Ä¢¹½Ö±²¥

³Õ²¹²õ³Ù²¹±¹Ã¤¾±³Ù³ÙäÂáä²Ôä dosentti Tuomo Kauranne (±õ³Ùä-³§³Ü´Ç³¾±ð²Ô yliopisto) ja kustoksena dosentti Ilkka Pölönen (Jyväskylän yliopisto). Väitöstilaisuuden kieli on englanti.

Yleisö voi seurata väitöstilaisuutta verkkovälitteisesti.
Linkki Zoom-webinaariin (suositellaan Zoom-sovellusta tai Google Chrome selainta):

Puhelinnumero, johon yleisö voi tilaisuuden lopussa osoittaa mahdolliset lisäkysymyksensä (kustokselle): +358 400 248140

Neurolaskenta on yksi tekoälyn ensimmäisistä ja kenties tutkituin aihealue, joka on myös synnyttänyt muita tutkimusalueita, kuten laskenta-arkkitehtuurien suunnittelua sekä rinnakkaiskäsittelymenetelmiä.

Konenäön tutkimusalue syntyi, kun haluttiin ymmärtää ihmisten ja eläinten näköhavainnon syntyä ja käsittelyä. Pääpainona tutkimuksessa oli kuinka näköhavainto "luokittelee" ja käsittelee saamiaan ärsykkeitä.

Neuroverkkomenetelmät, joka on neurolaskennan yksi osa-alue, ovat tällä hetkellä suuressa suosiossa. Esimerkkinä ovat AlphaGo-, GPT-3- ja AlphaFold-menetelmät, jotka pääsääntöisesti perustuvat neuroverkkoarkkitehtuureihin. Neuroverkkoihin kohdistuu paljon odotuksia ja ne soveltuvat monipuolisiin tehtäviin. Haittapuolena näissä menetelmissä on, että ne vaativat erittäin suuren määrän sekä erittäin monipuolista opetustietoa. Lisäksi neuroverkot tarvitset paljon laskennallisia resursseja, varsinkin kun neuroverkoista suunnitellaan aina isompia malleja. On syytä muistaa, että neuroverkot ovat myös syypäitä ensimmäiseen "tekoälytalveen", kun menetelmistä luvattiin liikoja.

Billy Braithwaite tutki väitöstyössään todennäköisyysverkkoja, jotka ovat neurolaskentamenetelmien perusta. Optimointitehtävän näkökulmasta todennäköisyysverkot ovat hankalampia, mutta arkkitehtuurina monipuolisempia neuroverkkoihin verrattuna. Väitöstyö jakaantuu kahteen osaan. Ensimmäinen osa käsittelee sitä, kuinka parannetaan todennäköisyysverkkojen laskentaa optimointiongelman näkökulmasta, sekä kuinka laskentoja voidaan nopeuttaa hyödyntäen teholaskentamenetelmiä. Väitöskirjan toinen osa käsittelee sitä, kuinka yhdistelemällä konvoluutioverkkoja ja todennäköisyysverkkoja voidaan arvioida ihokerroksien fysikaalisia ominaisuuksia. Tätä voidaan hyödyntää esimerkiksi arvioimalla kuinka fysikaaliset ominaisuudet voivat auttaa ihosyövän tutkimuksissa.