Yli 350 termiä A:sta (agentti) Z:aan (zero-shot) – selkeästi selitettynä ja vinkein siitä, missä KI.ordo auttaa.
Account-based marketing (ABM) kohdistaa markkinoinnin ja myynnin valittuun joukkoon yritysasiakkaita laajojen yleisöjen sijaan. Orkestrointi tarkoittaa kaikkien kohtaamispisteiden koordinointia: kuka ostopäätösryhmän jäsen saa minkäkin viestin, mitä kanavaa pitkin ja milloin. Tekoäly auttaa kokoamalla tietoa kohdeyrityksistä, luonnostelemalla roolikohtaisia viestejä ja suunnittelemalla sarjoja sähköpostin, puhelimen, tapahtumien ja sosiaalisten verkostojen yli.
Adaptiivisella oppimisella tarkoitetaan oppimisohjelmia, jotka mukautuvat jatkuvasti oppijan osaamiseen, tahtiin ja virheisiin. Ohjelmisto analysoi vastaukset ja valitsee sitten sopivia harjoituksia, selityksiä tai kertausta. Sitä käytetään kouluissa, yliopistoissa ja yritysten koulutuksessa – esimerkiksi kun alusta tarjoaa automaattisesti helpomman välivaiheen väärin vastatun tehtävän jälkeen. Koneoppimisessa termillä kuvataan myös malleja, jotka mukautuvat jatkuvasti uuteen dataan.
Adversariaalinen koneoppiminen tutkii, miten tekoälymalleja voidaan johtaa harhaan tarkoituksella manipuloiduilla syötteillä tai opetusdatalla – ja miten niitä voidaan suojata. Tunnettuja esimerkkejä ovat tuskin näkyvät kuvamuutokset, jotka kääntävät luokituksen, tai myrkytetty opetusdata. Aihe on organisaatioille tärkeä heti, kun tekoäly tukee tietoturvan kannalta merkittäviä päätöksiä. Vastatoimia ovat robusti koulutus, syötteiden tarkistus, valvonta ja säännöllinen tietoturvatestaus.
”Agenttinen” kuvaa tekoälyjärjestelmiä, jotka tekevät muutakin kuin vastaavat yksittäiseen kysymykseen: ne tavoittelevat päämäärää usean vaiheen kautta, suunnittelevat, käyttävät työkaluja kuten verkkohakua tai API-rajapintoja, tarkistavat välituloksia ja päättävät, mitä tehdä seuraavaksi. Esimerkki on avustaja, joka luokittelee yhteydenoton, etsii tietoa ja valmistelee vastausluonnoksen. Selkeät rajat, lokikirjaus ja ihmisen hyväksyntä kriittisissä kohdissa ovat välttämättömiä.
Käynnistää työnkulun automaattisesti, esimerkiksi tunneittain, päivittäin, arkipäivisin tai viikoittain.
Aktivointifunktiot määrittävät, kuinka voimakkaasti keinotekoisen neuroverkon neuroni välittää signaalinsa eteenpäin. Ne tuovat verkkoon epälineaarisuutta – vasta sen ansiosta verkko pystyy esittämään monimutkaisia yhteyksiä, kuten kieltä tai kuvia. Yleisiä esimerkkejä ovat ReLU, joka asettaa negatiiviset arvot nollaksi, sigmoid todennäköisyyksille 0:n ja 1:n välillä sekä GELU, jota käytetään monissa transformer-malleissa. Valinta vaikuttaa koulutuksen nopeuteen ja vakauteen.
Algoritminen läpinäkyvyys tarkoittaa, että on mahdollista ymmärtää, miten automatisoitu järjestelmä päätyy tulokseen: mitä dataa se käyttää, mitä sääntöjä se noudattaa ja missä sen rajat ovat. Tämä rakentaa luottamusta, helpottaa virheiden jäljittämistä ja on yhä useammin lakisääteinen vaatimus, esimerkiksi GDPR:n ja EU:n tekoälysäädöksen tiedonantovelvollisuuksien kautta. Käytännössä auttavat dokumentaatio, lähdeviitteet, lokit ja selkeät ilmoitukset asianosaisille.
AllenNLP on avoimen lähdekoodin Python-kirjasto luonnollisen kielen käsittelyn tutkimukseen, ja sen on kehittänyt Allen Institute for AI PyTorchin pohjalta. Se tarjosi valmiita komponentteja ja malleja esimerkiksi tekstinluokitteluun, viittaussuhteiden tunnistamiseen ja kysymyksiin vastaamiseen. AllenNLP:tä ei ole kehitetty aktiivisesti vuoden 2022 lopun jälkeen, ja se on ylläpitotilassa; sen ylläpitäjät ohjaavat vaihtoehtoihin, kuten AI2 Tango, flair tai Hugging Face Transformers (tilanne lokakuussa 2026).
Amazon Kindle Direct Publishing (KDP) on Amazonin alusta, jolla kirjailijat voivat omakustantaa e-kirjoja, pehmeäkantisia ja kovakantisia kirjoja. Nimien, kuvausten, hakusanojen ja kategorioiden on noudatettava alustan omia sääntöjä. Jos sisältöä – tekstiä, kansikuvia tai käännöksiä – tuotetaan tekoälyllä, siitä on ilmoitettava Amazonille julkaisun yhteydessä; pelkästään tekoälyavusteinen työ, kuten ideointi tai oikoluku, on vapautettu tästä (tilanne lokakuussa 2026). Voimassa olevat ohjeet kannattaa tarkistaa ennen jokaista julkaisua.
