Blog

  • Luovien ja kulttuurialojen Innovation Forum -tapahtuman antia (EIT C&C)

    Luovien ja kulttuurialojen Innovation Forum -tapahtuman antia (EIT C&C)

    EIT Culture & Creativityn järjestämässä innovaatiofoorumissa 22.-23.4.2025 oli koolla monipuolisesti eurooppalaisten luovien ja kulttuurialojen toimijoita pk-yrityksistä yliopistoihin, aluekehittäjiin ja eurooppalaisten verkosto-organisaatioiden edustajiin Ranskan Nizzassa. Käytännön järjestelyistä vastasi EIT C&C:n perustajiin kuuluva https://min4ci.univ-cotedazur.eu/  Kaksipäiväisen foorumin useissa paneelikeskusteluissa jaettiin hyviä käytänteitä sekä kuultiin monipuolisia näkökulmia tulevaisuuden mahdollisuuksiin ja käsillä oleviin haasteisiin. Tässä artikkelissa tuodaan esille joitakin poimintoja tapahtumasta.

    Innovaatiofoorumin teema – Luovuus kohtaa kiertotalouden – korosti kulttuuri- ja luovien alojen potentiaalia ajaa siirtymää kohti kiertotaloutta. Tässä yhteydessä pohdittiin, miten luovat alat voivat vahvistaa taloudellista resilienssiä, edistää sosiaalista osallisuutta ja muovata uusia arvoketjuja ja liiketoimintamalleja. Aloitustilaisuudessa ajatuksia herättävän KeyNote-puheen piti hollantilainen arkkitehti ja professori Winy Maas, joka mm. esitteli visioita ”hyper-kiertotaloudesta” ja ”biotopiasta”.

    Teknologialla, mukaan lukien digitalisaatio ja AI, nähtiin merkittävä rooli sekä mahdollisuuksien luomisessa että haasteisiin vastaamisessa. Digitaalisten työkalujen hyödyntäminen kulttuuriperinnön alalla nousi esiin yhtenä mahdollisuutena. Esimerkiksi digitaaliset mallit voivat auttaa säilyttämään uhanalaista perintöä ja tarjota uusia tapoja hallinnoida ja esitellä sitä. Lisäksi pohdittiin, miten AI:ta voidaan hyödyntää datan analysoinnissa potentiaalisten uhkien tunnistamiseksi kulttuuriperintökohteissa.

    Toisaalta, kuten myös LuovAIn!-hankkeen puitteissa on Suomessa paljon keskusteltu, digitalisaation haasteet, kuten tekijänoikeuskysymykset ja materiaalien uudelleenkäyttö, puhuttavat myös eri puolilla Eurooppaa. Erityisesti GenAI:n (generatiivisen tekoälyn) osalta osallistujia puhutti tekijänoikeuksien hallinta sekä syötteenä käytettävän että tuotetun sisällön näkökulmasta.

    Innovaatioiden edistämisessä korostettiin monialaista yhteistyötä ja verkostoitumista. Foorumissa tuotiin esiin erilaisia luovien- ja kulttuurialojen yhteistyömalleja ja -verkostoja, kuten EIT NEB Community ja Net4Society (HE Cluster 2 Community Platform), jotka mahdollistavat tiedon jakamisen ja kumppanuuksien luomisen eri alojen ja organisaatioiden välillä. Myös paikallisten monialaisten innovaatioiden edistämiseen keskittyvien hubien roolia luovien alojen toimijoiden yhdistämisessä pidettiin tärkeänä tulevaisuudessa. Näissä MIN4CI:n kaltaisissa hubeissa pyritään edistämään poikkialaista yhteistyötä taiteilijoiden, tutkijoiden, yritysten ja julkisen sektorin välillä.

    MindMap EIT C&C Innovation Forum

    Keskusteluissa nousi esiin, että luovien alojen innovaatioekosysteemi on monimutkaisempi kuin muilla aloilla. Tämän vuoksi tarvitaan uudenlaisia tutkimus- ja innovaatioagendoja, jotka ottavat huomioon alan erityispiirteet ja monitahoiset vaikutukset. Myös yhteiskunnallisen muutoksen ajurina luovilla aloilla on merkittävä rooli, ja innovaatioita tulisi tarkastella tässä laajemmassa kontekstissa.

    Rahoituksen monimuotoisuuden tärkeyttä korostettiin. Vaikka julkinen rahoitus on edelleen merkittävää, etsittiin myös uusia tapoja rahoittaa luovia hankkeita ja tapahtumia, erityisesti digitaalisen taiteen alalla. Business-enkeleitä esiteltiin yhtenä mahdollisena kanavana startup-yrityksille luovilla aloilla, vaikka sijoittajien ja luovien toimijoiden välinen ymmärrys liiketoiminnallisista rahoitusedellytyksistä ja kasvutavoitteista nähtiin kehityskohteena.

    Foorumissa EIT Culture & Creativity toi myös esille uuden Resilience Initiative’n, jonka tavoitteena on vahvistaa luovaa ja kulttuurista ekosysteemiä globaalien haasteiden edessä. Osana tätä aloitetta on Resilience Roadmaps -ohjelma, joka tukee organisaatioita ja luovia toimijoita omien resilienssistrategioiden kehittämisessä. Tapahtuman loppupuolella keskusteluissa painotettiin tarvetta uusille indikaattoreille ja mittareille, jotka paremmin kuvastavat luovien alojen toimintaa ja niiden yhteiskunnallista vaikuttavuutta. Perinteiset taloudelliset mittarit eivät välttämättä riitä arvioimaan luovien alojen innovaatioiden ja yhteistyön monimuotoisia tuloksia; sosiaalista, kulttuurista ja yhteiskunnallista arvoa.

  • RoboCanvas

    Samankaltaisuus:
    0%
    Taso: 1
    Elämät: 3
    Tavoite: 40%
    Väri:
    30s

    Taso suoritettu!

    Lopullinen samankaltaisuus: 0%
    Tarvittava samankaltaisuus: 0%

    GAME OVER

    Parhaiten saavutettu samankaltaisuus: 0%

    Ohjeet:

    Liikuta robottia nuolinäppäimillä. Kerää väripalloja vaihtaaksesi robotin maalausväriä ja maalaa taustalla näkyviä kuvioita mahdollisimman paljon niiden omilla väreillä. Sinulla on rajattu aika (30s) ja rajattu määrä elämiä. Kun samankaltaisuus ylittää tavoitteen, pääset seuraavalle tasolle. Onnea peliin!

  • Vibe coding – ohjelmoi itse luova projektisi

    Vibe coding – ohjelmoi itse luova projektisi

    ChatGPT:n kaltaiset kielimallit ovat tuoneet ohjelmoinnin jokaisen ulottuville. Tällaista uudenlaista ohjelmointia kutsutaan englanniksi termillä vibe coding. Termille ei ole vielä vakiintunutta suomenkielistä vastinetta, mutta käännökset kuten fiiliskoodaus tai tekoälyavusteinen ohjelmointi kuvaavat sen ydintä: kyseessä on ohjelmointi, jossa tekoälymalli kirjoittaa koodin ihmisen antamien luonnollisen kielen ohjeiden perusteella.

