Tekoälyosaaja

Opintojakson suoritettuasi osaat:

- kirjoittaa tehokkaita kehotteita, jotka tuottavat halutun vastauksen
- hyödyntää kuvien luontityökaluja fotorealististen kuvien ja taiteen tekemiseen
- hyödyntää kuvasta kuvaksi generointia
- luoda tekoälyn avulla esitysmateriaaleja ja valmiita videoita
- käyttää tekoälyä erilaisten tekstien kirjoittamiseen, uudelleenkirjoittamiseen ja analysointiin
- hyödyntää tekoälyä ideointiin ja asiantuntija-avustajana toimimiseen
- käyttää tekoälytyökaluja ohjelmointitehtävien suorittamiseen (koodin luominen, virheiden etsiminen ja korjaaminen, dokumentointi, testaus, koodin uudelleenkirjoitus/refaktorointi)

Opit tuntemaan ja käyttämään tehokkaasti monenlaisia erilaisia tekoälytyökaluja ja saat ajantasoista tietoa generatiivisten tekoälytyökalujen uusimmasta kehityksestä.

Opit käytännön esimerkkien ja tehtävien avulla. Tehtävät kattavat monenlaisia aiheita tekstin tuottamisesta opettamiseen sekä materiaalien, ohjelmakoodin, kuvien ja videoiden luomiseen. Voit itse valita mitä tehtäviä teet, kunhan vaadittu minimäärä täyttyy.

Opintojakso sisältää minimaalisesti teoriaa, noin 99 % on käytäntöä ja 1 % teoriaa. Opintojaksoon ei sisälly matematiikan opiskelua.

Opintojakson aikana opit:

- käyttämään suurten tekoäly-yritysten, kuten OpenAI:n (ChatGPT ja Dall-E 3) tarjoamia sovellusrajapintoja ja integroimaan tekoäly osaksi verkkosivustoasi tai muita sovelluksiasi.
- käyttämään tekoälyä tehtävien automatisointiin, esimerkiksi ohjelmien suorittamiseen tietokoneellasi.
- käyttämään tekoälyä tiedon keräämiseen verkosta ja sosiaalisen median sivustoilta.
- luomaan omia mukautettuja botteja ja käyttämäön tekoälysovellusrajapintoja multimodaalisesti esimerkiksi yhdistämään tekstiä ja kuvaa.
- asentamaan ja käyttämään tekoälytyökaluja paikallisella tietokoneella. Huom! tämä vaatii melko tehokkaan tietokoneen ja mieluiten vähintään 8 gigatavua videomuistia (VRAM) ja NVIDIA-näyttösovittimen - mitä enemmän VRAM-muistia, sitä parempi.

Päätavoitteena on löytää keinoja hyödyntää olemassa olevia tekoälyohjemointirajapintoja (API) ja oppia asentamaan tekoälytyökaluja paikalliselle tietokoneelle tai pilveen.

Omien tekoälymallien kouluttaminen voi olla kohtuuttoman kallista ja aikaa vievää. Valmiiden ohjelmointirajapintojen (API), avoimen lähdekoodin kielimallien (LLM) ja kuvageneraattoreiden (kuten Stable Diffusion) käyttö on tehokkain tapa tuoda tekoäly osaksi omaa työkaluketjuasi ja integroida se omiin sovelluksiisi.

Opintojakso sisältää paljon käytännön esimerkkejä ja ohjelmointitehtäviä, joista osa saattaa vaatia maksullisten tekoälyohjelmointirajapintojen käyttöä. Näiden hinta on todennäköisesti maltillinen, esimerkiksi. noin 10 eurolla saat tarpeeksi krediittejä lyhyisiin kokeiluihin.

Ohjelmoimme pääasiassa Pythonilla, mutta myös muita ohjelmointikieliä (kuten JavaScriptiä) voidaan käyttää.

.

Opintojakson suoritettuasi:

- tunnistat ongelman ja osaat ehdottaa siihen ratkaisua tekoälyn avulla.
- osaat käyttää sopivia työkaluja ja menetelmiä ratkaisun suunnittelussa.
- toteutat ratkaisun systemaattisesti.
- arvioit ratkaisua eri skenaarioissa huomioiden mahdolliset ongelmat ja niiden lieventämisen.
- esität ratkaisusi eri sidosryhmille sopivalla kielellä.