Amazon SageMaker on Amazon Web Servicesin (AWS) pilvipalvelu koneoppimismallien rakentamiseen, kouluttamiseen ja käyttöönottoon. Vuoden 2024 lopulla alkuperäinen palvelu nimettiin uudelleen nimellä ”Amazon SageMaker AI”; siitä lähtien ”Amazon SageMaker” on tarkoittanut laajempaa datan, analytiikan ja tekoälyn alustaa, jonka käyttöliittymä on SageMaker Unified Studio (tilanne lokakuussa 2026). Sitä käyttävät pääasiassa data science -tiimit, jotka ajavat malleja AWS-infrastruktuurissa.
Anaconda on laajalti käytetty Python- ja R-ohjelmointikielten jakelu data-analyysiin ja koneoppimiseen, ja sen julkaisee Anaconda Inc. Siihen kuuluu conda-paketinhallinta sekä valmiiksi asennettuja kirjastoja, kuten NumPy, pandas ja Jupyter, ja sen avulla on helppo pitää erilliset ympäristöt projektikohtaisesti. Yli 200 työntekijän organisaatiot tarvitsevat maksullisen lisenssin Anaconda Distributioniin ja sen oletuspakettikanavaan; conda itse ja yhteisön kanava conda-forge ovat edelleen maksuttomia (tilanne lokakuussa 2026).
Antropomorfismi on taipumus liittää koneisiin inhimillisiä ominaisuuksia, kuten tunteita, aikeita tai ymmärrystä. Chatbottien kohdalla tämä tapahtuu luontevasti, koska ne kirjoittavat sujuvasti ja henkilökohtaisesti. Se voi tehdä vuorovaikutuksesta miellyttävämpää, mutta siihen liittyy riskejä: ihmiset voivat luottaa vastauksiin liikaa tai jakaa arkaluonteisia tietoja. Tätä ehkäisevät selkeät ilmoitukset siitä, että käyttäjä asioi tekoälyn kanssa, ja rehelliset kuvaukset sen rajoista.
Anyword on markkinointitekstien tekoälypohjainen kirjoitusalusta, joka sai alkunsa vuonna 2013 perustetusta Keywee-yhtiöstä. Se tuottaa lyhyitä tekstejä, kuten mainoksia, sähköpostien aiherivejä, otsikoita ja tuotekuvauksia, ja antaa versioille ennustetun pistemäärän siitä, kuinka hyvin ne saattavat puhutella kohdeyleisöä. Lisäksi se tarjoaa brändin äänensävyn asetuksia ja olemassa olevan sisällön analyysia (tilanne lokakuussa 2026). Tällaiset ennusteet ovat arvioita eivätkä korvaa testausta käytännössä.
Salainen koodi, jonka avulla muut ohjelmat voivat kutsua KI.ordoa.
Asennon arviointi (pose estimation) on konenäkötekniikka, joka määrittää ihmisten asennon tai kohteiden sijainnin ja suunnan kuvissa tai videossa. Tyypillisesti malli tunnistaa avainpisteitä, kuten hartiat, kyynärpäät ja polvet, ja yhdistää ne luurangoksi. Sitä käytetään esimerkiksi kuntosovelluksissa, jotka tarkistavat liikkeiden suoritusta, työpaikan ergonomia-analyysissa, urheiluanalytiikassa ja robotiikassa.
Asiakaspalvelun automaatio tarkoittaa, että ohjelmisto hoitaa toistuvat asiakkaiden yhteydenotot kokonaan tai osittain – esimerkiksi chatbottien, vastausehdotusten tai tukipyyntöjen esilajittelun avulla. Yleisiin kysymyksiin aukioloajoista, toimitustilanteesta tai palautuksista voidaan vastata ympäri vuorokauden, ja tiimille jää enemmän aikaa vaikeisiin tapauksiin. Luotettavat tietolähteet ja helppo siirto ihmiselle ovat välttämättömiä.
Asiantuntijajärjestelmä on tietokoneohjelma, joka tallentaa ihmisasiantuntijoiden osaamisen sääntöinä ja tosiasioina ja tekee niiden pohjalta johtopäätöksiä. Se koostuu tyypillisesti tietämyskannasta ja päättelykoneesta, joka soveltaa sääntöjä. Asiantuntijajärjestelmät muovasivat tekoälyä 1970- ja 1980-luvuilla, esimerkiksi lääketieteellisessä diagnostiikassa tai teknisten laitteiden konfiguroinnissa. Niiden ajatukset elävät edelleen sääntöpohjaisissa tarkistuksissa ja tietämysgraafeissa.
Assosiatiivinen muisti hakee tallennettua tietoa sen sisällön eikä osoitteen perusteella: osittainen tai kohinainen vihje riittää palauttamaan vastaavan kokonaisuuden mieleen – samaan tapaan kuin muutama ensimmäinen tahti tuo mieleen koko kappaleen. Hopfield-verkot ovat tekoälytutkimuksen klassinen esimerkki. Periaate esiintyy myös laitteistoissa (sisältöosoitteinen muisti) ja nykyaikaisten kielimallien huomiomekanismin analyyseissä.