    Tällöin tekijä — kuten luovan alan ammattilainen — ei välttämättä osaa perinteistä ohjelmointia lainkaan tai hallitsee vain perusteet. Hän kuvailee haluttua toimintoa tai lopputulosta, ja kielimalli generoi ehdotuksen tarvittavasta koodista.

    Mitä on vibe coding?

    Vibe coding ei ole pelkästään uusi tekninen työkalu vaan myös uudenlainen ohjelmoinnin paradigma. Termin toi laajempaan tietoisuuteen tekoälytutkija Andrej Karpathy alkuvuodesta 2025. Hän viittasi sillä tapaan, jossa ohjelmointia ei enää tehdä pelkästään eksplisiittisten komentojen ja algoritmien kautta, vaan vuorovaikutteisesti, dynaamisesti ja intuitiivisesti kielimallien avustuksella. Ohjelmoija ei välttämättä edes tiedä, miten tarkalleen jokin toteutetaan, vaan hän ”etsii oikeaa fiilistä” tai suuntaa keskustelua haluttuun lopputulokseen — ikään kuin säveltäisi sovellusta yhdessä koneen kanssa.

    Mahdollisuudet luoville tekijöille

    Vibe-koodaus avaa suuria mahdollisuuksia luovan alan tekijöille. Verkkosivujen, interaktiivisten mediakokemusten, pelien tai jopa yksinkertaisten mobiilisovellusten toteuttaminen voi onnistua ilman laajaa ohjelmointiosaamista. Kielimallit kuten ChatGPTClaudeGemini tai erityiset ohjelmointiin suunnatut työkalut kuten CursorReplit Ghostwriter tai GitHub Copilot kykenevät tuottamaan toimivaa ohjelmistokoodia eri kielillä.

    Jopa ilman aiempaa kokemusta ohjelmoinnista on mahdollista rakentaa yksinkertaisia verkkosivuja, käyttöliittymiä tai pelattavia demoversioita. Tämä madaltaa luovien kokeilujen kynnystä ja avaa täysin uudenlaisen kentän digitaaliselle taiteelle, kulttuurille ja designille.

    Rajoitteet ja realiteetit

    Vibe codingin rajat tulevat vastaan erityisesti suurissa tai monimutkaisissa ohjelmistoprojekteissa. Kielimallit eivät aina pysty hallitsemaan laajoja koodipohjia tai monimutkaista projektirakennetta. Lisäksi syntyvää koodia pitää usein yhdistää muihin järjestelmiin, testata huolellisesti ja varmistaa sen tietoturva – näitä asioita kielimallit eivät vielä kykene täysin automaattisesti toteuttamaan.

    Tämä ei kuitenkaan ole este luovan alan tekijälle, vaan osa oppimisprosessia. Vibe coding onkin erinomainen tapa oppia ohjelmoinnista tekemällä, vaikka itse projekti ei olisi täysin onnistunut. Se tarjoaa käytännönläheisen polun syventyä ohjelmointiin luovasta ja kokeellisesta näkökulmasta.

    Kuinka aloitan vibe-koodauksen?

    Lähes kaikki nykyiset kielimallit soveltuvat ohjelmointiin. Claude Sonnet 3.5/3.7ChatGPT (GPT-4) ja Gemini Advanced ovat hyviä vaihtoehtoja. Monissa editoreissa, kuten VSCodeXcode ja Replit, on sisäänrakennettuja tekoälyavusteisia ominaisuuksia. Ammattimaisemmat käyttäjät suosivat usein Cursoria, joka on suunniteltu erityisesti vibe-koodaukseen.

    Aloittaminen on yksinkertaista:

    1. Kuvaa ideasi: Aloita kertomalla kielimallille, millaisen sovelluksen tai verkkosivun haluat tehdä. Keskustele siitä, mitä sen pitäisi tehdä, miltä sen pitäisi näyttää ja mitä teknologioita haluat käyttää (jos tiedät).
    2. Anna mallin ehdottaa rakennetta: Hyvä kielimalli osaa ehdottaa arkkitehtuuria, teknologioita ja antaa valmiita koodiesimerkkejä.
    3. Testaa ja kokeile: Voit kopioida mallin tekemän koodin editoriin, ajaa sen, ja kysyä virheiden tai toimimattomuuden kohdalla jatko-ohjeita.
    4. Iteroi: Vibe coding on keskustelevaa. Älä pelästy virheilmoituksia – ne ovat osa prosessia. Palauta virhe mallille ja pyydä korjaus.

    Toimivan ohjelmiston tekeminen vaatii usein muutakin kuin koodia: palvelinasennuksia, tietoturva-asetuksia, käyttöoikeuksien hallintaa jne. Näissäkin kielimallit voivat auttaa, mutta vastuullinen käyttö edellyttää aina kriittistä otetta ja tarkistamista. Erityisesti tietoturva ja GDPR:n mukaiset käytännöt eivät välttämättä toteudu automaattisesti

    Vibe coding ei korvaa perinteistä ohjelmointia – se täydentää sitä. Se voi olla voimakas luovan ajattelun laajentaja, joka tekee ohjelmistokehityksestä saavutettavaa yhä useammalle.

  • LuovaAIn!-hankkeen verkostoitumismatka SOHJOon – Minä lähden Pohjois-Karjalaan

    Joensuussa järjestettiin 14.3.2025 kolmatta kertaa luovan talouden ja liiketoiminnan yhdistävä business-tapahtuma, SOHJO 2025. Tämä Pohjois-Karjalan vastine Helsingissä järjestettävälle Slushille on kasvattanut suosiotaan, ja tänä vuonna paikalle Sokos Hotel Kimmeliin kokoontui jälleen satoja luovan alan ja bisneksen tekijöitä. Nimensä mukaan sohjoa ei ollut – sen sijaan saimme nauttia aurinkoisesta pakkassäästä ja innostavasta ohjelmasta.

    SOHJO 2025 tarjosi innostavia keynote-puheenvuoroja ja paneelikeskusteluja, joissa sukellettiin tulevaisuuden, teknologian ja luovuuden ajankohtaisiin teemoihin. Ohjelman lisäksi tapahtuma loi loistavat puitteet verkostoitumiselle.

    SOHJOn paneelikeskustelu
    Luovuus ja liiketoiminta kohtaavat – Petri Sirviö, Meeri Koutaniemi, Teemu Jyrkinen ja Josefina Kotilainen keskustelemassa yhteistyön ja rohkeuden merkityksestä SOHJO 2025 -tapahtumassa Joensuussa. Valokuva: Harri Säynevirta.

    Vaikuttavia puhaanvuoroja ja oivalluksia

    Tapahtuman ohjelma oli onnistunut ja täynnä voimakkaita puheenvuoroja ja oivaltavia näkökulmia.

    Meeri Koutaniemi puhui inhimillisyydestä ja uskalluksesta epäonnistua – puheenvuoro, joka kirvoitti kyyneleet monen kasvoille, myös allekirjoittaneen.

    Petri Sirviö, Huutajien perustaja ja nykyisin Business Oulussa liiketoiminnan kehittäjänä työskentelevä monitaituri, esitti ”Luovan talouden 5 teesiä Suomelle”. Etenkin viides teesi, ”Ymmärrä ihmistä, ymmärrä asiakasta”, iski tajuntaani.

