Selles postituses harutame koos lahti, kuidas tehisaru töötab. Aga teeme seda inimkeeles, ilma keerulise matemaatika ja tehnilise žargoonita. Eriti oluline on fookusesse võtta, miks algoritmi läbipaistvus on kriitilise tähtsusega ja kuidas see meid kõiki puudutab.
Kuidas tehisaru töötab – Sisukord
Sissejuhatus: kuidas tehisaru töötab ja miks algoritmide läbipaistvus loeb
Tehisaru (AI) on märkamatult, aga kindlalt pugenud meie igapäevaellu. See soovitab meile filme Netflixis, aitab arstidel diagnoose panna ja juhib isegi autosid. Kuid mis on selle nähtamatu jõu taga, mis teeb meie eest ja meie nimel otsuseid?
Selle postituse eesmärk ongi kogu see tehisaru ja masinõppe loogika sinu jaoks selgeks teha. Vaatame koos, kuidas üks mudel päriselt “õpib”, milline on andmete roll selles protsessis ja miks läbipaistvus pole lihtsalt ilus sõnakõlks, vaid hädavajadus usalduse, vastutuse ja vigade parandamise jaoks.
Läbipaistvuse teema on tegelikult väga praktiline: kui me ei saa aru, miks süsteem mingi otsuse tegi, on peaaegu võimatu vigu parandada või kahjulikke tulemusi vaidlustada.
Alustame põhitõdedest: mis on tehisaru ja mis on masinõpe (ilma matemaatikata)
Et aru saada, kuidas tehisaru tegelikult töötab, alustame päris algusest. Kõige lihtsam on mõelda tehisarust (AI ehk Artificial Intelligence) kui ühest suurest katusmõistest. See hõlmab kõiki süsteeme, mis suudavad teha asju, mida tavaliselt seostame inimmõistusega – näiteks mustrite äratundmine piltidelt, keele mõistmine või isegi auto juhtimine.
Selle suure katuse all on aga üks eriti tähtis ja praktiline osa – masinõpe (ML ehk Machine Learning). See on tehisaru alamhulk, kus mudel ei oota täpseid juhiseid, vaid õpib ise otse andmetest mustreid leidma, et teha prognoose või otsuseid täiesti uue info kohta.
Näiteks selle asemel, et programmeerida sadu reegleid rämpsposti tuvastamiseks, anname masinõppe mudelile tuhandeid näiteid nii rämpskirjadest kui ka tavalistest kirjadest. Mudel õpib ise selgeks, millised sõnad või lingid kõige tõenäolisemalt rämpsule viitavad. See ongi masinõppe võlu – võime õppida kogemusest, täpselt nagu inimene, aga palju suuremas mahus.
Liitu Eesti AI kogukonnaga (BETA), ja aita ülesse ehitada kogukond ning platvorm kus Eesti inimesed saaksid õppida, kuidas tehisintellekti nutikalt ja turvaliselt enda kasuks tööle panna ning kasutada AI tööriistu ilma, et peaksid maksma kalleid kuutasusid mitmetele erinevatele platvormidele!
Suhtle jututubades teiste Eesti AI huvilistega, küsi nõu / anna nõu, avasta uusimaid AI tööriistu, praktilisi tehisaru juhendeid ning palju muud!
NB! Esimesele 1000 liitujale eluagne tasuta sissepääs!
Tehisaru (AI) ja masinõppe (ML) peamised erinevused
Kuigi neid termineid kasutatakse sageli läbisegi, on neil tegelikult selge vahe. See tabel aitab sul mõista, kuidas laiem tehisaru kontseptsioon suhestub selle spetsiifilise ja praktilise alamvaldkonna, masinõppega.
| Tunnus | Tehisaru (AI) | Masinõpe (ML) |
|---|---|---|
| Ulatus | Lai valdkond, mis hõlmab kõiki intelligentseid masinaid. | Spetsiifiline AI alamhulk, mis keskendub andmetest õppimisele. |
| Eesmärk | Luua süsteem, mis suudab täita intelligentseid ülesandeid. | Luua süsteem, mis suudab andmete põhjal mustreid leida ja ennustada. |
| Näide | Klienditeeninduse vestlusrobot, mis vastab küsimustele. | Algoritm, mis õpib ennustama, milline klient tõenäoliselt lahkub. |
Selle eristuse mõistmine on oluline, sest mitte iga tehisaru ei kasuta masinõpet. Samas on just masinõpe see tehnoloogia, mis on viimase kümnendi arenguhüppe taga.
