Blog

  • 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.


  • LuovAIn! uutiskirje 1, joulukuu 2024

    LuovAIn! uutiskirje 1, joulukuu 2024

    LuovAIn!-hanke tarjoaa luovan ja kulttuurialan toimijoille keinoja hyödyntää tekoälyä omassa työssään sekä sopeutua tekoälyn mukanaan tuomiin muutoksiin liiketoimintaympäristössä.         

    Vuoden 2024 kohokohdat:

    • Tekoälytaidenäyttely SuomiAreenassa Kesäkuussa LuovAIn!-hanke osallistui Porin SuomiAreenan yhteydessä järjestettyyn SLASH!-tapahtumaan, jossa esiteltiin tekoälyn avulla luotuja kuvia, videoita ja ääntä. Lue lisää tapahtumasta.
    • Paneelikeskustelu Yle Areenassa Lokakuussa järjestettiin paneelikeskustelu ”Tekoälyn sietämätön keveys – eettiset kysymykset luovassa prosessissa”, jossa asiantuntijat pohtivat tekoälyn mahdollisuuksia ja haasteita luovassa työssä. Katso paneelikeskustelu Yle Areenassa. Lue panelistien ajatuksia puhujaesittelyistä.
    • Seminaaripäivän yhteenveto 10.10. Pasilan Visiotalossa. Aamupäivän aikana keskusteltiin tekoälyn vaikutuksista tekijänoikeuksiin ja luovaan alaan OKM:n hallitussihteeri Aura Lehtosen alustuksen pohjalta. Osallistujat nostivat esiin ajankohtaisia haasteita, kuten tekijänoikeuslainsäädännön päivittämisen tarpeen, suojatun sisällön käytön tekoälyn koulutuksessa ja pienten kielten huomioimisen tekoälymalleissa. Keskustelujen painopiste oli tasapainon löytämisessä tekijänoikeuksien suojelun ja innovoinnin mahdollistamisen välillä. Iltapäivän työpajoissa osallistujat pääsivät keskustelemaan tekoälyn käytännön sovelluksista luovuuden tukena. Työpajan teemoina olivat tekoälyn hyödyntäminen ideoinnissa, liiketoiminnan kehittämisessä ja kansainvälistymisessä. Keskusteluissa painotettiin vastuullisuutta, eettisiä näkökulmia ja teknologian mahdollisuuksia luovuuden rikastamisessa.

    Suositeltuja sisältöjä:

    • Kuvageneraattorit loppuvuonna 2024 Katsaus kehittyneisiin tekoälytyökaluihin, jotka tuottavat laadukkaita kuvia eri tyyleillä ja jopa valokuvamaisen todenmukaisesti. Tutustu kuvageneraattoreihin.
    • Generatiivinen video – tulevaisuuden teknologiaa? Artikkeli generatiivisen videoteknologian kehityksestä ja sen mahdollisuuksista luovassa työssä. Lue artikkeli.
    • Liiketoimintamallin kehittäminen tekoälyn avulla Blogikirjoitus siitä, miten tekoälyä voi hyödyntää liiketoiminnan kehittämisessä ja uusien palvelumallien luomisessa. Lue blogi.

    Tulossa keväällä 2025:

    • Työpajasarja: LuovAIn! järjestää inspiroivia työpajasarjoja verkossa kaikille luovan alan toimijoille. Työpajoissa osallistujat saavat käytännönläheistä oppia generatiivisen tekoälyn hyödyntämisestä omassa luovassa työssään ja yrittäjyyden tukitoiminnoissa. Ilmoittaudu mukaan.
    • Verkkokurssi: Luovain-verkkokurssilla opitaan tekoälyn luovaa käyttöä. LuovAIn!-hankkeessa rakennetaan uutta verkkokurssia luovan alan tekijöitä ja asiantuntijoita varten. Verkkokurssilla perehdytään generatiiviseen eli luovaan tekoälyyn ja sen hyödyntämiseen luovan työn osana. Kurssi auttaa ymmärtämään muun muassa tekoälyratkaisujen teknistä taustaa, tekoälytyökalujen tehokkaita hyödyntämistapoja sekä tekoälyn laajempia vaikutuksia luovan työn kentällä.  Maksuton verkkokurssi vastaa 2 opintopisteen laajuista yliopistokurssia. Kurssi julkaistaan maaliskuussa 2025 LuovAIn!-hankkeen verkkosivuilla.