Automaattinen luokittelu liittää tekstit, asiakirjat tai tietueet ennalta määriteltyihin kategorioihin ilman manuaalista lajittelua. Perinteisesti mallit oppivat tämän merkityistä esimerkeistä; suuret kielimallit voivat liittää kategorioita myös pelkän kuvauksen perusteella. Tyypillisiä käyttökohteita ovat saapuvien sähköpostien lajittelu asian mukaan, tositteiden kohdistaminen tai kiireellisten tukipyyntöjen merkitseminen. Tärkeissä tapauksissa ihmisten tekemät pistokokeet ovat suositeltavia.
Autonomiset ajoneuvot liikkuvat kokonaan tai osittain ilman ihmisen väliintuloa kameroiden, tutkan, lidarin ja tekoälyohjelmiston avulla. SAE J3016 -standardi määrittelee kuusi tasoa – tasosta 0 (ei automaatiota) tasoon 5 (täysin kuljettajaton kaikkialla). Tekoäly hoitaa havainnoinnin, muiden tienkäyttäjien käyttäytymisen ennustamisen ja reittisuunnittelun. Henkilöautojen lisäksi tämä koskee robottitakseja, kuorma-autoja, sukkuloita ja varastoajoneuvoja; hyväksyntä ja vastuu säännellään kussakin maassa erikseen.
Älykäs agentti on järjestelmä, joka havaitsee ympäristönsä, käsittelee tietoa ja valitsee toimia itsenäisesti tavoitteen saavuttamiseksi. Nykyään termi viittaa yleensä suuriin kielimalleihin perustuvaan ohjelmistoon, joka noudattaa ohjeita, hyödyntää tietämystä ja kutsuu työkaluja, kuten hakutoimintoa tai API:a. Se, kuinka paljon agentti saa tehdä itsenäisesti, tulee päättää harkiten. Esimerkki: agentti vastaa asiakkaiden kysymyksiin tuotedokumentaation pohjalta.
Älykäs dokumenttienkäsittely (IDP) lukee automaattisesti dokumentteja, kuten laskuja, sopimuksia tai lomakkeita, tunnistaa niiden tyypin ja muuntaa olennaiset tiedot rakenteiseksi dataksi. Se yhdistää skannattujen dokumenttien tekstintunnistuksen, luonnollisen kielen käsittelyn ja validointisäännöt. Organisaatiot säästävät manuaalisessa tietojen syötössä ja nopeuttavat prosesseja, kuten saapuvien laskujen tai postin käsittelyä. Epävarmat kentät tulee antaa ihmisen tarkistettavaksi.
Äänen litterointi muuntaa tallenteiden puhutun kielen kirjoitetuksi tekstiksi. Nykyaikaiset automaattiset puheentunnistusjärjestelmät lisäävät myös välimerkit, erottavat puhujat toisistaan ja antavat joskus aikaleimat. Litterointia käytetään kokouspöytäkirjoihin, haastatteluihin, tekstityksiin ja asiakaspuheluiden dokumentointiin. Laatu riippuu paljon äänenlaadusta, aksentista ja erikoissanastosta; henkilötietoja sisältävissä keskusteluissa on otettava huomioon suostumus ja tietosuoja.
B2B-tietojen rikastaminen lisää olemassa oleviin yritystietueisiin – esimerkiksi CRM-järjestelmässä – tietoja, kuten toimialan, tarjonnan, sijainnin, yrityksen koon tai verkkosivuston. Tämä helpottaa segmentointia, liidien pisteytystä ja hyvin kohdennettua myyntityötä. Lähteinä ovat julkiset verkkosivustot, rekisterit ja erikoistuneet datantarjoajat. Yhteyshenkilöitä koskevat henkilötiedot kuuluvat GDPR:n piiriin, ja niitä tulee käsitellä säästeliäästi ja vain oikeusperusteen nojalla.
Vastavirta-algoritmi (backpropagation) on vakiomenetelmä, jolla neuroverkot oppivat. Jokaisen ennusteen jälkeen virhe mitataan ja levitetään taaksepäin verkon kerrosten läpi, mikä näyttää, kuinka paljon kukin paino vaikutti siihen. Optimointimenetelmä, kuten gradienttimenetelmä, säätää sitten painoja askel kerrallaan. Ilman vastavirta-algoritmia nykyisten kieli- ja kuvamallien kouluttaminen olisi käytännössä mahdotonta.
Bagging (lyhenne sanoista bootstrap aggregating) on koneoppimisen ensemble-menetelmä: monta mallia koulutetaan satunnaisesti poimituilla otoksilla opetusdatasta, ja niiden ennusteet keskiarvotetaan tai yhdistetään enemmistöäänestyksellä. Tämä tekee tuloksista vakaampia ja vähentää ylisovittamista. Tunnetuin esimerkki on satunnaismetsä (random forest), joka yhdistää monta päätöspuuta – esimerkiksi asiakaspoistuman tai hintojen ennustamiseen.
Bayesilaiset verkot ovat graafisia malleja, jotka esittävät muuttujat solmuina ja niiden todennäköisyysriippuvuudet suunnattuina nuolina. Bayesin kaavan avulla ne näyttävät, miten uudet havainnot muuttavat muiden tapahtumien todennäköisyyttä. Esimerkki on diagnostinen tuki: todennäköisimmän syyn arvioiminen havaittujen oireiden perusteella. Niiden vahvuuksia ovat läpinäkyvyys ja kyky käsitellä epävarmaa tai puutteellista dataa.
