite, ei nykyinen järjestelmä tai varma kehitysvaihe.