    Tutustu lisää:

    Lisätietoja ja muita kiinnostavia sisältöjä löydät LuovAIn!-hankkeen verkkosivuilta: luovain.ai

  • Liiketoimintamallin uudistaminen tekoälytyökalujen avulla

    Liiketoimintamallin uudistaminen tekoälytyökalujen avulla

    Liiketoimintamalli on kokonaisuus, jolla pyritään kuvaamaan kokonaisvaltaisesti sitä miten yrittäjä tai organisaatio luo ja toimittaa arvoa. Arvo voi tässä yhteydessä tarkoittaa esimerkiksi asiakkaalle tuotettua hyötyä, kuten esteettistä nautintoa, brändin vahvistamista, uusia kokemuksia tai konkreettisia tuotteita. Arvo voi myös ilmetä taloudellisina, sosiaalisina tai ympäristöllisinä vaikutuksina, jotka rikastuttavat sekä asiakasta että laajempaa yhteisöä. Liiketoimintamalli koostuu useista osatekijöistä, kuten arvolupauksesta, asiakassegmenteistä, osaamisresurssien ja toimintojen hallinnasta sekä tulonmuodostuksesta. Yksi laajasti käytetty tapa hahmottaa liiketoimintamalli on Business Model Canvas -työkalu, joka tarjoaa visuaalisen kehyksen liiketoiminnan osa-alueiden analysointiin ja kehittämiseen.  Liiketoimintamalleihin ja niiden innovaatioihin keskittyvää tutkimus- ja ammattikirjallisuutta on runsaasti ja ne tarjoavat edistyneemmille lukijoille syvällistä ymmärrystä siitä miten liiketoimintamallia voidaan uudistaa vastaamaan muuttuviin markkinatilanteisiin ja asiakastarpeisiin eri toimialoilla. Myös luoville tekijöille oman liiketoimintamallin hahmottaminen ja jalostaminen voi toimia suunnitelmana, jonka avulla oman työn merkityksellisyyttä, vaikuttavuutta, tuottavuutta ja kestävyyttä voidaan edistää myös parhaillaan käynnissä olevassa tekoälyyn liittyvässä teknologiamurroksessa. Generatiivinen (luova) tekoäly on monella tavoin paitsi murroksen tekijä luovilla ja kulttuurialoilla, myös apuväline joka parhaimmillaan edistää toimialojen uudistumista ja kestävämpää ihmislähtöistä kasvua.

    Tekoälyn rooli Tekoäly voi auttaa luovaa tekijää ymmärtämään ja jalostamaan oman liiketoimintamallinsa osa-alueita tarjoamalla analytiikkaa, ennusteita ja uusia näkökulmia rikastuttaa omaa luovaa ja ainutlaatuista tekemistä. Tekoälypohjaiset työkalut, kuten Googlen Gemini, Open AI:n ChatGPT tai Anthropic:n Claude.ai voivat analysoida markkinoita, tunnistaa potentiaalisia asiakassegmenttejä ja sanoittaa luovaa osaamista ja tarjontaa erottuvilla tavoilla, mikä auttaa luovia tekijöitä kohdistamaan tarjontansa tarkemmin. Lisäksi tekoäly voi simuloida ja arvioida kriittisesti erilaisia liiketoimintamalleja ja näin tarjota tietoa siitä, miten muutokset arvolupauksessa tai jakelukanavissa voivat vaikuttaa lopputuloksiin. Uusien liiketoimintamallien ideoinnissa tekoäly voi myös huomioida luovan tekijän sille asettamia henkilökohtaisia reunaehtoja jotka liittyvät esimerkiksi tekijän omiin arvoihin, tavoitteisiin ja yksilölliseen hyvinvointiin.

    Liiketoimintamalli-canvas, Osterwalder, Alexander (2005-11-05). ”What is a business model?”