Ja kuigi terminid võivad tunduda keerulised, on nende rakendused meile juba väga lähedal. Statistikaameti andmetel olid 2025 aasta septembris Eestis peaaegu pooled internetikasutajatest (47%) juba tehisintellektiga kokku puutunud. See näitab, kui kiiresti see tehnoloogia meie igapäevaellu jõuab. Täpsemalt saab selle kohta lugeda Statistikaameti uuringust.
Hea meelespeareegel on selline: kõik masinõppe süsteemid on tehisaru, aga kõik tehisaru süsteemid ei ole masinõpe. Mõned lihtsamad AI-süsteemid põhinevad lihtsalt eelnevalt sisse programmeeritud reeglitel, ilma andmetest ise õppimata.
Kui soovid veelgi sügavamalt aru saada, kuidas AI, tehisaru ja tehisintellekt omavahel seotud on, loe kindlasti ka meie põhjalikku selgitust: Tehisaru vs tehisintellekt vs AI – mis on nende vahe?. Nüüd, kui põhimõisted on selged, saame edasi liikuda ja vaadata, kuidas see õppimine päriselt toimub.
Kuidas masinõpe päriselt töötab: treenimine → testimine → kasutamine
Masinõppe protsess on üllatavalt sarnane sellega, kuidas inimene õpib. Siin pole mingit mustkunsti, vaid selge ja loogiline teekond, mis koosneb kolmest põhietapist: treenimine, testimine ja alles siis reaalne kasutamine.
1) Treenimine: mudel õpib seoseid andmetest
Kõik saab alguse treeningust. Selles etapis söödetakse masinõppe mudelile ette hiiglaslik kogus andmeid koos n-ö “õigete vastustega” (sildistatud andmed). Seda meetodit kutsutakse juhendatud õppeks (supervised learning), sest me justkui juhendame mudelit, näidates talle, mis on õige ja mis vale.
Treenimise käigus teeb mudel järjest ennustusi, võrdleb neid etteantud õigete vastustega, mõõdab oma eksimust (tehnilises keeles on see loss ehk kaotus) ja seejärel kohandab oma sisemist loogikat, et järgmisel katsel paremini hakkama saada. See on pidev proovimise ja parandamise tsükkel, kuni mudeli vastused on piisavalt täpsed.
Näiteks kujuta ette, et õpetame tehisaru eristama koera- ja kassipilte. Me näitame talle tuhandeid fotosid, millel on silt “koer” või “kass”. Alguses pakub mudel täiesti huupi, kuid iga vale vastuse peale muudab ta oma sisemisi seadeid, et järgmine kord õigele vastusele lähemale jõuda.
2) Hindamine: kas mudel töötab uue info peal?
Kui treening on läbi, on aeg eksamiks. Mudelit testitakse nüüd andmetega, mida see pole kunagi varem näinud. See on kriitiliselt oluline samm veendumaks, et mudel on asjast päriselt aru saanud (ehk suudab üldistada) ega ole lihtsalt vastuseid pähe tuupinud.
Kui mudel tuleb uute, tundmatute andmetega hästi toime, võime eeldada, et ta suudab sarnaseid ülesandeid lahendada ka päriselus. Kui aga andmestik on väike või ühekülgne (näiteks sisaldab ainult mustade kasside pilte), läheb mudeli tulemus päriselus kiiremini käest.