Tekoälyssä benchmarking tarkoittaa mallien tai järjestelmien järjestelmällistä vertailua määriteltyjen tehtävien ja kriteerien avulla. Julkiset vertailutestit mittaavat esimerkiksi yleistietoa, päättelykykyä tai ohjelmointitaitoa; käytännön käytössä tärkeimpiä ovat kuitenkin oman arkityön testitapaukset. Tyypillisiä kriteerejä ovat tarkkuus, kattavuus, vasteaika ja kustannukset. Tämä auttaa päättämään, riittääkö pienempi ja edullisempi malli tehtävään.
BERT (Bidirectional Encoder Representations from Transformers) on Googlen vuonna 2018 esittelemä kielimalli. Toisin kuin aiemmat mallit, se huomioi sanan vasemman- ja oikeanpuoleisen kontekstin samanaikaisesti, mikä auttaa sitä ratkaisemaan monitulkintaisuuksia. BERT on suunniteltu tekstin ymmärtämiseen eikä pidempien tekstien kirjoittamiseen. Sitä käytetään hakuun, tekstinluokitteluun, nimettyjen entiteettien tunnistukseen ja kysymyksiin vastaamiseen, ja se on muovannut monia seuraajamalleja.
Tekoälyssä vinouma (bias) tarkoittaa tulosten järjestelmällistä vääristymää. Se johtuu usein epätasapainoisesta tai historiallisesti vinoutuneesta opetusdatasta, mutta myös mallin suunnittelusta tai kysymyksen muotoilusta. Tunnettu esimerkki: hakijoiden seulontatyökalu, joka oppii aiemmista rekrytointipäätöksistä, voi ylläpitää olemassa olevaa syrjintää. Tilastotieteessä harha tarkoittaa myös estimaatin poikkeamaa todellisesta arvosta. Vastatoimia ovat monipuolinen data, säännölliset auditoinnit ja ihmisten tekemät henkilöstöpäätökset.
BigML on samannimisen, vuonna 2011 perustetun yhtiön koneoppimisalusta, jonka kotipaikka on Corvallis, Oregon (USA). Verkkokäyttöliittymän tai API:n kautta käyttäjät voivat rakentaa malleja, kuten päätöspuita, ensembleja, klusterointia tai poikkeamien tunnistusta, ilman paljoa ohjelmointia. Se painottaa tulkittavia malleja ja automatisoitavia työnkulkuja. Sitä tarjotaan pilvipalveluna ja omassa konesalissa ajettavaksi (tilanne lokakuussa 2026).
BLEU-pistemäärä (Bilingual Evaluation Understudy) on IBM:llä vuonna 2002 kehitetty mittari konekäännösten automaattiseen arviointiin. Se mittaa, kuinka moni käännöksen sanajono esiintyy myös yhdessä tai useammassa ihmisen tekemässä vertailukäännöksessä, ja antaa arvon väliltä 0–1 (usein esitettynä asteikolla 0–100). BLEU on nopea ja vertailukelpoinen, mutta se ei tavoita hyvin merkitystä eikä tyyliä – hyvät uudelleenmuotoilut voivat saada heikon tuloksen.
BMXNet on avoimen lähdekoodin kirjasto binäärisille neuroverkoille. Sen julkaisi vuonna 2017 Hasso Plattner -instituutti Potsdamissa, ja se perustuu Apache MXNet -sovelluskehykseen. Binääriverkot tallentavat painot ja aktivoinnit yhdellä bitillä 32 bitin sijaan, mikä tekee malleista paljon pienempiä ja nopeampia – houkuttelevaa älypuhelimille ja sulautetuille laitteille, vaikka yleensä tarkkuuden kustannuksella. Koska MXNet lakkautettiin vuonna 2023, BMXNet on nykyään lähinnä tutkimuksellisesti kiinnostava (tilanne lokakuussa 2026).
Boosting on koneoppimisen ensemble-menetelmä, jossa monta yksinkertaista mallia koulutetaan peräkkäin niin, että kukin uusi malli keskittyy tapauksiin, joissa edeltäjät erehtyivät. Yhdessä ne muodostavat paljon tarkemman kokonaismallin. Tunnettuja muunnelmia ovat AdaBoost ja gradient boosting, ja kirjastoja ovat esimerkiksi XGBoost ja LightGBM. Boosting on erityisen vahva taulukkomuotoisessa datassa, esimerkiksi luottoriskin, myynnin tai asiakaspoistuman ennusteissa.
Botpress on montrealilaisen, samannimisen kanadalaisyhtiön alusta chatbottien ja tekoälyagenttien rakentamiseen. Visuaalisessa työtilassa käyttäjät voivat suunnitella keskustelukulkuja, yhdistää tietolähteitä ja liittää agentteja kanaviin, kuten verkkosivustoihin tai pikaviestisovelluksiin, integraatioiden avulla; laskutus perustuu käyttöön. Aiemmin avoimen lähdekoodin, itse ylläpidettävä versio 12 on lopetettu – uudet projektit toimivat Botpress Cloudissa (tilanne lokakuussa 2026).
Caffe (Convolutional Architecture for Fast Feature Embedding) on avoimen lähdekoodin syväoppimiskehys, jonka Yangqing Jia kehitti Kalifornian yliopistossa Berkeleyssä ja joka julkaistiin vuonna 2013. Se oli suosittu etenkin kuvantunnistuksessa konvoluutioneuroverkoilla, koska se toimi nopeasti ja mallit määriteltiin konfiguraatiotiedostoissa. Viimeinen versio, 1.0, ilmestyi vuonna 2017; seuraaja Caffe2 yhdistettiin PyTorchiin vuonna 2018. Uusissa projekteissa Caffea käytetään nykyään harvoin.