    Kun oman liiketoimintamallin perusta on ymmärretty, tekoäly voi tukea sen yksittäisten osien hiomista. Otetaan esimerkiksi arvolupaus (value proposition). Tämä osa liiketoimintamallia määrittää, mitä ainutlaatuista luova tekijä tarjoaa asiakkaalle. Organisaatioasiakkaiden tarpeisiin vastaaminen vaatii usein arvolupauksen selkeää räätälöintiä. Tekoäly voi analysoida asiakaspalautetta ja markkinatrendejä, jolloin taiteilija voi luoda erilaisia versioita arvolupauksestaan, jotka resonoivat tietyn kohderyhmän, kuten yritysasiakkaiden, kanssa. Tämä voisi tarkoittaa esimerkiksi luovan asiantuntijuuden tarjoamista osaksi organisaation ongelmanratkaisua, brändättyjen taide-elementtien tarjoamista yrityksen markkinointikampanjoihin tai kokemuksellisten sisältöjen, kuten personoitujen työpajojen, järjestämistä. On kuitenkin huomioitava, että liiketoimintamalli-lähestymistapaa on kritisoitu sen mahdollisesta kaavamaisuudesta ja oletuksesta, että kaikki liiketoiminnan osa-alueet voidaan kuvata yhtä rationaalisesti tai ennustettavasti. Myöskään kilpailuympäristön kuvaus ei ole tyypillisesti osa liiketoimintamalli-lähestymistapaa. Näiden puutteiden huomioinnissa ja täydentämisessä tekoäly esimerkiksi verkkohakujen avulla voi kuitenkin olla hyödyllinen apuri.

    Luovuus ja liiketoiminta: haastava yhdistelmä?

    On tunnustettava, että luovilla ja kulttuurialoilla toimiville tekijöille liiketoimintamallin kehittäminen voi olla haastava prosessi. Usein luovuus, etenkin taide, ja liiketoiminta näyttäytyvät toisilleen vastakkaisina voimina. Parhaimmillaan tekoäly kuitenkin toimii siltana, joka mahdollistaa näiden kahden näkökulman yhdistämisen tavalla, joka kunnioittaa inhimillistä luovaa arvoa ja avaa samalla uusia kaupallisia mahdollisuuksia. Teknologisen kehityksen mahdollistamat uudenlaiset toimintatavat, kuten print-on-demand-palvelut, lohkoketjuun perustuvat NFT-ratkaisut (Non-fungible token) digitaalisessa kaupallistamisessa, vuorovaikutteiset virtuaaliympäristöt ja 3D-tulostus, mahdollistavat luovien tekijöiden helposti laajentaa ja versioida teoksiaan tuotteiksi ja palveluiksi erilaisille kohdeyleisöille. Skaalautuvuuden ja palvelullistamisen avulla voi synnyttää täysin uusia tulovirtoja, jotka eivät vie kohtuuttomasti aikaa itse luovan työn tekemiseltä ja ne samalla vahvistavat ansaintaa. Lisäksi erilaiset lisensointimallit tarjoavat mahdollisuuden hyödyntää luovan työn teoksia ja elementtejä brändien, organisaatioiden ja paikkojen markkinointiviestinnässä, mikä kasvattaa luovien tekijöiden sekä kulttuurisisältöjen näkyvyyttä ja luo samalla uusia ansaintamahdollisuuksia.

    Yhteistyö ja verkostoituminen ovat myös osa-alueita, joissa tekoäly voi tarjota merkittäviä etuja. Uusia monialaisia yhteistyömahdollisuuksia piilee esimerkiksi tapahtumallisuuden ja palvelullistamisen hyödyntämisessä sekä moniaistisessa luovassa ilmaisussa, joille on kysyntää muun muassa paikkojen sekä alueiden matkailullisen vetovoiman ja hyvinvoinnin kehittämisessä. Kuvittele vaikkapa skaalautuva pop-up-galleria, joka yhdistää visuaalisen taiteen paikallisiin musiikki-, ruoka- ja teknologiayrityksiin moniaistiseksi ja vuorovaikutteiseksi taide-elämykseksi! Tekoäly voi tässä kontekstissa toimia kuratoijana, ehdottaen kumppanuuksia ja yhteistyömalleja, sekä optimoiden pop-up-gallerian tai koko tapahtuman suunnittelua aina alkumetreiltä lanseeraukseen, arviointiin ja jatkotoimien ja jälkimarkkinoinnin suunnitteluun. Tällaiset innovaatiot eivät ainoastaan tue luovan tekijän, kuten taiteilijan, liiketoimintaa, vaan ne myös vahvistavat hänen brändiään ja asemaansa paikallisessa yhteisössä ja monialaisissa verkostoissa.

