Selitettävän tekoälymallin toteutus objektintunnistukseen

Abstract

Opinnäytetyön tavoitteena oli kehittää neuroverkkoihin pohjautuva syväoppimismalli, jonka avulla sen päätöksentekoa voidaan selittää. Mallin tarkoituksena oli tunnistaa poikkeavat kuvat teollisen tuotannon objekteista sekä tuottaa niille selitykset. Tämä toteutettiin integroimalla malliin selitettävän tekoälyn menetelmä LIME. Mallin kouluttamiseen hyödynnettiin VisA-datasettiä, joka on suunniteltu poikkeavuuksien havaitsemiseen ja sisältää kuvia teollisen tuotannon objekteista. Vaikka mallin yleistä suorituskykyä ja ennustustarkkuutta seurattiin, opinnäytetyön ensisijainen painopiste oli mallin selitettävyydessä. Työllä ei ollut varsinaista toimeksiantajaa ja työn aihe valikoitui tekijän yleisestä kiinnostuksesta tekoälyyn sekä opintojen erikoistumisesta datatieteeseen. Opinnäytetyön teoriaosassa kerrotaan tekoälystä aluksi yleisellä tasolla, minkä jälkeen syvennytään neuroverkkoihin ja syväoppimiseen. Lisäksi tarkastellaan selitettävän tekoälyn käsitettä ja esitellään työn kannalta keskeiset menetelmät. Työn tietopohja muodostuu pääasiassa ajankohtaisista tieteellisistä lähteistä, kuten vertaisarvioiduista tutkimuspapereista ja alan kirjallisuudesta. Opinnäytetyö on luonteeltaan toiminnallinen ja sen tavoitteena on havainnollistaa selitettävän tekoälyn tekniikoiden käytännön soveltamista syväoppimismallissa. Työn tuloksena syntyi syväoppimismalli, joka pystyy tunnistamaan normaaleja ja poikkeavia kuvia rajatusta aineistosta sekä antamaan visuaaliset selitykset ennusteille. Malli on suoritusteholtaan vertailukelpoinen etenkin sen keveyteen ja resurssivaatimuksiin nähden. Saatujen tulosten perusteella havaittiin, että malli tunnistaa normaalit kuvat varsin tarkasti, mutta poikkeavien kuvien kohdalla sen ennustustarkkuus jäi selvästi heikommaksi. LIME-menetelmä auttoi hahmottamaan kuvista ne alueet, joihin malli keskittyi eniten ennusteita tehdessään. Tämä paransi malliin selitettävyyttä, mutta ei merkittävästi lisännyt ymmärrystä sen sisäisestä toiminnasta. Johtopäätöksenä voidaan todeta, että selitettävän tekoälyn menetelmät vaativat edelleen kehittämistä tältä osin.