Chainer on avoimen lähdekoodin syväoppimiskehys Pythonille, ja sen on kehittänyt japanilainen Preferred Networks. Se teki tunnetuksi ”define-by-run”-lähestymistavan, jossa neuroverkko rakennetaan laskennan aikana, mikä helpottaa joustavien mallirakenteiden kokeilua. Joulukuusta 2019 lähtien Chaineria on vain ylläpidetty eikä enää kehitetty; Preferred Networks siirtyi PyTorchiin, joka noudattaa samaa periaatetta.
Chatbot on ohjelma, joka vastaanottaa kysymyksiä tekstinä tai puheena ja vastaa niihin dialogissa. Yksinkertaiset chatbotit noudattavat kiinteitä sääntöjä ja päätöspuita, kun taas nykyaikaiset käyttävät suuria kielimalleja ja ymmärtävät vapaasti muotoiltuja pyyntöjä. Tyypillisiä käyttökohteita ovat asiakaspalvelu, sisäiset tukipalvelut ja ajanvarauspyynnöt – esimerkiksi verkkosivuchat, joka vastaa toimitusaikoja koskeviin kysymyksiin ympäri vuorokauden.
Chatbotin tietoturva-auditointi on jäsennelty tarkastus siitä, suojaako tekoälychatbot riittävästi luottamukselliset tiedot, sisäiset ohjeensa ja toimintavaltuutensa. Siinä tarkastellaan muun muassa alttiutta kehoteinjektiolle, tietojen tahatonta paljastumista ja liian laajoja työkalujen käyttöoikeuksia – usein LLM-sovellusten OWASP Top 10 -listan mukaisesti. Tuloksena on raportti, jossa on arvio kullekin riskialueelle ja konkreettiset toimenpiteet.
ChatGPT on yhdysvaltalaisen OpenAI-yhtiön tekoälyavustaja, joka julkaistiin marraskuussa 2022 ja joka toi generatiivisen tekoälyn laajan yleisön ulottuville. Se perustuu GPT-sarjan suuriin kielimalleihin ja vastaa kysymyksiin, kirjoittaa ja muokkaa tekstejä, tiivistää asiakirjoja ja auttaa ohjelmoinnissa. ChatGPT on saatavilla selaimessa ja sovelluksena, maksuttomana ja maksullisina versioina sekä tiimeille ja yrityksille suunnattuina versioina.
Claude on yhdysvaltalaisen tekoälyyhtiö Anthropicin suurten kielimallien perhe. Mallit ymmärtävät ja kirjoittavat tekstiä monilla kielillä, analysoivat asiakirjoja, kirjoittavat koodia ja voivat käyttää työkaluja esimerkiksi tiedonhakuun tai automaatioon. Tunnetuimpia ovat malliperheet Haiku, Sonnet ja Opus, jotka eroavat toisistaan nopeuden, kustannusten ja suorituskyvyn osalta. Anthropic painottaa erityisesti turvallisuutta ja luotettavaa mallin käyttäytymistä.
Claude Haiku on nopein ja edullisin Anthropicin kolmesta Claude-malliperheestä Sonnetin ja Opuksen rinnalla. Se sopii suuren volyymin tehtäviin, joissa tarvitaan lyhyitä vasteaikoja, kuten sähköpostien lajitteluun, tietojen poimimiseen teksteistä tai pyyntöjen ohjaamiseen oikeaan paikkaan. Nykyinen sukupolvi on Claude Haiku 5.5 (tilanne lokakuussa 2026).
Claude Opus on suorituskykyisin Anthropicin kolmesta Claude-malliperheestä: Haiku, Sonnet ja Opus. Se on suunniteltu vaativiin tehtäviin, jotka edellyttävät monivaiheista päättelyä, kuten monimutkaisiin analyyseihin, suuriin ohjelmointiprojekteihin tai agentteihin, jotka työskentelevät itsenäisesti pidempiä aikoja. Vastaavasti se on hitaampi ja kalliimpi kuin pienemmät malliperheet. Nykyinen versio on Claude Opus 5.5 (tilanne lokakuussa 2026).
Claude Sonnet on Anthropicin kolmesta Claude-malliperheestä keskimmäinen, ja se yhdistää vahvan suorituskyvyn lyhyisiin vasteaikoihin ja kohtuullisiin kustannuksiin. Se sopii monenlaisiin arjen liiketoimintatehtäviin: tekstien luonnosteluun, asiakirjojen analysointiin, tietämystä koskeviin kysymyksiin vastaamiseen tai koodin kirjoittamiseen. Anthropic julkaisee säännöllisesti uusia versioita; nykyinen on Claude Sonnet 5.5 (tilanne lokakuussa 2026).
Clearbit on B2B-tietojen rikastamispalvelu: sähköpostiosoitteen tai verkkotunnuksen perusteella se lisää tietoja, kuten toimialan, yrityksen koon tai sijainnin. Myynti- ja markkinointitiimit käyttävät tällaista dataa liidien pisteyttämiseen, lomakkeiden lyhentämiseen ja verkkosivuvierailujen yhdistämiseen yrityksiin. HubSpot osti Clearbitin vuonna 2023; sen toimintoja tarjotaan nykyään nimellä Breeze Intelligence osana HubSpotia (tilanne lokakuussa 2026).