    Brändin vahvistaminen tekoälyn avulla

    Luovan tekijän oman brändin rakentaminen ja tunnettuuden kasvattaminen ovat alueita, joissa tekoäly voi niin ikään tarjota merkittävää sparraus-apua. Esimerkiksi tarinallisuuden hyödyntäminen oman luovan asiantuntijuuden konkretisoinnissa ja viestimisessä sidosryhmille eri kanavissa on tehokas tapa erilaistaa omaa brändiä ja se soveltuu varsin hyvin juuri luovan osaamisen esille tuomiseen. Tekoälystä voi olla oiva apu tarinankerronnan versioinnissa eri alustoille ja kohdentamisessa halutuille yleisöille mielenkiintoisilla ja erottuvilla tavoilla. Tekoälyä edustaa myös jatkuvasti kehittyvä sosiaalisen median automaatio, jonka avulla luova tekijä voi löytää tapoja, joilla helpottaa omaan ydintehtävään keskittymistä. Some-alustoilla automatiikka voi analysoida kampanjoiden vaikutuksia, tunnistaa potentiaalisia kohderyhmiä ja auttaa kehittämään entistä tehokkaampia tapoja tavoittaa oikea yleisö. Tekoälyn hyödyntämisessä on tärkeää säilyttää tasapaino ja ymmärtää sen rajoitteita. Vaikka teknologia voi tarjota valtavia mahdollisuuksia, on oleellista, että luova tekijä säilyttää oman arvonsa asiantuntijana ja luovan panoksen antajana tavoilla, jotka tukevat juuri hänelle itselleen merkityksellisiä tapoja itseilmaisuun, oman ammatti-identiteetin vahvistamiseen ja hyvinvoinnin edistämiseen. Tekoälyn tulee olla työkalu, apuväline, joka tukee ja mahdollisesti täydentää luovaa ilmaisua, ei hallitse tai rajoita sitä. Yhdistämällä ihmislähtöisen luovan tekemisen ja teknologian eettisellä ja tarkoituksenmukaisella tavalla, luovat tekijät voivat rakentaa kestäviä ja kannattavia liiketoimintamalleja, jotka tukevat parhaimmillaan sekä taiteellista että taloudellista kasvua.

  • Tekoälypohjainen valokuvien laadunparannus – neljä tärkeintä sovellusta vuonna 2024

    Tekoälypohjainen valokuvien laadunparannus – neljä tärkeintä sovellusta vuonna 2024

    Generatiivinen tekoäly luo valokuvamaisen tarkkoja kuvia, mutta valokuvaajan ei tarvitse pohtia työnsä katoamista. Valokuvan tehtävänä on taltioida valoa, tietty hetki filmille tai kameran kennolle. Tekoälyllä tuotettu kuva ei ole valokuva lainkaan, eikä se pysty esittämään todellisuudessa tapahtuneita hetkiä.

    Mainoskuvaajat saattavat hyötyä generatiivisista työkaluista, mutta tällöinkin kyse on enemmän kuvan muokkaamisesta kuin valokuvaajan tarvitsemasta kuvankäsittelystä. Jos haluat lukea kuvia tuottavista tekoälyratkaisuista, löydät lisää artikkelistamme.

    Valokuvaaja voi kuitenkin hyötyä tekoälystä suuresti. Esimerkiksi valtaosa uusimmista järjestelmäkameroista pitää sisällään tekoälypohjaisen tarkennuksen, joka tunnistaa esimerkiksi ihmiset ja eläimet kuvista. Myös valotuksia automaattisesti yhdistelevät ominaisuudet ovat yleistyneet. Etenkin kännykkäkameroissa nopea kamera ottaa useita kuvia eri valotuksilla, joista tekoälyavusteisesti yhdistellen luodaan lopullinen kuva. Tämä onkin haastanut valokuvauksen nyrkkisääntöjen taustalla olevia fysiikan lakeja, eikä aukko, suljinaika ja ISO-arvo sekä kennon koko pysty suoraviivaisesti määrittelemään kuvanlaatua.

