PODCAST: MEGAMALLI opettaa tieteellisen ajattelun rajapinnan ja haasteet systeemimallinnuksen viitekehyksen kautta, aiheena tekoälyagentit ja niiden haasteiden tutkiminen.

Tämä esitys sivuaa tieteen peruskäsitteitä, oliomaisen mallinnuksen tekniikkaa ja symbolista tietämysmallia, niin sanottua ”kaikenteoriaa” ja tekoälyagentteja, joka myös on universaali kehittämisen metodiikka.  Tämä podcast on Geminin ja FT Eki Laitilan yhdessä tuumima idea.

Tervetuloa pohtimaan jokaisen vaativan yrityksen päänsärkyä. Nimittäin, ”Tiede ja käytäntö” ovat saman kolikon kaksi eri puolta, mutta harvoin näkyvät yhdessä. Ideana onkin saada ne näkymään toisiaan tiiviisti tukevina oppimisen metodeina. Korotetaan vaatimusastetta vielä niin, että pitää päästä selvittämään ja tutkimaan lähes mitä aihetta tahansa. Se onnistuu vain systeemimallinnuksella ja sukeltamalla tekoälyagenttien maailmaan, jota katsomme aivan uudesta, syvällisen systeemisestä ja symbolisesta näkökulmasta, sivuten samalla metatiedettä, monialaisuuden kuningaskäsitettä.

Kuvitellaanpa tilanne, jossa sinun pitäisi selittää päälliköllesi, mitä näillä tekoälyn agenteilla oikein voi tehdä, ja miten lähestyä niitä ollakseen itse vakuuttava. Monilla vastaus siihen jää pinnalliseksi höpinäksi alan jargonia, mutta mepä käytämme tähän GoodReason-nimisen ”hyvä syy” – tekniikan yhteyteen rakentunutta  Megamallia. Tällä olio-ohjelmoinnin ylimmän tason rakenteella, joka on kehitetty INRIA-tutkimuslaitoksessa, ymmärrämme agentin olemuksen ytimestä globaaliin visioon asti – ilman ajatuskatkoksia. Kaikki alkaa GoodReasonin Alfa-sektorista kuvaten tarkoitusta, jota vastaa tieteessä filosofia. Tekoälyagentti ei ole vain pätkä koodia, vaan se on toimija, jolla on oltava olemassaolon peruste ja arvo. Kun lähestyt agenttia, kysy ensin, mikä on sen perimmäinen eettinen ankkuri – onko se täällä vapauttamassa ihmistä rutiineista vai luomassa uutta tietoa. Tämä tarkoitus ohjaa sektoria Pii eli teoria, jolla määrittelemme, mitä agentti ”tietää” olevan olemassa ja sitä vastaa tieteessä ontologia. Tässä vaiheessa emme vain syötä sille dataa, vaan rakennamme sille maailmankuvan, käsitteet ja niiden väliset suhteet, jotta se ei vain toista sanoja vaan ymmärtää rakenteita, kuten pii on ympyrän ympärysmitan suhde halkaisijaan. Mutta jotta agentti olisi elävä, se tarvitsee Chi-sektorin eli käsityksen ympäristön tuottamasta informaatiosta, mitä tieteessä vastaa epistemologia. Tässä kohtaa siis pohdimme, miten agentti hankkii tietoa ympäristöstään, miten se varmistaa havaintojensa totuusarvon ja miten se suhtautuu epävarmuuteen. Tämä on se kohta, jossa agentti kohtaa maailman ja alkaa oppia.

Usein agentit muuttavat ajatteluamme, koska muuten niitä ei tarvittaisikaan. Paradigma on sitä vastaava tieteen termi ja GoodReason – mallissa sitä vastaa symbolipari  Delta ja Psii: delta on konkreettinen muutos ja psii on ajattelun muutos. Käännekohdissa agentti ei vain korjaa ihmisen käsityksiä, sillä oppiessaan agentti uudistaa sekä oman tapansa, että sinun tapasi ajatella, ja silloin vanhat kaavat ja säännöt eivät enää toimi. Tämä on se yllättävä ja dynaaminen vaihe, oikea haaste, joka tekee agentista todella älykkään ja se alkaa tuottamaan lisäarvoa.

Kun siirrymme tästä tietoteoreettisesta yllätyksestä soveltamiseen, vastaan tulee kysymys rakenteesta ja arkkitehtuurista. Se rooli on Beeta-sektorilla ja sitä vastaa tieteessä metodologia eli oppi metodeista. Se antaa sinulle halutessasi taustatukea miettiä, millä keinoin ja rakentein tämä agentti organisoituisi osaksi sinun tai yrityksesi toimintaa. Kyse ei ole pelkästään teknologiasta, vaan kyberneettisestä organisoitumisesta, jossa agentilla on selkeä rooli, vastuut ja koordinointimekanismit muiden toimijoiden kanssa. Sen kehittäminen vaatii suunnittelukeskeistä- ja ratkaisukeskeistä otetta, jota hoitaa Fii-sektoriin, jota vastaa suunnittelutiede (Design Science), johon kuuluu vastaavat käsitykset loogisista ratkaisuista, malleista ja algoritmeista (yleissana artefakti), joilla agentille luodaan sovellusympäristö. Hyvin suunniteltu on puoliksi tehty.