Klusterointi on ohjaamattoman oppimisen menetelmä, joka jakaa datapisteet ryhmiin niiden samankaltaisuuden perusteella ilman ennalta määriteltyjä kategorioita. Se paljastaa kaavoja, joita kukaan ei ole aiemmin nimennyt – esimerkiksi asiakassegmenttejä, joilla on samankaltainen ostokäyttäytyminen. Tekstien kohdalla klusterointi auttaa lajittelemaan satoja asiakkaiden yhteydenottoja aiheisiin, kuten toimitukseen, laskutukseen tai reklamaatioihin, ja näyttää, mihin painopiste asettuu.
Compliance-raportointi on säännöllistä ja jäljitettävää dokumentointia siitä, täyttääkö organisaatio lakisääteiset vaatimukset, standardit ja sisäiset ohjeet. Tyypillisessä raportissa esitetään ajanjakso ja soveltamisala, kunkin vaatimuksen tila, poikkeamat sekä toimenpiteet vastuuhenkilöineen ja määräaikoineen. Se toimii johdolle, hallintoelimille, tilintarkastajille tai viranomaisille näyttönä esimerkiksi tietosuojasta tai tietoturvasta.
Copilot on tuotemerkki, jonka alle Microsoft kokoaa tekoälyavustajansa. Siihen kuuluvat yleinen avustaja verkkoon ja Windowsiin, Microsoft 365 Copilot työhön Wordissa, Excelissä, Outlookissa ja Teamsissa sekä Copilot Studio omien agenttien rakentamiseen; GitHub Copilot tukee ohjelmointia. Avustajat perustuvat suuriin kielimalleihin, ja versiosta riippuen ne voivat käyttää organisaation tietoja Microsoft 365:ssä (tilanne lokakuussa 2026).
Copy.ai on yhdysvaltalainen tekoälyalusta, joka aloitti markkinointitekstien, kuten mainosten, sähköpostien tai tuotekuvausten, tekstigeneraattorina. Painopiste siirtyi myöhemmin myynnin ja markkinoinnin automatisoituihin työnkulkuihin, jotka yritys niputtaa nimellä ”GTM AI”. Lokakuussa 2025 liiketoimintaprosessien hallintaan keskittynyt Fullcast osti Copy.ai:n (tilanne lokakuussa 2026).
Copysmith on yhdysvaltalainen tekoälytyökalujen tarjoaja, joka tuli tunnetuksi markkinointi- ja verkkokauppatekstejä, kuten tuotekuvauksia ja mainoksia, tuottavasta tekstigeneraattorista. Vuonna 2022 Copysmith osti kirjoitus- ja hakukoneoptimointityökalut Rytrin ja Frasen. Nykyään yritys toimii useiden tuotteiden kattobrändinä, joihin kuuluu muun muassa verkkokaupan tuotetekstejä varten tehty Describely (tilanne lokakuussa 2026).
CrewAI on avoimen lähdekoodin Python-kehys, jolla useita tekoälyagentteja yhdistetään tiimiksi (”crew”). Jokaiselle agentille annetaan rooli, tavoite ja sopivat työkalut; tehtävät jaetaan ja tulokset välitetään eteenpäin. Lisäksi ”flows” tarjoaa tarkasti ohjattuja, tapahtumapohjaisia työnkulkuja. Esimerkiksi tutkija-agentti kerää tietoa ja kirjoittaja-agentti muokkaa sen raportiksi.
DALL-E on OpenAI:n kuvanluontimallien sarja, joka luo kuvia tekstikuvauksista. Ensimmäinen versio julkaistiin vuonna 2021; DALL-E 3 integroitiin ChatGPT:hen vuonna 2023, ja se toi tekstistä kuvaksi -toiminnon laajan yleisön ulottuville. OpenAI on sittemmin korvannut DALL-E:n uudemmilla GPT Image -sarjan kuvamalleilla; API-pääsy DALL-E 2:een ja 3:een päättyi toukokuussa 2026 (tilanne lokakuussa 2026).
Dash on Plotly-yhtiön avoimen lähdekoodin kehys, jolla rakennetaan interaktiivisia verkkosovelluksia data-analyysiin Pythonilla ilman omaa JavaScript-koodia. Kaaviot, suodattimet ja liukusäätimet kytketään suoraan Python-koodiin. Tyypillisiä esimerkkejä ovat kojelaudat, joilla liiketoimintatiimit suodattavat myyntiä alueittain tai kokeilevat koneoppimismallin ennusteita omilla arvoillaan.
Datan niukkuutta esiintyy, kun tekoälytehtävää varten ei ole riittävästi sopivaa tai merkittyä dataa mallin luotettavaan kouluttamiseen tai testaamiseen. Se koskee esimerkiksi tuotannon harvinaisia vikatyyppejä, pieniä kieliä tai uusia tuotteita, joilla ei ole myyntihistoriaa. Keinoja ovat siirto-oppiminen, synteettinen data, datan augmentointi sekä valmiiksi koulutetut kielimallit, jotka antavat hyödyllisiä tuloksia jo muutamalla esimerkillä.