    Tekoälypohjaiset kuvia parantavat ohjelmistot ovat tuoneet valokuvaajalle uusia mahdollisuuksia. Etenkin tekoälypohjaisella kohinanpoistolla ja tarkkuuden lisäyksellä voidaan tehdä asioita, joista ennen voitiin vain haaveilla. Kohinanpoisto toimii niin hyvin, että kuvaaja voi käyttää jopa kahta pykälää suurempaa ISO-arvoa. Jotta saman vaikutuksen saisi aikaiseksi esimerkiksi linssin valovoimaisuutta parantamalla, pitäisi monessa tapauksessa objektiivin hinta kertoa kymmenellä. Tekoälypohjaiset ratkaisut ovat siis valokuvaajalle kustannustehokas apuväline.

    Adobe Lightroom Classic

    Monelle valokuvaajalle tuttu työväline Adobe Lightroom on saanut tekoälypohjaisia ominaisuuksia, kuten kohinanpoiston ja taustan sumennuksen. Etenkin kohinanpoisto vaikuttaa hyvin toimivalta ja sillä pystyy parantamaan kuvaa noin parin ISO-pykälän verran – huomioi kuitenkin, että korkeilla ISO-arvoilla kuvatessa kuvan dynamiikka eli vaaleiden ja tummien toistoalue voi kaventua huomattavasti. Kohinanpoisto on vähintään kilpailijoiden tasolla. Tekemissämme testeissä Lightroomin viimeisimmän version ja AI-pohjaisen kuvanparannuksen edelläkävijänä tunnetun Topaz Photo AI:n välillä ei vaikuttanut olevan merkittäviä eroja, vaan ohjelmistojen keskinäinen paremmuus on kiinni enemmänkin kuvaajan mieltymyksistä kuin ohjelmistojen kyvyistä.

    Joitain kilpailijoista löytyviä ominaisuuksia Lightroomista kuitenkin uupuu, kuten kuvien skaalaaminen suuremmiksi tekoälyn avulla. Se löytyy kuitenkin Adoben Photoshopista, joka löytyy yleensä Lightroomin käyttäjän tietokoneelta.

    Nikon Z6 -järjestelmäkameralla otettu kuva ISO-arvolla 204 800. Kuvassa on käytetty Adoben tekoälypohjaista kohinanpoistoa.
    Yksityiskohdasta erottuu hyvin kohinanpoiston määrä. Pienoismalli on käsityötä, joten rosot ja epäsymmetriset muodot kuuluvat kuvaan.

    Adobe Photoshop

    Kuvankäsittelyohjelma Photoshop löytyy yleensä Lightroomin kanssa samasta paketista ja Lightroomia käyttävät valokuvaajat ovat tottuneet tekemään enemmän kuvankäsittelyä vaativat toimenpiteet juuri Photoshopissa. Photoshop tarjoaa uusia tekoälypohjaisia ominaisuuksia, kuten automaattisen muotokuvien kohennuksen ja syvyyssumennuksen. Photoshopista löytyy myös superzoom-toiminto, joka kuvia skaalatessaan luo tekoälypohjaisesti tarkempia yksityiskohtia kuviin. 

    Photoshopista löytyy myös muita tekoälypohjaisia ominaisuuksia, kuten generatiivinen sisällöntäyttötyökalu, joka voi olla hyödyllinen valokuvan käänteisessä rajauksessa. Voit siis luoda esimerkiksi potrettiin lisää tilaa pään yläpuolelle yksinkertaisesti rajaamalla kuvaa laajemmaksi. Generatiivinen tekoälyominaisuus keksii uutta sisältöä, joka sopii kokonaisuuteen. Ominaisuuden kanssa täytyy kuitenkin olla tarkkana, sillä sisältö todellakin on keksittyä, joten sitä ei tulisi käyttää esimerkiksi dokumentaarista valokuvausta tehtäessä.