    Kim Väisänen toi pilke silmäkulmassa esille näkökulmiaan siitä, kuinka yritys voi kasvaa tai kaatua. ”Rohkeus kohdata sudet: Kasvua vai kaatuminen?” -puheenvuoro oli kuin rock-konsertti – mukana vilahti lainauksia eri laulujen lyriikoista, ja Väisänen kuvasi itseään Leevi and the Leavingsin ”Pohjois-Karjala” -kappaleella.

    SOHJO 2025 kokosi yhteen yrittäjät, sijoittajat ja luovan alan tekijät inspiroiviin puheenvuoroihin ja verkostoitumiseen – lavalla Kim Väisänen. Valokuva: Tiina Taiminen.

     

    SOHJO 2025 huipentui Suden Suu -pitchauskilpailuun

    Pitchauskilpailussa ei astuttu leijonien vaan susien eteen – Suden Suu -pitchauskilpailu kokosi Suomen kovimmat enkelisijoittajat ja startup-asiantuntijat arvioimaan lupaavimpia ideoita. Kilpailun voiton vei EduZolve, koulutusteknologiaan keskittyvä yritys, jonka takana ovat Peter Zorve ja Olusegun Akinyemi.

    Mitä seuraavaksi? LuovAIn!-roadshow 2026

    LuovAIn!-hanke järjestää vuonna 2026 oman roadshow’nsa, ja Joensuun SOHJO saattaa hyvinkin olla yksi sen etapeista. Nyt kun SOHJO on hyväksi havaittu, seuraavaksi käymme neuvottelut ensi vuoden yhteistyöstä.

    Lue lisää Sohjosta ja sen tulevista tapahtumista: Business Joensuu – Sohjo2025

     

  • Tekoäly ja ihmislähtöinen luovuus

    Tekoäly ja ihmislähtöinen luovuus

    Luovuuden eri tasojen tunnistaminen ja tekoälyn mahdollisuudet tukea ihmislähtöistä luovuutta ovat ajankohtaisia kysymyksiä, joihin pureutuminen voi lisätä ymmärrystämme siitä, mitä luovuudella tarkoitetaan ja miten sitä kenties voidaan edistää uusilla tavoilla. Luovuus ei rajoitu erilliseksi toiminnaksi ihmisen muusta tekemisestä, vaan se ilmenee niin arjen pienissä oivalluksissa, taiteen mestariteoksissa, kuin radikaaleissa innovaatioissa ja tieteellisissä läpimurroissa. Samalla kun teknologia – erityisesti tekoäly – kehittyy, meitä haastetaan pohtimaan, miten koneiden laskennallinen tehokkuus ja kyky analysoida valtavia tietomääriä voidaan yhdistää inhimilliseen kokemukseen ja emotionaaliseen syvyyteen. Näin muodostuu monikerroksinen kuva luovuuden tasoista, joihin kuuluvat adaptiivinen luovuus, yhdistelmäluovuus, transformatiivinen luovuus ja radikaali luovuus, sekä niiden vuorovaikutus ihmisen ja koneen välillä (Kofler et al., 2024; Andrews & Hawcroft, 2024).

    Yksilöllinen arjen luovuus – niin kutsuttu pienluovuus – on usein henkilökohtaista ja liittyy arkipäiväisten ongelmien ratkaisuun, jossa keksimme uusia järjestelytapoja asioille tai innovatiivisia ratkaisuja haasteisiin. Tässä kontekstissa tekoäly voi toimia ideoinnin ja ajattelun apuvälineenä, tarjoten nopeasti vaihtoehtoisia näkökulmia ja ehdotuksia, jotka voivat toimia lähtökohtana omalle luovalle pohdinnalle. Näin tekoäly ei korvaa ihmistä, vaan täydentää hänen kykyjään tuomalla esiin uusia yhdistelmiä jo olemassa olevista elementeistä (Zhou & Lee, 2024).

    Kun tekoälyä käytetään apurina, se voi vähentää kognitiivista kuormaa ja antaa ihmiselle enemmän tilaa keskittyä intuitioon, arvoihin ja esteettisiin valintoihin.

    Laajemmassa mittakaavassa yhteisöllinen luovuus – joka ulottuu myös taiteen ja kulttuurialojen yhteiskehittämisen tapoihin – vaatii sekä kollektiivista ideoiden pallottelua että yksilöiden ainutlaatuisten näkökulmien yhteensovittamista. Kun taiteilijat, suunnittelijat ja muut luovien alojen toimijat työskentelevät yhdessä, voi syntyä uudenlaisia, yllättäviäkin ideoita, joita ei olisi saavutettu yksin toimimalla. Tekoäly voi tässä roolissa toimia virtuaalisena tiimikaverina, joka heittelee luovia ehdotuksia ja tekee rutiininomaiset toiminnot automaattisiksi. Esimerkiksi muusikon säveltäessä tekoäly voi generoida alustavia ideoita, joita muusikko voi sitten jalostaa omalla persoonallisella tyylillään. Tai toisinpäin, aihiot ja konseptit voivat tulla ihmiseltä, joita tekoäly viimeistelee ja esittelee eri toteutusvaihtoehtoja. Tällainen yhteistyö mahdollistaa niin adaptiivisen kuin yhdistelmäluovuuden prosessien syventämisen. Erityisesti kulttuurialoilla, joissa yhteisöllisyys ja kollektiivinen kokemus ovat keskeisiä, tekoäly voi tarjota uusia tapoja yhdistellä ja tuoda esiin sekä yksilöllisiä että ryhmäkohtaisia oivalluksia (Nordström et al., 2023).

    Tekoälyn roolia on kuitenkin hyvä pohtia kriittisestä näkökulmasta, erityisesti, miten se vaikuttaa luovan prosessin laatuun ja yhteisölliseen dynamiikkaan. Vaikka tekoäly voi tarjota valtavan määrän ideoita ja helpottaa tiedon prosessointia, on tärkeää, ettei sen ehdotuksia käytetä sokeasti korvaamaan ihmisen omaa harkintaa ja kriittistä ajattelua. Shaikh ja Cruz (2022) ovat havainneet, että kun tiimit luottavat liikaa tekoälyyn, se voi johtaa pinnalliseen ideointiin ja vähentää ryhmän sisäistä vuorovaikutusta. Tämä on erityisen tärkeää huomioida kulttuurialoilla, joissa luovuus kumpuaa usein dialogista ja henkilökohtaisesta kokemuksesta. Siksi tekoälyä on käytettävä symbioottisessa roolissa, jossa sen analytiikka ja generatiiviset kyvyt yhdistyvät ihmisten ainutlaatuiseen tulkintaan ja eettiseen reflektointiin (Shaikh & Cruz, 2022).

    Luovuuden eri tasot – adaptiivisesta radikaaliin – edellyttävät erilaisia keinoja, joilla tekoälyä voidaan hyödyntää. Adaptiivisessa ja yhdistelmäluovuudessa tekoälyn rooli korostuu ideoiden synnyttämisessä ja niiden moninaistamisessa. Transformatiivista ja radikaalia luovuutta tukevat tekoälyavusteiset ennustemallit ja skenaarioanalyysit, jotka auttavat tunnistamaan vähemmän tunnettuja tiedon alueita sekä avaavat uusia näkökulmia, joiden pohjalta voidaan haastaa olemassa olevat paradigmat (Kofler et al., 2024). Tällaiset mallit eivät kuitenkaan yksin riitä – ihmisten on otettava vastuu tekoälyn tarjoamien ideoiden arvioinnista ja varmistettava, että ne heijastavat yhteisön arvoja ja inhimillisiä kokemuksia.