Datan puhdistus tarkoittaa virheellisten, päällekkäisten tai epäjohdonmukaisten merkintöjen havaitsemista ja korjaamista aineistoissa. Tyypillisiä vaiheita ovat kirjoitusasujen ja päivämäärämuotojen yhtenäistäminen, ylimääräisten välilyöntien poistaminen sekä kaksoiskappaleiden, kuten ”Virtanen Oy” ja ”Virtanen Osakeyhtiö”, yhdistäminen. Puhdas data on edellytys luotettaville analyyseille, postituksille ja tekoälysovelluksille.
Datan validointi tarkistaa, että data on täydellistä, oikeassa muodossa ja uskottavaa, ennen kuin sitä käsitellään edelleen. Tyypillisiä tarkistuksia ovat pakolliset kentät, sähköpostiosoitteiden, postinumeroiden tai päivämäärien muoto sekä loogiset ristiriidat – esimerkiksi toimituspäivä ennen tilauspäivää. Näin virheet havaitaan ajoissa sen sijaan, että ne siirtyisivät raportteihin, laskuihin tai tekoälyanalyyseihin.
Data exfiltration tarkoittaa tietojen luvatonta siirtämistä ulos järjestelmästä. Tekoälysovelluksissa se voi tapahtua, kun chatbot tai agentti saadaan harhaanjohtavilla syötteillä tai valmistellulla sisällöllä – esimerkiksi lukemallaan verkkosivulla – paljastamaan tai välittämään luottamuksellisia tietoja. Suojauskeinoja ovat minimaaliset käyttöoikeudet, syötteiden tarkistus, ulospäin suuntautuvien yhteyksien rajoittaminen ja vastausten seuranta.
DataRobot on yhdysvaltalainen ohjelmistoyritys, jonka alusta auttaa organisaatioita rakentamaan, ajamaan ja valvomaan tekoälysovelluksia. Se tuli tunnetuksi automatisoidusta koneoppimisesta (AutoML), joka kouluttaa ja vertailee automaattisesti useita malliversioita – esimerkiksi asiakaspoistuman tai kysynnän ennustamiseen. Nykyään yritys keskittyy myös tekoälyagenttien ajamiseen ja hallintaan (tilanne lokakuussa 2026).
Deep belief -verkot (DBN) ovat useista päällekkäisistä kerroksista koostuvia neuroverkkoja, jotka esikoulutetaan ensin kerros kerrokselta ilman ohjausta, yleensä niin sanottuina rajoitettuina Boltzmannin koneina. Geoffrey Hinton ja hänen kollegansa esittelivät menetelmän vuonna 2006; se osoitti, että syviä verkkoja voidaan kouluttaa tehokkaasti, ja edisti siten syväoppimisen nousua. Käytännössä muut arkkitehtuurit ovat sittemmin syrjäyttäneet DBN-verkot pitkälti.
Deepfake on tekoälyllä luotu tai muokattu kuva, video tai äänitallenne, joka näyttää vakuuttavasti oikeiden ihmisten sanovan tai tekevän asioita, joita ei ole koskaan tapahtunut. Elokuvan tai dubbauksen kaltaisten oikeutettujen käyttötarkoitusten lisäksi deepfakeja käytetään disinformaatioon, maineen vahingoittamiseen ja petoksiin – esimerkiksi väärissä puheluissa, joissa esiintyy esihenkilö ja pyytää tilisiirtoa. Suojautumiskeinoja ovat takaisinsoitto tunnettuja kanavia pitkin, selkeät hyväksyntäprosessit ja tekoälyn tuottaman sisällön merkitseminen.
Deterministinen malli tuottaa samalla syötteellä aina saman tuloksen, koska se noudattaa kiinteitä sääntöjä tai kaavoja eikä siinä ole satunnaisuutta – esimerkiksi sääntö ”5 %:n alennus yli 100 euron tilauksista”. Suuret kielimallit sen sijaan toimivat todennäköisyyspohjaisesti: vastaukset samaan kysymykseen voivat vaihdella. Käytännössä näitä yhdistetään usein, jotta joustavuus ja jäljitettävyys pysyvät tasapainossa.
Developmental Reading Assessment (DRA) on Yhdysvalloissa laajasti käytetty menetelmä, jolla opettajat määrittävät lasten lukutason esikoulusta kahdeksanteen luokkaan; sen julkaisija on Pearson. Lapset lukevat tasoitettuja tekstejä ääneen ja vastaavat niitä koskeviin kysymyksiin, ja arviointi kattaa muun muassa sujuvuuden ja ymmärtämisen. Tuloksena on lukutaso, joka ohjaa sopivien kirjojen ja tukitoimien valintaa.
Diskriminatiiviset mallit oppivat erottamaan datapisteet toisistaan määrittämällä suoraan luokkien välisen rajan – ne vastaavat kysymykseen ”Mihin luokkaan tämä syöte kuuluu?”. Esimerkkejä ovat logistinen regressio, tukivektorikoneet ja monet neuroverkkoluokittelijat, esimerkiksi roskapostin tunnistukseen. Generatiiviset mallit sen sijaan mallintavat, miten data itse syntyy, ja voivat siksi tuottaa uusia esimerkkejä.
DL4J (Eclipse Deeplearning4j) on avoimen lähdekoodin kirjasto syväoppimiseen Java-virtuaalikoneella (JVM). Sen avulla neuroverkkoja voi kouluttaa ja ajaa Javalla tai Scalalla, joten se sopii olemassa oleviin Java-pohjaisiin yritysjärjestelmiin. Projektiin kuuluu myös työkaluja mallien tuomiseen muista kehyksistä. Sitä ylläpidetään Eclipse Foundationin projektina.
