Parviälyyn perustuvat optimointimenetelmät pystyvät tarjoamaan ratkaisuja ongelmiin, jotka ovat liian monimutkaisia ratkottaviksi perinteisiä optimointimenetelmiä käyttäen. Diplomi-insinööri Jenni Raitoharju keskittyy väitöskirjassaan parviälyn hyödyntämiseen koneälysovelluksissa.

Parviäly viittaa ilmiöön, jossa yksittäiset agentit alkavat toimia tiettyjen mallien mukaisesti, vaikka niitä ei yksilöllisesti ohjatakaan. Periaatetta on hyödynnetty hyvin monenlaisten ilmiöiden mallintamiseen ja tutkimiseen robotiikasta ihmisten käyttäytymiseen erilaisissa tilanteissa.

Raitoharju sovelsi väitöskirjassan parviälyn käsitettä koneoppimiseen, joka on nopeasti lisääntymässä kaikkialla, liikenteestä terveydenhuoltoon ja taloudesta satelliittivalvontaan. Uusissa koneoppimissovelluksissa joudutaan ratkomaan monia hankalia optimointitehtäviä, joissa perinteiset optimointimenetelmät eivät kykene löytämään tyydyttäviä ratkaisuja.

Parvioptimointimenetelmät perustuvat osin satunnaisuuteen, minkä ansiosta ne pystyvät löytämään ratkaisuja haastavampiinkin tehtäviin. Parvioptimointi sopii myös klusterointiin, mikä tarkoittaa havaintojen tai kohteiden jakamista samankaltaisten kohteiden osajoukkoihin, jotka tyypillisesti jatkokäsitellään yhdenmukaisella tavalla. Loppukäyttäjän tietämättä parvioptimointi saattaa toimia osana monia älykkäitä laitteita tai ympäristöjä.

Raitoharju tutki ja kehitti väitöstyössään erityisesti multidimensionaalisen elimoniulotteisen parvioptimoinnin (Multidimensional Particle Swarm Optimization) käyttöä koneoppimistehtävissä, kuten klusteroinnissa, luokittelussa, neuroverkkojen koulutuksessa ja piirresynteesissä.

- Multidimensionaalisessa parvioptimoinnissa on erityistä sen kyky optimoida varsinaisen ratkaisun lisäksi myös ratkaisun dimensiota. Tämä on tärkeää, koska useimmissa käytännön optimointiongelmissa ratkaisun optimaalinen dimensio, kuten osajoukkojen määrä klusteroinnissa tai neuroverkon koko, ei ole etukäteen tiedossa. Perinteisesti dimensio ratkaistaan heuristisesti tai käytetään tavallista optimointimenetelmää erikseen jokaisessa mahdollisessa dimensiossa ja verrataan lopuksi keskenään eri dimensioissa löydettyjä ratkaisuja. Multidimensionaalinen menetelmä ratkaisee samanaikaisesti sekä dimension ja varsinaisen ratkaisun, Raitoharju kertoo.

Parvioptimoinnin soveltamiseksi on löydettävä toimiva hyvyysfunktio kuhunkin ongelmaan. Parvi käyttää hyvyysfunktiota löytämiensä ratkaisujen hyvyyden arvioimiseen ja, mikäli käytetty hyvyysfunktio ei mallinna hyvin ratkaisujen todellista laatua, ei tehokkainkaan parviäly voi toimia menestyksekkäästi.

- Suurten tietoaineistojen, kuten esimerkiksi miljoonien kuvien tietokantojen kohdalla parvioptimoinnin käytön ongelmaksi nousee puolestaan sen laskennallinen haastavuus. Apuna voidaan käyttää niin sanottuja hajota ja hallitse -tekniikoita. Niiden avulla ongelmat voidaan pilkkoa pienemmiksi, helpommin ratkaistaviksi osaongelmiksi, Raitoharju sanoo.

Jenni Raitoharjun tutkimuksen tärkeimpiä tuloksia olivatkin uudistukset hyvyysfunktioissa ja niiden laskennassa sekä hajota ja hallitse -tekniikoiden soveltaminen yhdessä parvioptimoinnin kanssa.

Raitoharjun signaalinkäsittelyn alaan kuuluva väitöskirja Multidimensional Particle Swarm Optimization for Machine Learning tarkastetaan Tampereen teknillisen yliopiston tieto- ja sähkötekniikan tiedekunnassa ensi perjantaina.