    Luovuuden yhteiskehittäminen on myös eettisesti merkittävä haaste. Kysymykset alkuperäisyydestä, tekijänoikeuksista ja syrjivistä käytännöistä ovat nousseet esiin, kun tekoälyä on alettu soveltaa yhä laajemmassa mittakaavassa. Vinchon et al. (2023) korostavat, että tekoälyn tulisi toimia kumppanina, ei kilpailijana, jolloin teknologian kehityksessä on pidettävä aina ihminen ”viimeisenä arvioijana”. Läpinäkyvyys tekoälymallien koulutuksessa ja niiden eettisten periaatteiden selkeys ovat keskeisiä tekijöitä, jotka varmistavat, että tekoäly edistää aidosti ihmislähtöistä luovuutta.

    Tulevaisuuden luovien innovaatio- ja liiketoimintaekosysteemien rakentaminen edellyttää jatkuvaa vuoropuhelua teknologian kehittäjien, luovien ammattilaisten ja kulttuuripoliittisten päättäjien välillä. Kun teknologiaa käytetään strategisesti ja inhimilliset arvot asetetaan etusijalle, tekoäly voi toimia katalysaattorina, joka demokratisoi luovuutta, tehden siitä saavutettavampaa ja monimuotoisempaa. Näin syntyy luovaa toimintaa, jossa tekoäly ei ainoastaan tarjoa vaihtoehtoja, vaan rikastuttaa yhteisöllistä prosessia, inspiroiden ihmisiä tavoittelemaan uusia, ennenkuulumattomia luovuuden tasoja (Zhou & Lee, 2024; Andrews & Hawcroft, 2024).

    Tekoälyn mahdollisuudet tukea ihmislähtöistä luovuutta ovat valtavat, mutta AI-työkalujen hyödyntäminen vaatii kriittistä ja eettistä otetta. Kun ymmärrämme luovuuden monikerroksisen luonteen ja hyödynnämme tekoälyn kykyjä oikeilla tavoilla, voimme kenties rakentaa uudenlaisia yhteistyön tapoja, joissa teknologia ei varjosta ihmisen omaperäisyyttä vaan toimii sen rinnalla, rikastuttaen sekä yksilön että yhteisön luovaa potentiaalia. Se kuinka tinkimättömästi ja laadukkaasi luovien prosessien ihmislähtöisyyttä tulevaisuudessa toteutetaan, riippuu viimekädessä niin tekijöiden omista kyvykkyyksistä, osaamisesta, ammatti-identiteetistä ja -ylpeydestä, kuin prosessien ajallisesta ja taloudellisesta resursoinnista, sekä sidosryhmien odotuksista.

    Lähteet

    Andrews, H. & Hawcroft, A. (2024). Articulating arts-led AI: artists and technological development in cultural policy. European Journal of Cultural Management and Policy, 14(2024), Art. 12820.

    Kofler, I., El Moussaoui, M. & Jamet, R. (2024). AI’s influence on the creative and cultural industries. Imago, Year XIII(24), 22–31.

    Nordström, P., Lundman, R. & Hautala, J. (2023). Evolving coagency between artists and AI in the spatial cocreative process of artmaking. Annals of the American Association of Geographers, 113(9), 2203–2218.

    Shaikh, S.J. & Cruz, I.F. (2022). AI in human teams: Effects on technology use, members’ interactions, and creative performance under time scarcity. AI & Society, 38(2), 1587–1599.

    Vinchon, F., Lubart, T., Bartolotta, S. et al. (2023). Artificial Intelligence & Creativity: A Manifesto for Collaboration. Journal of Creative Behavior, 57(2), 149–162.

    Zhou, E. & Lee, D. (2024). Generative artificial intelligence, human creativity, and art. PNAS Nexus, 3(3), pgae052.

  • Generatiiviset videotyökalut vuonna 2025

    Generatiiviset videotyökalut vuonna 2025

    Generatiivinen video on kehittynyt viimeisen vuoden aikana huimaa vauhtia. Suurelle yleisölle generatiivinen video tuli näkyväksi OpenAI:n esitellessä alkuvuodesta 2024 Sora-mallinsa. Nyt kun Sora on vihdoin julkaistu suurelle yleisölle myös Euroopassa, on syytä tarkastella generatiivisia videotyökaluja.

    OpenAI:n vuosi sitten julkaisemiin esimerkkivideoihin verrattuna kaupallinen Sora vaikuttaa ennakko-odotuksiin verrattuna pettymykseltä. Sen fysiikkamallinnus tekee helposti suuria virheitä. Suurimmassa osassa videoita tapahtuu jotain sellaista, mitä niissä ei kuuluisi tapahtua. Myös videoiden tarkkuus on heikompi kuin useilla kilpailijoilla. Sora tarjoaa kuitenkin monia mielenkiintoisia ominaisuuksia yleisten kuvast videoksi tai videosta videoksi -toimintojen lisäksi. Tällainen on esimerkiksi Storyboard-ominaisuus, jonka avulla voi tehdä helposti videokokonaisuuksia videoeditointiohjelmaa muistuttavan käyttöliittymän kautta. Erilaiset tyylit onnistuvat hyvin. Parhaimmillaan Sora lienee tehtäessä animaatiotyylistä sisältöä, jolloin kymmenen sekunnin mittainen videoklippi saattaa olla riittävän virheetön. Soran käyttö on yhteydessä ChatGPT-tilaukseen ja yleisimmällä plus-tilauksella voi tehdä parikymmentä videota kuukaudessa videoiden pituudesta riippuen.

    Alla Soran avulla tekstipromptin perusteella tehty video:

    Yksi käytetyimmistä työkaluista on RunwayML, joka pystyy tekemään paikoitellen hyvin laadukasta videojälkeä. Runway tarjoaa monia generatiivisia työkaluja, joilla voi esimerkiksi poistaa taustan tai hidastaa videota, mutta Runway generoi hyvin myös videoita. Niitä pystyy tekemään tekstikehotteesta, kuvan perusteella tai videosta videoksi, jolloin Runway vaihtaa videon tyyliä. Mielenkiintoinen ominaisuus on Act-One, jonka avulla esimerkiksi piirroshahmot saadaan puhumaan hyvin uskottavasti.

    Alla olevalla videolla on käytetty kuvasta videoksi -tyyliä:

    Lumalabsin Dream Machine on varteenotettava työkalu, jota pääsee kokeilemaan maksutta. Siinä on monia hyödyllisiä ominaisuuksia, kuten alku- ja loppuruudun asettaminen. Yksi Dream Machinen käytännöllisistä ominaisuuksista on mahdollisuus tehdä videolooppeja.