    Valitettavasti osa Photoshopin tekoälyominaisuuksista on vielä kilpailijoita heikommalla tasolla. Esimerkiksi superzoom-ominaisuus toimii huonommin kuin kilpailijoiden vastaavat ominaisuudet. 

    Adobe on kuitenkin viimeisen vuoden aikana kehittänyt valtavasti tekoälypohjaisia ominaisuuksia ja alan suurimpana toimijana siltä voidaan olettaa kehitysaskeleita 

    Topaz Photo AI

    Edelläkävijänä pidetty Topaz Photo AI on edelleen yksi parhaimmista tekoälypohjaisista kuvanparannusohjelmista. Kohinanpoisto toimii erittäin hyvin ja kuvia pystyy skaalaamaan suuremmiksi kohtuullisen luotettavasti.

    Ihmeisiin Topaz Photokaan ei pysty. Jos liian pieniresoluutioista kuvaa yrittää suurentaa liikaa, on lopputulos muovinen. Kuitenkin esimerkiksi kuvakoon kaksinkertaistaminen tuottaa aivan kelvollisia tuloksia – ominaisuus on merkittävä esimerkiksi pienempiresoluutioisen kameran omistajalle. 24 megapikselin kennon lopputuloksen saa venytetty samoihin mittoihin kuin 48 megapikselin kennon ilman huomattavaa yksityiskohtien katoamista. Näin kameraa ei ole välttämättä tarvetta vaihtaa esimerkiksi satunnaisten suurten printtien takia.

    Topaz Photo AI on erinomainen ohjelma niille, jotka kaipaavat toimivaa kuvien suurennustyökalua. Kohinanpoistoon esimerkiksi Lightroomin käyttäjät eivät saa merkittävää lisähyötyä, mutta jos käytössä on jokin valokuvien hallintaohjelmisto, jossa ei ole tekoälypohjaista kohinanpoistoa, voi Topaz olla oiva työkalu.

    DxO PhotoLab 7 / Pure RAW 4

    Kamera- ja linssiprofiileihin perustuvaan hienosäätöön erikoistunut ohjelmisto tekee hyvää jälkeä kohinanpoistossa ja ohjelmiston monipuoliset eri kameroiden ja objektiivien vääristymien korjailut tekevät hetkessä kuvista entistä parempia. Tekoälypohjainen kohinanpoiston taso on kilpailijoiden tasolla, mutta konrollointimahdollisuuksia sekä kohinanpoistoon että värivirheiden tai vääristymien korjailuun on muita monipuolisemmin. 

    DxO PhotoLab toimii tekoälypohjaisten työkalujensa lisäksi valokuvien hallintaohjelmistona eli korvaa esimerkiksi monien käyttämän Lightroomin. Jos kuitenkin haluaa käyttää jotain toista hallintaohjelmistoa, voi DxO:n ominaisuudet ottaa käyttöön lisäosan avulla DxO Pure RAW tarjoaa pelkän raakakuvien hienosäätömahdollisuuden. 

    Luovaan kuvien säätöön DxO tarjoaa useita erillisiä ohjelmia, jotka voi ostaa erikseen tai yhdessä PhotoLabin tai Pure RAWin kanssa

  • Tekoälyn läpinäkyvyysvaatimukset työn alla EU:ssa 

    Tekoälyn läpinäkyvyysvaatimukset työn alla EU:ssa 

    Teksti: Jenni Kyntölä, Teosto, lakiasiainjohtaja

    Tekoäly on tullut jäädäkseen, ja sen vaikutukset ulottuvat kaikille elämän osa-alueille – kulttuurista talouteen ja teknologiasta lainsäädäntöön. Tekoälyn käytön laajentuessa on myös huolehdittava, ettei se romuta luovan alan tulevaisuutta, vaan vahvistaa myös sen kilpailukykyä.

    Elokuussa 2024 voimaan tulleen EU:n tekoälysäädöksen (AI Act) tarkoituksena on varmistaa, että tekoälyjärjestelmät ovat luotettavia, turvallisia ja läpinäkyviä, ja että niitä käytetään vastuullisesti.