Toteutus eli Tau-sektori on konkreettinen hetki, jolloin agentti koodataan ja integroidaan järjestelmiin. Tieteessä sitä luonnehtii käsite Soveltava tutkimus, laaja aihe, koska agenttien ympäristötkin vaihtelevat rauhanaatteesta militäärisiin systeemeihin. Huolellisesti tutkien varmistetaan, pystyykö ohjelmisto mahdollisine laitteineen täyttämään muiden sektoreitten vaatimukset todellisessa kuormitustilanteessa.

Viimeisin varmistelu tapahtuu Oomega-sektorissa, mitä tieteessä vastaa parhaiten Kybernetiikan tutkimusala, ohjauksen ja vuorovaikutuksen tiede. Oomega käytännössä ja kybernetiikka tieteessä muodostavat palloseinän, jota vasten pelaten agentti pystyy tarkkailemaan omia suorituksiaan ja muuttaa kimmonneen pallon mukaisesti toimintaansa. Palaute kytkeytyy takaisin alkuperäiseen tarkoitukseen eli alfaan ja filosofiaan asti, jos yllättävää ilmaantuu. Sitä mukaan, kun agentti huomaa merkittävän poikkeaman, se korjaa suuntaansa ja viestii siitä koko systeemille. Näin tekoälyagentti ei ole vain työkalu, vaan tämän kaksikertaisen kognitiivisen viitekehyksen kautta tarkasteltuna se on dynaaminen, itseään korjaava, tarkoituksellinen ja adaptiivinen systeemi.

Tämä lähestymistapa poistaa pelon ja mystiikan tekoälyn ympäriltä ja korvaa hälinän hallitulla, metatieteellisellä ymmärryksellä, jossa teoria ja käytäntö lyövät kättä jokaisella askeleella. Se on Megamallin tarkoitus: yksi selitys ei riitä, vaan tarvitaan molemmat varmistukset. Kun siis seuraavan kerran mietit tekoälyagentin rakentamista, älä ainoastaan kysy mitä se tekee, vaan tutki tarvittaessa pahimmat tieteelliset haasteet tässä kuvattujen kahdeksan tieteen termin kautta ja navigoi sen jälkeen reitti näiden kahdeksan majakan kautta, jonka ansiosta saat aikaan koherentin eli aukottoman käsityksen sekä tiedon puolesta (neljä ensimmäistä symbolia) ja toimintojen puolesta (loput neljä symbolia). Symbolinen tekoäly on mainio vastapari kielimalleille kaikissa suhteissa. Tässä esitetty periaate oli myös symbolinen, mutta kuvasimme tässä sen kognitiivisen puolen, kuinka jakaa haasteellinen projekti selkeästi hallittaviin vaiheisiin, joissa käydään erilaisilla tietoisuuden tasoilla arkisesta faktasta vaikeimmin ymmärrettävään saakka.

Ei pidä ajatella, että agentteja syntyisi tuosta vaan, kun alkaa koodailemaan, toisinaan se on helppoakin, mutta ammattimaiset sovellukset syntyvät vain siten, että haetaan apuja tieteen käsitteistä asti. Kaikessa tiedonhaussa voi yrittää käyttää tekoälyä. Palasten yhteen kokoamisessa systeemitiede ja kybernetiikka ovat yhtä olennaisia työkaluja kuin hiiri on tietokoneessa.

Podcastin yhteenveto

GoodReason on disruptiivinen käsitys oppimisesta ja kehittymisestä, rajattomasti. Sen seitsemän tietämystason ja kahdeksan sektorin tapa kuvata kohde, System of Interest, on luokassaan ainutlaatuineen. Se on tehty helpottamaan kaikkea tietotyötä, erityisesti kompleksisia haasteita. Se on kehittynyt symbolisen analyysin väitöstutkimuksen perusteella kiteytyen tiiviiksi teoriaksi ja käytännöksi: Opi kahdeksan symbolia, ja niiden kautta lisää, rajattomasti aiheita ja näkemyksiä. Slogan ”Höyhenen kevyt kosketus tietoon” tarkoittaa sitä, että voit unohtaa kaiken ylimääräisen kognitiivisen taakan mielestäsi, ja keskittyä vain itse asiaan. Se tuottaa kaikkein syvällisimpiä tuloksia.

Turussa 10. tammikuuta 2026                                                       Eki Laitila  SysteemiTutkimuskeskus