    Alla on Dream Machinella kuvasta videoksi tehty esimerkki piirroskarhusta:

    Kling AI toimii muiden videomallien tavoin kuvasta videoksi tai tekstistä videoksi. Klingiä pystyy kokeilemaan maksutta, mutta kaikki ominaisuudet eivät ole käytettävissä ilmaisversiolla. Alla näyte Klingin kyvystä tuottaa video kuvan perusteella :

    Myös HailuoAI MiniMax tekee videoita kuvista tai tekstistä videoiksi. Malli tuottaa hyvin samankaltaista tulosta kuin muutkin vastaavat mallit. Tässä esimerkissä on tuotettu video karhusta käyttämällä vain tekstipohjaista kehotetta:

    Adobe on julkaissut Firefly-kuvageneraattoriinsa myös videogenerointimahdollisuuden. Firefly mahdollistaa helppokäyttöisesti esimerkiksi kuvakoon ja kameran liikesuunnan valitsemisen. Videon koko on FullHD ja klipin pituus 5 sekuntia. Seuraavassa Fireflyllä tekstistä kuvaksi -toiminnallisuudella tehty video:

    Kaikki viidessä tässä esiteltyä videoita generoivaa työkalua tuottavat kohtuullisen tasavertaista jälkeä. Erot tulevat esille erilaisten aiheiden yhteydessä. Yksi malli saattaa tuottaa paremmin piirrosmaista tai maalusmaista jälkeä, toinen malli onnistuu tekemään aidomman oloista liikettä ja kolmas tuottaa hienoimmat kamera-ajot. On vaikea sanoa, mikä malli sopii mihinkin käyttötarkoitukseen, sillä erot voivat tulla esille hyvin erilaisissa tilanteissa. Hyvä lähtökohta on aloittaa yhdestä mallista ja vaihtaa toiseen, jos lopputulos ei ole sitä, mitä haet, tai työkalu esimerkiksi toimii hitaasti.

    Myös Adoben editointiohjelma Premiere Pro on myös saamassa generatiivisia ominaisuuksia. Ne tulevat mahdollistamaan esimerkiksi videoiden pidentämisen. Tämä on tärkeä ominaisuus, jos editoitava otos on hieman liian lyhyt onnistunutta leikkausta varten. Ominaisuudet ovat jo testattavissa Premieren beta-versiossa.

    Generatiivisten videotyökalujen hyödyntäminen luovassa työssä

    Ovatko tekoälytyökalut jo sillä tasolla, että niitä voi käyttää todelliseen videotyöskentelyyn? Mahdollisesti. Generatiiviset videomallit tuottavat joissain tapauksissa hyvin vaivattomasti sellaisia lopputuloksia, jotka olisivat vaatineet kymmenien tuntien 3D-mallintamista ja laajaa erikoistehosteosaamista.

    Toisaalta videomallien hyödynnettävyys on vielä varsin rajallinen lopputuloksen vaihtelevan laadun takia. Generoitujen videoiden resoluutiot ovat pääasiassa korkeintaan Full HD -tasolla, mutta yleensä matalampia, kuten 720p, mikä voi aiheuttaa osaltaan haasteita generoitujen videoiden videotuotantoon yhdistämisessä.

    Suurin haaste on kuitenkin kontrolloitavuus ja luotettavuus. Mallit tekevät ainakin toistaiseksi, sitä mitä sattuu tulemaan. Toisinaan lopputulos voi olla yllättävänkin hyvä, mutta toisinaan yksinkertaisten ohjeiden noudattaminen ei mallilta onnistu. Tekemisessä on syytä varautua siihen, että lopputuloksesta tulee tyystin erilainen, kuin se, mitä lähdettiin hakemaan. Generointi vie aikaa, kun ensimmäisellä yrittämällä pääsee harvoin sopivaan lopputulokseen. Videomallien käyttö on myös suhteellisen kallista, jos videoita haluaa tehdä rajoittamattomasti. Hinta on tällöin sadasta pariin sataan euroon kuukaudessa.

    Eri mallien luomissa videoissa on myös edelleen usein ongelmia fysiikkamallinnuksen kanssa. Asiat eivät videoissa käyttäydy välttämättä siten, kuin ne käyttäytyisivät oikeassa maailmassa. Hienovaraisimillaan ne ovat sen kaltaisia, että esimerkiksi vesi pärskähtelee epäuskottavasti, mutta toisinaan ihminen muuttuu toiseksi, katoaa kokonaan tai yhdestä henkilöstä voi tulla useampi.

    Generatiiviset videomallit soveltuvatkin tällä hetkellä parhaiten unenomaisen sisällön tuottamiseen, animaatioihin tai tekoälyn visualisointiin. Unessa tai animaatioissa ei välttämättä haittaa, jos niissä tapahtuu jotain todellisuudesta poikkeavaa.

    Yksi generatiivisten videoiden tekemiseen liittyvä kysymys on eettisyys. Ympäristövaikutuksesta ei ole saatavilla kovin avointa tietoa, mutta se on todennäköisesti videomalleilla moninkertainen suhteessa kuvamalleihin. Toinen eettinen kysymys koskettaa koulutusaineiston käyttöä. Adoben Firefly eroaa kilpailijoistaan sillä, että se ilmoittaa käyttäneensä mallinsa kouluttamiseen vain sellaisia aineistoja, joihin sillä on lupa. Kun generatiiviset mallit paranevat, nousee esille entistä enemmän myös deepfake-ulottuvuus. Generoituja videoita ei siis lain mukaankaan saa esittää totena. Toisaalta esimerkiksi fiktiivisessä kerronnassa niitä voi käyttää siinä missä perinteisempiäkin menetelmiä.

  • Innovation Call: Short Innovation Projects 2025

    EIT Culture & Creativity invites you to submit proposals for the 2025 Short Innovation Projects, supporting high-impact initiatives that address pressing challenges in the Cultural and Creative Sectors and Industries (CCSI).

    https://eit-culture-creativity.eu/short-innovation-projects-2025

  • Tekoälytyökalujen hiilijalanjälki – pitääkö olla huolissaan?

    Tekoälytyökalujen hiilijalanjälki – pitääkö olla huolissaan?

    Kirjoittajat: Tuomas Pohjola & Markus Sjöberg

    Tekoälytyökalut, kuten ChatGPT ja DALL-E, ovat muuttaneet työtapoja monilla luovilla aloilla ja mahdollistaneet uusia sisällöntuotannon ja ideoinnin prosesseja. Suomessa, jossa ympäristötietoisuus on korkealla tasolla, on herännyt keskustelua tekoälyn käytön ympäristövaikutuksista (ks. esim. 1, 2, 3, 4). Tekoälyn sosiaalis-ympäristöllisistä haasteista keskustellaan erilaisten asiantuntijoiden toimesta paljon myös kansainvälisesti (katso esim. Karen Hao), joskin tutkittua akateemista tietoa aiheesta on vielä rajallisesti. Mutta onko luovien ammattilaisten syytä olla huolissaan tekoälyn hiilijalanjäljestä vai voiko tekoäly jopa edistää kestävämpää työtä?