    Asetuksessa huomion kohteena ovat erityisesti suuririskiset tekoälyjärjestelmät, joita käytetään esimerkiksi terveydenhuollossa, liikenteessä tai koulutuksessa. EU:n tekoälysäädös kattaa myös yleiskäyttöisiä tekoälymalleja (GPAI – general purpose AI) koskevia säännöksiä, joihin luetaan luovan alan kannalta merkitykselliset yleisluontoiset eli generatiiviset tekoälymallit.  Euroopan komission alaisuuteen on perustettu tekoälytoimisto (AI Office), jonka tehtävänä on valvoa asetuksen täytäntöönpanoa sekä antaa ohjeistusta ja työkaluja tekoälypalveluiden tarjoajille. Yksi toimiston
    ensimmäisistä tekoälysäädöksen toimeenpanoon liittyvistä tehtävistä on laatia yleiskäyttöisiä tekoälymalleja koskevat käytännesäännöt (Code of Practice).  Tekoälysäädöksessä on paljon tekoälyn valvontaan liittyviä säännöksiä, ja valvontavastuu on jaettu EU-tason ja kansallisten
    viranomaisten välillä. Yleiskäyttöiset tekoälymallit, johon esimerkiksi ChatGPT perustuu, kuuluvat komission tekoälytoimiston valvonnan piiriin.  Tekoälytoimiston käytännesäännöissä, joiden on tarkoitus valmistua keväällä 2025, tarkennetaan vaatimuksia esimerkiksi koulutukseen käytetyn aineiston läpinäkyvyyden ja tekijänoikeuksien kunnioittamisen suhteen. Siksi se on keskeinen säännöstö myös tekijänoikeuden alaisten luovien sisältöjen näkökulmasta. Code of Practicen valmisteluun on osallistettu laajasti myös eri sidosryhmiä. Teosto on toimittanut omat näkemyksensä eurooppalaisen kattojärjestö GESACin kautta. Näkemykset keskittyvät erityisesti tekijänoikeuksien suojaamiseen tekoälyn aikakaudella. 

    Tekoälymallien läpinäkyvyys: ratkaiseva kysymys 

    Yleiskäyttöisten tekoälymallien läpinäkyvyys ja läpinäkyvyysvelvoitteisiin liittyvä dokumentaatio ovat avainasemassa sen varmistamiseksi, että luovan työn tekijät voivat valvoa oikeuksiaan tekoälyn maailmassa. Käytännesääntöjen lisäksi EU:n tekoälytoimiston valmistelussa on parhaillaan malli siitä, millä tavalla yleiskäyttöisten tekoälymallien on tarjottava tiedot niiden koulutuksessa käytetystä aineistosta.  

    Lähtökohtaisesti koulutusaineistoa koskevat tiedot on säädöksen mukaan esitettävä tiivistelmänä. Monet tekoäly-yritykset ovat argumentoineet, että liian yksityiskohtaisten tietojen antaminen olisi niille liian työlästä ja vaarantaisi niiden kilpailukykyä.  

    On kuitenkin selvää, että tekoälyä koskevien käytännesääntöjen ja raportointimallin on varmistettava nykyistä tasapainoisempi tilanne markkinoilla.

    Luovan työn tekijöiden on saatava kohtuullinen korvaus teostensa käytöstä tekoälymallien kehittämisessä.  Näin voidaan varmistaa luovan alan kilpailu- ja toimintakyky myös jatkossa.  

    Yksi tekoälysäädöksen keskeisistä tavoitteista on perusoikeuksien suojan takaaminen, jollainen myös tekijänoikeus on ja säädös edellyttää nimenomaisesti tekijänoikeuksien kunnioittamista.  Tekoälytoimiston tuleekin huolehtia, että tulevaisuudessa yleiskäyttöisten tekoälymallien kehittäjät todella tarjoavat riittävät tiedot mallien kouluttamisesta.

    Koulutusaineiston dokumentointi ei ole niin työlästä tai liikesalaisuuksia vaarantavaa, jotta näillä tekijöillä voitaisiin perustella tekijänoikeudenloukkauksia.  GESAC onkin esittänyt EU:n tekoälytoimistolle täsmennyksiä siitä, millaisia tietoja minimissään tulisi olla tarjolla. Näin oikeudenhaltijat voivat varmistaa, onko heidän tekijänoikeussuojattuja teoksiaan käytetty koulutuksessa.  