3) Kasutamine (mudeli jooksutamine): mudel annab vastuse uuele sisendile
Kui mudel on eksami edukalt sooritanud, on ta valmis tööle asuma. Selles etapis kasutab ta treeningu käigus õpitud seoseid, et teha ennustusi täiesti uute andmete põhjal.
Näiteks kasutab sinu e-posti klient seda, et otsustada, kas värskelt saabunud kiri on rämpspost, või kasutab pank seda sinu laenutaotluse krediidiriski hindamiseks. Siin tekib ka praktikas vajadus logimise ja järelevalve järele, sest “päris maailm” on pidevas muutumises ja mudel võib ajas oma täpsust kaotada.
See protsess, kus tehisaru õpib andmetest ja rakendab õpitut, on muutumas ka Eesti ettevõtluses aina tavalisemaks. Statistikaameti andmetel on tehisintellekt 14% Eesti firmadest juba igapäevases kasutuses ning kasutajate osakaal kasvas aastaga pea kolmekordseks. Loe selle kohta täpsemalt Statistikaameti veebilehelt.
Andmete roll: andmed kujundavad mudeli käitumise
Kui kujutleda masinõppe mudelit ette võimsa mootorina, siis andmed on kütus, mis sellele üldse elu sisse puhub. Andmete kvaliteet (nende suurus, mitmekesisus ja esinduslikkus) mõjutab otseselt, kui hästi mudel suudab uutele olukordadele üldistada.
Kui andmed on kallutatud või puudulikud, õpib mudel “valed” mustrid ja toodab ebavõrdseid või ebatäpseid tulemusi. Nii lihtne see ongi: prügi sisse, prügi välja.
Näiteks kui AI õpib töölevõtmise otsuseid tegema firma varasemate andmete põhjal, kus ajaloolistel põhjustel eelistati mehi, hakkab ka mudel tulevikus meeskandidaate soosima. Mudel ei ole “seksistlik”, vaid peegeldab talle ette söödetud andmete piiratust.
Mida tähendab algoritmide läbipaistvus (ja mis see ei ole)
Nüüdseks on selge, et andmed on iga tehisaru süsteemi süda. Aga mis saab siis, kui see sama mudel hakkab langetama otsuseid, mis mõjutavad päriselt meie elusid? Siin astubki mängu algoritmide läbipaistvus. Lihtsustatult öeldes tähendab see, et suudame mõista, miks AI-süsteem tegi just sellise otsuse, mitte teistsuguse.
Läbipaistvus, selgitatavus ja tõlgendatavus — mis vahe on?
USA Riiklik Standardite ja Tehnoloogia Instituut (NIST) eristab neid mõisteid, et tuua teemasse selgust. Need aitavad valida õige selgituse taseme eri sihtrühmadele.
- Läbipaistvus aitab vastata küsimusele: „Mis süsteemis üldse juhtus?” See on justkui logiraamat, mis näitab, millised andmed läksid sisse ja mis välja tuli.
- Selgitatavus vastab küsimusele: „Kuidas see otsus tehniliselt sündis?” See avab natuke rohkem musta kasti sisu.
- Tõlgendatavus läheb kõige sügavamale, küsides: „Miks süsteem just nii otsustas?” See tõlgib tehnilise protsessi inimlikult mõistetavasse keelde.
Näiteks kujuta ette, et tehisaru lükkab tagasi su kodulaenu taotluse. Läbipaistvus annaks sulle lihtsalt teada, et otsus tehti. Selgitatavus tooks välja, et peamisteks teguriteks olid sinu sissetulek ja varasem maksekäitumine. Tõlgendatavus aga seletaks lahti, et sinu sissetuleku ja kohustuste suhe ületas mudeli hinnangul ohutu piiri. Just see viimane annab sulle võimaluse otsust mõista ja seda vaidlustada.
Läbipaistvus ei tähenda, et mudel on automaatselt õiglane või täpne
On väga oluline meeles pidada, et läbipaistvus üksi ei lahenda kõiki probleeme. See, et me näeme, kuidas süsteem otsuseni jõudis, ei tee seda otsust automaatselt õiglaseks, eetiliseks või täpseks.