    Tekoälyä on kritisoitu sen korkeasta energiankulutuksesta, erityisesti suurten kielimallien koulutuksessa. Tekoälyn ympäristövaikutukset muodostuvat pääosiltaan infrastruktuurista, mallien kouluttamiseen käytetystä energiasta ja niiden käyttämisessä kuluvasta energiasta. Esimerkiksi GPT-4 -mallin kouluttamisen energiankulutus vastaa arviolta noin 1 500 suomalaisen kotitalouden vuotuista sähkönkulutusta. GPT-3:n koulutuksen on raportoitu tuottaneen päästöjä, jotka vastaavat viiden auton elinkaaren päästöjä (Tomlinson et al., 2024). Vaikka tekoälyvastauksen tuottaminen käyttää enemmän energiaa kuin perinteinen Google-haku, käytön aikana AI-järjestelmät kuitenkin kuluttavat huomattavasti vähemmän energiaa kuin ihmiset saman tehtävän suorittamiseen. Yhden vastauksen generointi ChatGPT:llä kuluttaa noin kolme wattia. Ihmisen energiankulutus on vuorokaudessa noin 2000–2500 kilokaloria, joka vastaa noin 2,4–3 kilowattituntia. Tuhannella tekoälyviestillä päivässä oltaisiin siis samassa tasossa ihmisen päiväkulutuksen kanssa. Tekoälyjärjestelmien, kuten ChatGPT:n, hiilijalanjälki tekstisivua kohden on 130–1500 kertaa pienempi kuin ihmisen (Ren et al., 2024; Tomlinson et al., 2024). Luovan alan tekijän näkökulmasta on järkevintä keskittää huomio käytön aikaiseen energiankulutukseen.  

    Arkijärjellä ajatellen tekoälyn energiankäyttö voi kuulostaa merkittävältä, mutta se on pientä verrattuna esimerkiksi liikenteen tai teollisuuden päästöihin. Esimerkiksi yhden henkilöauton päästöt Suomessa ovat keskimäärin 140 g CO2 kilometrillä, kun taas tekoälytuotettu tekstisivu tuottaa vain muutaman gramman päästöjä (Our World in Data, 2020). Teknologiasektorin vaikutukset ovat tällä hetkellä kokonaisuudessaan noin 2–3 prosenttia koko maailman päästöistä. Schnider Electric’n digitaalisen talouden ilmastovaikutusraportti 2030 kuvaa tulevaisuutta toiveikkaasti: ”while we know that the digital economy will require significantly more energy in the future – and some observers voice considerable concerns over this – we find that climate impact is likely to remain limited by progress in IT technology, as well as the rapid adoption of clean power sources by the sector.

    Suomessa energiantuotannon suhteellinen vähäpäästöisyys korostaa tekoälyn kestäviä käyttömahdollisuuksia. Suomen sähköntuotannosta ns. puhtaan sähkön osuus on 95% tuotetusta sähköstä, mikä tarkoittaa, että tekoälyn käyttö täällä on ympäristöystävällisempää kuin maissa, joissa sähkö tuotetaan fossiilisilla polttoaineilla (Ren et al., 2024). Tekoälyn sosiaalis-taloudellisten hyötyjen maksimoimiseksi ja käytöstä koituvan negatiivisten ympäristövaikutusten minimoimiseksi, jatkossa tulisikin panostaa erityisesti kotimaisten, eurooppalaisten tai lokaalisti asennettavien kielimallien käyttöön. Jotakin globaalista kehityksestä kertoo myös se, että Suomi on erityisen kiinnostuksen kohteena kun kansainväliset yritykset suunnittelevat parhaillaan uusia suuria datakeskushankkeita.

    Vaikka tekoäly on ympäristötehokkaampi kuin ihmistyö tietyissä tehtävissä, sen laajamittainen käyttöönotto voi johtaa rebound-ilmiöön, jossa kasvanut kysyntä kumoaa saavutetut ympäristöhyödyt. Kuten uusi teknologia usein, tekoälyn käyttö voi syrjäyttää perinteisiä työpaikkoja tietyillä aloilla ja nostaa esiin uusia kysymyksiä työn eettisyydestä ja laadusta (Tomlinson et al., 2024). Tekoälytyökalujen käyttö luovassa työssä on kuitenkin ympäristövaikutuksiltaan verraten pieni rasite, jos työkaluja käytetään järkevästi.

    Tekoäly tarjoaa harkiten ja tavoitteellisesti käytettynä mahdollisuuden pienentää luovan työn ympäristöjalanjälkeä, erityisesti maissa kuten Suomessa, joissa sähköntuotanto on vähäpäästöistä. Kuten kaikessa kulutuksessa ja työkalujen hyödyntämisessä, on syytä keskittyä hyödyntämään näiden välineiden vahvuuksia eettisesti ja välttää tarpeetonta resurssien tuhlausta. Käyttäjien kannattaakin suosia lokaalisti asennettavia avoimen lähdekoodin AI-malleja voidakseen varmistua oman käyttönsä energiankulutuksesta. Globaaleilla alustayhtiöillä on myös tarjolla kielimallien miniversioita (kuten OpenAI:lla ChatGPT:stä), joiden energiankulutus on vähäisempi. Kuten tutkimukset osoittavat, tekoäly voi olla vaikuttava työkalu kestävän kehityksen edistämisessä, mutta sen käytössä on valtioilla ja poliittisilla päättäjillä myös vastuu varmistaa sosiaalinen ja ekologinen tasapaino. Lisää tietoa ja seurantatutkimusta hiilijalanjäljen kehittymisestä tarvitaan globaalisti. Erityisesti suurilta alustayhtiöiltä voidaan jatkossa toivoa tai vaatia laajempaa avoimuutta paitsi mallien opetukseen käytettävien datalähteiden, myös AI-mallien energiatehokkuuden osalta. Olkoonkin että erityistä pahaa mieltä ei yksittäisen luovan tekijän tule kantaa uuden teknologian hyödyntämisestä, tekoälytyökalujen, ja laajemminkin tietotekniikan käytön lisääntyessä, päästötasojen kehitystä on syytä systeemitasolla globaalisti ja kansallisesti tarkkailla, sekä jatkuvasti pohtia energian käytön tarkoituksenmukaisuutta jotta vältytään ikäviltä yllätyksiltä.

    Lähteet:

        Ren, S., Tomlinson, B., Black, R. W., & Torrance, A. W. (2024). Reconciling the contrasting narratives on the environmental impact of large language models. Scientific Reports, 14(26310). https://doi.org/10.1038/s41598-024-76682-6

        Tomlinson, B., Black, R. W., Patterson, D. J., & Torrance, A. W. (2024). The carbon emissions of writing and illustrating are lower for AI than for humans. Scientific Reports, 14(3732). https://doi.org/10.1038/s41598-024-54271-x

        Our World in Data. (2020). CO2 and Greenhouse Gas Emissions. Saatavilla osoitteessa: https://ourworldindata.org/co2-and-other-greenhouse-gas-emissions

  • Datan laatu ratkaisee musiikkialan tekoälymurroksen suunnan

    Datan laatu ratkaisee musiikkialan tekoälymurroksen suunnan

    Teksti: Ano Sirppiniemi, Teosto, Senior Advisor, ennakointi ja uudet teknologiat

    Tekoäly muuttaa vääjäämättömästi musiikkialaa. Muutoksen nopeus ja syvyys ovat kuitenkin vielä arvailun kohteena: miten nopeasti tekemisen tavat ja markkinat muuttuvat? Miten laajasti tavalliset musiikinkuuntelijat ovat valmiita omaksumaan tekoälyn tekemää tai sen avustuksella tehtyä musiikkia? Teksti on julkaistu alun perin Teoston verkkosivuilla: Datan laatu ratkaisee musiikkialan tekoälymurroksen suunnan – Teosto

    Tekoäly on ollut vuoden 2024 suurin puheenaihe, eikä musiikkiala ole tästä poikkeus. Poikkeuksellista tekoälyn aiheuttamassa murroksessa verrattuna aiempiin musiikkialan muutoksiin on se, että se kohdistuu samanaikaisesti kaikkiin musiikkialan toimijoihin, tekijöihin ja prosesseihin. Aina musiikin tekemisestä sen tuotantoon, jakeluun, markkinointiin ja kulutukseen asti.