    Tekijänoikeuksien kunnioittaminen: välttämätön edellytys  

    Eurooppalaisten tekijänoikeusjärjestöjen viesti myös tekoälytoimiston valmisteluun on selkeä: kaikkien yleiskäyttöisten tekoälymallien tulee noudattaa unionin tekijänoikeuslainsäädäntöä.  

    Tekoälysäädös velvoittaa tekoälymallien tarjoajia luomaan tekijänoikeuslakeja noudattavan toimintapolitiikan. Tämä tarkoittaa muun muassa, että niiden pystyttävä tunnistamaan tekijänoikeuden alaiset teokset ja kunnioittamaan luovan työn tekijöiden oikeuksia.  Tekoälytoimijoiden on lisäksi kyettävä huomioimaan oikeudenhaltijoiden teostensa käyttöä koskevat oikeudenpidätykset (opt-out).  

    Tämä ei tarkoita, etteikö tekoäly voisi hyödyntää omia malleja kouluttaessaan luovia teoksia, kuten musiikkia, kuvia, kirjoituksia ja muita tekijänoikeudellisesti suojattuja sisältöjä.

    EU:n tekijänoikeussääntelyn velvoite on selkeä: tekijänoikeudella suojatun aineiston käyttöön on oltava oikeudenomistajan lupa.

    Eurooppalaiset järjestöt painottavatkin, että tekoälypalveluiden tarjoajien olisi tehtävä aktiivisesti yhteistyötä oikeudenhaltijoita edustavien tahojen kanssa. Hyödynnettäväksi ehdotetaan tekijänoikeusdirektiivistä tuttua periaatetta: yleiskäyttöisten tekoälymallien olisi oltava proaktiivisesti yhteydessä oikeuksien haltijoihin, kuten tekijänoikeusjärjestöihin ja neuvoteltava niiden kanssa sopimukset.

    Näin varmistettaisiin, että luovien sisältöjen käyttö olisi laillista ja luovan työn tekijät saisivat siitä heille kuuluvan korvauksen.  Aktiivisilla lisensointivelvoitteilla varmistettaisiin myös se, että tekoälytoimijat saisivat laillisesti malliensa kouluttamiseen monipuolista, luotettavaa ja laadukasta sisältöä.  

    Vahva vaikuttamistyö EU-tasolla jatkuu 

    EU:n tekoälysäädös on ensimmäinen laajempi tekoälyn mahdollisuuksia ja riskejä käsittelevä lainsäädäntökehys maailmassa. Sen käytännön soveltamisessa moni asia on kuitenkin edelleen auki. Siksi myös Teosto ja sen kattojärjestö GESAC jatkavat vahvaa vuoropuhelua viranomaisten kanssa.  

    Suomessa asetuksen toimeenpanosta vastaa työ- ja elinkeinoministeriö, joka on perustanut työtä varten laaja-alaisen työryhmän. Suomen valmistelu keskittyy lähinnä kotimaisten valvovien viranomaisten nimeämiseen sekä huolehtimaan säädöksen vaatimien testiympäristöjen (sandbox) perustamisesta. Teosto seuraa valmistelua kotimaassa aktiivisesti.  

    Luovalle alalle keskeisintä ovat kuitenkin yleiskäyttöisiä tekoälymalleja koskevat käytänteet, joista ohjeistetaan EU-tasolla. Ohjeistukset takaavat sen, että tekoäly voi edistää eurooppalaisia innovaatioita samalla, kun luovan alan tulevaisuus on samaan aikaan turvattu.  

    Eurooppalaisen luovan alan viesti valmisteluun on yhtenäinen: tekijänoikeuksien kunnioittaminen on ehdoton edellytys tekoälyasetuksen onnistumiselle. Avainasemassa ovat läpinäkyvyyden lisääminen, oikeudenhaltijoiden kanssa tehtävä yhteistyö ja vahvojen toimintapolitiikkojen käyttöönotto.




    Tämä teksti on julkaistu alunperin: https://www.teosto.fi/teostory/tekoalyn-lapinakyvyysvaatimukset-tyon-alla-eussa/