Toteutat ja dokumentoit ryhmätyönä laajasti tekoälyä hyödyntävän projektin. Projektin lopputulos voi olla kirja, video, peli, web-sivusto, uusi mobiili-, työpöytä- tai verkkosovellus, joka on useamman kuin yhden kehotteen tulos. Projekti voi olla myös olemassa olevien tekoälyohjelmointirajapintojen soveltaminen robotiikassa, IoT:ssä tai automaatiossa. Projekti voi olla myös taideinstallaatio tai tekninen prototyyppi yritykselle.

Projekti on jaettu useisiin vaiheisiin: ryhmän muodostaminen ja suunnittelu, prototyyppi, beta ja lopullinen versio. Opiskelijat saavat palautetta jokaisesta vaiheesta.

Opintojakson tavoitteena on tutustua tietojenkäsittelyyn Pythonilla.

Opintojakson aikana dataa analysoidaan systemaattisesti aloittaen yksittäisistä muuttujista, edeten kahden muuttujan tapaukseen ja lopuksi tilastollisten testien tekemiseen, jolloin saadaan käsitys muuttujien välisistä mahdollisista riippuvuuksista.

Tutustut moniin Python-kirjastoihin, jotka ovat käyttökelpoisia moniin erilaisiin tehtäviin, ei vain tietojen analysointiin.

Opintojaksolla käsitellään seuraavia aiheita:

• Pythonille ominaiset ohjelmointirakenteet
• Datan visualisointi Matplotlib:llä
• Pandas-kirjaston käyttö tietojenkäsittelyyn
• Visuaalisen analytiikan periaatteet
• Tietojen lukeminen ja kirjoittaminen
• Tietorakenteiden ja niiden perusominaisuuksien ymmärtäminen
• Tietojen valinta, indeksointi, ryhmittely ja muuntaminen
• Puuttuvien tietojen ja kaksoiskappaleiden käsittely
• Perustavanlaatuisen tietoanalyysin suorittaminen
• Tilastollisten testien suorittaminen muuttujien välisen riippuvuuden arvioimiseksi
• Harjoitustyö, jossa yhdistyvät edellä mainitut aiheet

Opintojaksolla esittelee koneoppimisen dataan perustuvien ennusteiden tekemisen. Opit tuntemaan useita ohjattuja ja ohjaamattomia oppimisalgoritmeja.

Opintojakson suoritettuasi:

- sinulla on hyvä käsitys koneoppimisen keskeisistä käsitteistä ja menetelmistä
- osaat soveltaa erilaisia koneoppimismenetelmiä käytännön ongelmiin
- osaat luoda ja ottaa käyttöön yksinkertaisia koneoppimisratkaisuja

Esimerkkien ja harjoitustehtävien ohjelmointiin käytetään Python-ohjelmointikieltä ja sen eri kirjastoja.

Käsiteltävät aiheet:

• Ohjattu oppiminen, knn-algoritmi esimerkkinä
• Ohjaamaton oppiminen, esimerkkinä k-means-algoritmi
• Lineaarinen regressio ja korrelaatio
• Ali- ja ylisovitus
• Päätöspuut
• Tukivektorikoneet
• Ulottuvuuksien vähentäminen
• Aiheentunnistus, säännölliset lausekkeet, luonnollisen kielen käsittely (NLP)
• Tunneanalyysi

Opintojakso suoritetaan tekemällä muutama harjoitusprojekti pienryhmissä. Ennen jokaista harjoitusprojektia käydään materiaalin avulla läpi monia tietojenkäsittelyyn ja Python-kirjastoihin liittyviä asioita ja tarjotaan esimerkkejä.

Opintojakson tavoitteena on saada syvällinen ymmärrys neuroverkoista sekä käytännön kokemusta niiden hyödyntämisestä. Ensin perehdytään alla lueteltuihin aiheisiin ja tehdään tämän tiedon pohjalta harjoitusprojekti, joka toimitetaan arvioitavaksi.

Käsiteltävät aiheet:

• Python konenäkökirjasto
• Keinotekoiset neuroverkot
• Gradient Descent -algoritmi
• Konvoluutioneuroverkot
• Mallien kouluttaminen omalla datalla
• Siirto-oppiminen



Tulet muokkamaan näitä koodeja omiin tarpeisiisi soveltaaksesi annettua aineistoa osana opintojaksoon kuuluvaa harjoittelua. => ... osana opintojakson harjoitustyötä

Yllä oleviin aiheisiin perehdytään luentomateriaalin ja kirjallisuuden avulla ja lisäksi tarjolla on kattava Python-kielinen koodikanta. Tulet muokkamaan näitä koodeja omiin tarpeisiisi soveltaaksesi annettua aineistoa osana opintojakson harjoitustyötä.