    Tekoälyn tuomat muutokset muokkaavat teknologiamurroksille tyypillisesti toimialojen perinteisiä rooleja ja toimijoiden välisiä suhteita. Kun yleiskäyttöiset generatiiviset tekoälymallit mahdollistavat kuvien, videoiden, tekstien ja musiikin tuottamisen pelkkien tekstikehotteiden avulla, on tällä luoville aloille monenlaisia vaikutuksia. Sisällön määrä todennäköisesti kasvaa räjähdysmäisesti.

    Millä tavoin tekoälytyökaluja hyödynnetään tulevaisuudessa eri käyttötilanteissa? Miten ne muuttavat musiikin tekemistä ja sen kuuntelua?  

    Kun tekoäly yleistyy, on tärkeää pyrkiä monipuolistamaan ja tarkentamaan kuvaa siitä, miten se vaikuttaa musiikkialalla yksittäisiin käytännön tilanteisiin ja musiikin tekemiseen.

    Tekoälyn käyttö musiikkialalla yleistyy ja monipuolistuu 

    Tekoälyn hyödyntäminen musiikissa ei ole ainoastaan yksi kokonaisuus, vaan murros toteutuu yksittäisten ihmisten, yritysten ja toimijoiden valintojen kautta lukemattomissa käyttötilanteissa ja yhteyksissä. Julkisesti tähän asti näkyvintä on ollut keskustelu yleiskäyttöisten tekoälymallien ja -palveluiden käytöstä, ja luovilla aloilla erityisesti mallien kouluttamiseen käytetystä aineistosta ja mallien niiden pohjalta tuottamista aineistoista. Yleiskäyttöiset mallit tuottavat tyypillisesti teksti-, kuva- tai äänikehotteiden pohjalta tuotoksia, jotka perustuvat mallin kehittämisessä käytettyyn koulutusaineistoon.  Yleiskäyttöisiä malleja ovat esimerkiksi ChatGPT, Midjourney tai musiikin osalta Suno ja Udio. Kaikilla näistä palveluista on käynnissä julkisuudessa esillä olleita oikeusjuttuja. Tapauksissa pohditaan tekijänoikeuksien toteutumista juuri mallien kouluttamisessa käytetyn aineiston ja niiden tuotosten näkökulmasta.  

    Tähän mennessä eniten keskusteluissa pinnalla ovat olleet erityisesti nämä kolme musiikin tekoälypalveluiden käyttötapaa:

    1. musiikkisisällön tuottaminen tekstikehotteiden avulla
    2. laulajien äänen kloonaaminen sekä
    3. instrumenttiraitojen erottelu valmiista äänitteestä.

    Nämä ovat kuitenkin vain yksi haara tekoälyn eri käyttömahdollisuuksista musiikissa.  Jatkossa on todennäköisesti yleisempää hyödyntää erilaisia personoituja ja omalla koulutusaineistolla viritettyjä, yleiskäyttöisiä tekoälymalleja.

    Tekoälymalleja on tulevaisuudessa todennäköisesti mahdollista jatkokouluttaa omalla aineistolla, jolloin malli tuottaisi käyttäjän omien teosten kaltaisia tuotoksia joko hyödynnettäväksi sellaisenaan tai jatkotyöstöön.  

    Musiikin tuotantoprosesseissa ja sen suosittelussa kuuntelijoille erilaiset algoritmeihin ja koneoppimiseen perustuvat tekoälyominaisuudet ovat olleet arkipäivää jo pitkään. Musiikin tekemisen tuotantoprosesseissa tekoälytyökaluilla on sen sijaan mahdollista nopeuttaa ja automatisoida eri työvaiheita, mikä helpottaa ja nopeuttaa musiikin tekemisen tuotantovaiheita. Tämä edistää kehitystä, jossa yhtä laajempi käyttäjäjoukko pystyy tekemään ammattimaisen kuuloista musiikkia.  Työkalut auttanevatkin todennäköisesti eniten DIY-tekijöiden ja harrastajien mahdollisuuksia tuottaa musiikkia aiempaa nopeammin, edullisemmin ja laadukkaammin.  

    Tekoälyn sääntelyä pohditaan juuri nyt

    Tekoälyyn liittyvän sääntelyn osalta tapahtuu juuri nyt merkittäviä liikkeitä. Tekoälyn ja tekijänoikeuksien suhdetta määritellään parhaillaan myös joukossa näkyviä oikeusjuttuja. Yksi isoimmista on saksalaisen tekijänoikeusjärjestö GEMAn ja OpenAI:n tapaus, jossa GEMA haastoi OpenAI:n oikeuteen kappaleiden lyriikoiden käytöstä tekoälymallin kouluttamiseen ilman tekijöiden lupaa. Samaan aikaan EU:n tekoälyasetus on astumassa vaiheittain voimaan, ja asetukseen liittyviä käytännesääntöjä luodaan par’aikaa. Lue lisää lakiasiainjohtajamme Jenni Kyntölän blogista.

    Tekoälymallit mahdollistanevat tulevaisuudessa yhä tehokkaammin myös erityylisten versioiden tuottamisen malliksi annetusta äänitteestä. Osittain tämä on mahdollista jo nyt, mutta suosittelen kuitenkin perehtymään tarkasti palveluiden käyttöehtoihin. Kaupallisia tekoälymusiikkipalveluita käytettäessä on erittäin tärkeää huolehtia, mitä käyttöehdoissa mainitaan mallille syötetyn aineiston ja sen tuotosten oikeuksista.

    Musiikin määrä kasvaa

    Musiikin kuluttamisen ja suosittelun osalta on mielenkiintoista nähdä, millaiseksi kokonaan tekoälyllä tuotetun musiikin rooli muodostuu suhteessa ihmisten tekemään musiikkiin. Asiassa on roolinsa niin musiikkipalveluilla kuin niiden kuluttajilla. Ovatko kuluttajat valmiita hyväksymään tekoälyn tuottaman musiikin?

    Miten musiikkipalveluissa erotellaan ja ilmaistaan kuluttajille tekoälyn kokonaan tuottama sisältö ja ihmisten tuottama musiikki? Miten suosittelualgoritmit mahdollistavat erityyppisen musiikin löytämisen jatkossa, etenkin jos julkaistavan musiikin määrä jatkaa tekoälyn vuoksi edelleen voimakasta kasvuaan? 

    Näihin kysymyksiin saamme ratkaisuja vasta tulevaisuudessa.