NIST rõhutab, et läbipaistvus võib suurendada vastutust ja parandatavust, kuid see ei garanteeri täpsust, privaatsust või õiglust. Mõte lugejale: läbipaistvus on eeldus, et vigu märgata ja parandada, mitte kvaliteeditõend iseenesest.
Miks läbipaistvus on vajalik: usaldus, vastutus ja vaidlustamine
Usaldus on iga tehnoloogia laialdase kasutuselevõtu nurgakivi. Läbipaistvus toetab vastutust, sest inimesed ja organisatsioonid saavad aru, millest tulemus tuli, ning vajadusel vaidlustada või parandada kahjulikke väljundeid.
OECD põhimõtetes on läbipaistvus ja vastutustundlik avalikustamine usaldusväärse AI keskne osa. See tähendab ka, et sa pead alati teadma, kui suhtled tehisintellektiga – olgu see siis klienditeeninduses või töökohal. Loe lähemalt OECD AI põhimõtetest.
Kuidas teha “piisavat läbipaistvust” praktikasse (mida lugeja saab oma töös nõuda)
- Kasutajale: Nõua selget teavitust, et tegemist on AI-ga, ning lihtsat selgitust selle piirangutest (näiteks millal see võib eksida).
- Juhtkonnale: Oluline on riskikaart (kus AI mõjutab otsuseid), mõõdikud, inimkontrolli punktid ja selged vastutajad.
- Tehnilisele tiimile: Vajalik on dokumentatsioon andmeallikate, mudeli versioonide ja testide kohta ning logid, mis näitavad, mis pärast uuendusi muutus.
Levinud väärarusaamad (mida postituses lugejale selgeks teha)
- “Algoritm on neutraalne” → Tegelikult sõltub tulemus andmetest ja eesmärgi seadistusest, mis on mõlemad inimeste loodud.
- “Kui mudel on läbipaistev, siis ta on õige” → Läbipaistvus aitab vigu parandada, aga ei garanteeri õigsust.
- “AI otsustas” → Tegelikult otsustas inimene või organisatsioon AI kasutusele võtta; vastutus jääb alati inimesele.
Lugeja järgmine samm: kuidas seda teadmist päriselus kasutada
Nüüd, kui sul on pilt selgem, kuidas tehisaru tegelikult töötab, on aeg see teadmine enda kasuks tööle panna.
Kui kasutad AI-d töös, tee endale harjumuseks esitada kolm küsimust:
- “Mis on sisendandmed?” (Millise info pealt see õppis?)
- “Mis on piirangud?” (Kus see võib eksida?)
- “Kuidas ma kontrollin tulemust?” (Kuidas ma saan vastust kontrollida?)
Kui hangid AI-lahendust, küsi tarnijalt alati läbipaistvuse taseme kohta. Uuri, millist infot nad pakuvad eri rollidele (kasutaja, juht, arendaja), et mõista, kuidas otsused sünnivad ja miks.
Kas tehisaru võtab minu töö ära?
See on kahtlemata üks suuremaid hirme. Ajalugu on aga korduvalt näidanud, et tehnoloogia muudab alati tööturgu – teatud ülesanded automatiseeritakse, kuid samal ajal tekib täiesti uusi ameteid. Tehisaru ei ole siin mingi erand.
Tõenäoliselt ei kao terved elukutsed, vaid muutuvad tööülesanded nende sees. Rutiinsed ja korduvad tegevused automatiseeritakse, mis annab inimestele rohkem aega keskenduda keerulisematele, loovamatele ja strateegilisematele ülesannetele.
Võitjateks osutuvad need, kes õpivad tehisaru oma töö tõhustamiseks kasutama, mitte need, kes seda väldivad. Hea näide on Tartu Ülikool, kus on juba loodud uus õppeaine “Tehisintellekti rakendamise projekt”, mis valmistab tudengeid just tuleviku tööturuks ette. Sellest saab lähemalt lugeda arvutiteaduse instituudi blogist.