    Tekoäly haastaa tekijänoikeusinfrastruktuurin toimivuuden  

    Kaikkea musiikkidataan, standardeihin, tunnisteisiin ja tietojärjestelmiin sekä niiden päälle rakennettuihin palveluihin perustuvia toimintoja voidaan nimittää tekijänoikeusinfrastruktuuriksi. Tämä on rakenne, jonka tarkoituksena on mahdollistaa tekijänoikeuksiin liittyvien lupien ja käyttöjen hallinnointi ja korvausten tilittäminen teosten oikeudenomistajille. Tekijänoikeusinfrastruktuuri on laaja globaali verkosto, johon on eri tavoin kytkeytynyt valtava määrä toimijoita eri rooleissa tuottamaan, lähettämään, vastaanottamaan ja käsittelemään musiikin käytöstä syntyvää dataa. 

    Verkostossa käsiteltävän datan määrä kasvaa jatkuvasti. Esimerkiksi vuonna 2023 brittiläinen tekijänoikeusjärjestö PRS totesi käsitelleensä vuodessa 27 biljoonaa riviä musiikinkäyttödataa. Yhdysvaltalaisen Luminate-tutkimusyrityksen mukaan musiikkia sisältäviä audio- ja videostriimejä kulutettiin vuonna 2023 yli seitsemän biljoonaa kertaa. Striimausten määrä kasvoi edellisvuodesta yli 30 prosenttia. Käytön jakauma on kuitenkin hyvin polarisoitunut: hyvin pientä osaa julkaistuista äänitteistä kuunnellaan hyvin paljon. Luminaten tutkimuksen mukaan valtaosaa kaikesta julkaistusta musiikista kuunnellaan vuodessa alle 10 striimin verran.

    Metadatan laatu ratkaisee, edelleen 

    Laadukkaan musiikkiin (teoksiin ja äänitteisiin) liittyvän käyttötiedon ja metadatan merkitys tekijänoikeuksien hallinnoinnissa on valtavan suuri.  Prosessoitavan datamäärän kasvu on ollut voimakasta tietysti jo ennen tekoälymurrosta, kun musiikin onlinekäyttö on kasvanut. Myös julkaistun musiikin määrä on kasvanut rajusti viimeiset kymmenen vuotta.  Tekoälyn hyödyntäminen tuo lisää haasteita metadatan hallinnointiin ja prosessointiin. Datan määrän kasvun lisäksi tekoälyn käyttö tuottaa uusia tarpeita datan käsittelylle uusien tunnisteiden sekä datan jakamiseen liittyvien standardien ja käytäntöjen kautta.

    Ihmisten tekemien teosten tunnistaminen ja tekijyyden osoittaminen nousee tärkeäksi. Jos tekoälyn tuottamaa sisältöä ja ihmisten tekemää musiikkia jaellaan ja käytetään samojen kanavien kautta, täytyy datan mahdollistaa näiden erottelu toisistaan. Datan laadusta huolehtiminen on siis kaikissa tekoälymurroksen vaiheissa tärkein tae sille, että musiikin oikeuksien hallinnointi onnistuu tehokkaasti ja tarkasti myös jatkossa.

    Tärkeintä tekoälymurroksessa on nyt ja tulevaisuudessa:

    1. tekoälymallien koulutusaineistojen ja tuotosten lisensiointi
    2. ihmisten tekijyyden todentaminen ja erottelu tekoälyn tuottamasta aineistosta sekä
    3. ihmisten tekemän musiikin löydettävyyden varmistaminen musiikkipalveluissa.

    Kaikki tämä pohjautuu siihen, että teosten metadatan on oltava kunnossa ja datan laatuun tulee panostaa jatkossa vieläkin enemmän. Kun teosten tunnisteet ja tiedot ovat ajan tasalla, ne saadaan kulkemaan eri toimijoiden verkostossa tehokkaasti.

  • Kielimallit luovaan kirjoittamiseen vuonna 2025

    Kielimallit luovaan kirjoittamiseen vuonna 2025

    Laajoihin kielimallihin perustuvat tekoälyratkaisut ovat tulleet jäädäkseen osaksi työelämää. Käsikirjoittajat, kirjailijat ja muut tekstien kanssa työskentelevät luovat tekijät voivat hyötyä tekoälyratkaisuista ennen kaikkea apulaisena ja keskustelukumppanina.

    Vaikka kielimallit kehittyivät paljon vuoden 2024 aikana, ne eivät vieläkään korvaa ihmistä luovana kirjoittajana. Mallien tuottama teksti on yhä äänensävyltään tasapaksua ja rakenteeltaan pääosin yllätyksetöntä. Tekoälymallien suurin haaste on se, että vaikka ne pystyvät periaatteessa kopioimaan tunteellista ilmaisua, ne eivät aidosti tunne, eivätkä voi perustaa tuottamaansa tekstiä kokemuksiin. Tällöin tuotettu teksti jää helposti ontoksi ja yksiulotteiseksi.

    Laajoihin kielimalleihin perustuvia tekoälymalleja voidaan kuitenkin hyödyntää luovan kirjoittamisen työprosessissa. Parhaimmillaan tekoäly on keskustelijana, kollegana tai apulaisena, jonka kanssa voi pallotella ideoita ja joka voi hankkia taustatietoa luovaan työhön.

    Kielimalli voi tuottaa esimerkiksi fiktioon hyödyllistä taustatietoa, auttaa miljöökuvausten tekemisessä tai toimia keskustelukumppanina ideoinnissa. Myös tyhjän paperin ongelmaan kielimalli saattaa olla hyödyllinen. Vaikka et käyttäisi generoimaasi tekstiä käytännössä ollenkaan, voi se auttaa eteenpäin kirjoittamisessa.

    Lähes kaikki nykyaikaiset kielimallit tuottavat hyvää suomenkielistä tekstiä. Valinta on ennen kaikkea

    OpenAI:n ChatGPT on yhä yksi suosituimmista tekstiä tuottavista kielimalleista. ChatGPT:n 4o -malli toimii parhaiten luovaan tekstintuotantoon ja o1-malli taas kykenee paremmin loogiseen tekstiin. Canvas-ominaisuus on hyödyllinen luovassa kirjoittamisessa. Siinä chat-ikkuna asemoituu vasemmalle puolelle ruutua ja oikealla muokataan tekstiä yhdessä ChatGPT:n kanssa.

    Moni pitää Antropichin Claude -tekoälyä ChatGPT:tä laadukkaampana kirjoittamisapulaisena. Myös Claudessa tuotettu teksti näkyy oikealla ja chat-ikkuna vasemmalla. Clauden eri versiot tuottavat yleensä elävämpää ja luonnollisempaa kieltä kun ChatGPT. Isoimpana haasteena on verkkohakujen puute, joten Claudea ei voi käyttää samalla tavalla hakukoneena esimerkiksi taustatutkimusten osalta kuin ChatGPT:tä.

    Näiden kahden tekoälymallin välillä merkittävin on käyttäjän mieltymys. Myös muut tekoälymallit ovat nykyisin hyvällä tasolla, joten niitäkin voi käyttää suomenkielisen tekstin tuottamiseen, ideointiin ja taustatutkimukseen.

    Googlen Notebook LM tuo luovaan kirjoittamiseen erilaisen lähestymistavan. Notebook LM on kuin interaktiivinen muistikirja. Voit ladata sinne 50 erilaista tekstiä, joiden pohjalta voit kysyä erilaisia asioita. Notebook LM sopii siis hyvin esimerkiksi omien tekstien tai muistikirjamerkintöjen läpikäymiseen ja jatkojalostamiseen.