Hakuun perustuvassa generoinnissa (RAG) dokumenttien arviointi tarkoittaa haettujen tekstikohtien tarkistamista sen selvittämiseksi, vastaavatko ne kysymystä ja voivatko ne tukea vastausta. Kielimallille välitetään vain relevantiksi arvioidut kohdat; sopimattomat tulokset hylätään tai ne käynnistävät uuden haun. Tämä vähentää keksittyjen tai väärin perustuvien vastausten riskiä, esimerkiksi kun ajantasaisia hintoja koskevaan kysymykseen löytyy vanhentunut dokumentti.
Dokumenttien reranking on haku- ja RAG-järjestelmien toinen lajitteluvaihe: nopea alkuhaku palauttaa joukon ehdokastuloksia, jotka tarkempi mutta raskaampi menetelmä järjestää sitten uudelleen relevanssin mukaan. Tämän tekee usein niin sanottu cross-encoder, joka arvioi kysymystä ja tekstikohtaa yhdessä. Tuloksena olennaisimmat kohdat päätyvät kärkeen, ennen kuin kielimalli muotoilee niistä vastauksen.
Dokumenttihaku NLP:llä hyödyntää luonnollisen kielen käsittelyn tekniikoita löytääkseen tietoa dokumenttikokoelmista vapaasti muotoillun kysymyksen perusteella. Pelkän täsmällisen sanajonon vertailun sijaan tällaiset järjestelmät ottavat huomioon sanamuodot, harvinaisten termien painotuksen tai merkitysten samankaltaisuuden. Esimerkiksi kun joku kirjoittaa ”Miten haen lomaa?”, hän saa henkilöstöoppaasta oikean kohdan, vaikka siinä puhuttaisiin ”lomahakemuksesta”.
Dropout on neuroverkkojen koulutuksessa käytettävä regularisointitekniikka: jokaisessa koulutusvaiheessa satunnainen osa neuroneista kytketään tilapäisesti pois päältä. Tämä estää verkkoa nojaamasta yksittäisiin yhteyksiin, joten se oppii kestävämpiä kuvioita. Se vähentää ylisovittamista eli koulutusdatan pelkkää ulkoa oppimista. Kun valmista mallia käytetään myöhemmin, kaikki neuronit ovat jälleen aktiivisia.
Eksploratiivinen data-analyysi (EDA) on ensimmäinen, avoin katsaus aineistoon: lasketaan yhteenvetolukuja, tarkastellaan jakaumia ja kaavioita ja etsitään kuvioita, poikkeavia arvoja ja puuttuvia arvoja – ilman vielä kiinteää hypoteesia. Se auttaa arvioimaan datan laatua ja löytämään mielekkäitä kysymyksiä jatkoanalyysia tai mallinnusta varten. Esimerkki: ennen myyntiennustetta EDA paljastaa, että yksi kuukausi kirjattiin puutteellisesti järjestelmämigraation vuoksi.
Emergenssi kuvaa järjestelmän ominaisuuksia, jotka syntyvät monien yksinkertaisten osien vuorovaikutuksesta mutta joita ei voi havaita yhdessäkään osassa. Tekoälytutkimuksessa kykyjä kutsutaan emergenteiksi, kun tietyn koon ylittävät suuret kielimallit ratkaisevat tehtäviä, kuten monivaiheista laskentaa tai kääntämistä, selvästi paremmin kuin pienemmät mallit. Tutkijat keskustelevat siitä, ovatko tällaiset hypyt todellisia vai riippuvatko ne osittain mittaustavasta.
Ennakoiva analytiikka käyttää historiadataa, tilastotiedettä ja koneoppimista todennäköisten tulevien tapahtumien arvioimiseen. Se vastaa kysymyksiin, kuten: mitkä asiakkaat ovat irtisanomassa sopimuksensa? Paljonko varastoa tarvitaan ensi kuussa? Milloin kone todennäköisesti rikkoutuu? Tulokset ovat todennäköisyyksiä, eivät varmuuksia. Niiden arvo riippuu paljon datan laadusta ja siitä, vaikuttavatko ennusteet todella päätöksiin ja prosesseihin.
Ennustemallinnus on ennakoivan analytiikan tekninen ydin: esimerkkidatasta, jonka lopputulokset tunnetaan, rakennetaan malli, joka ennustaa uusille tapauksille arvon tai luokan. Yleisiä menetelmiä ovat regressio, päätöspuut, satunnaismetsät ja neuroverkot. Malli voi esimerkiksi arvioida kiinteistön hinnan pinta-alan, sijainnin ja rakennusvuoden perusteella. Ennen käyttöönottoa se testataan pidätetyllä datalla ylisovittumisen havaitsemiseksi.
Epäsuorassa kehoteinjektiossa manipuloivat ohjeet eivät ole käyttäjän syötteessä vaan piilotettu sisältöön, jota tekoälyjärjestelmä käsittelee matkan varrella, kuten verkkosivuihin, sähköposteihin tai dokumentteihin. Kun agentti lukee tällaista sisältöä, se saattaa luulla piilotettuja komentoja aidoiksi tehtäviksi ja esimerkiksi paljastaa tietoja. Suojauskeinoja ovat ulkoisen sisällön tiukka käsittely pelkkänä datana, oikeuksien rajoittaminen, syötteiden seulonta ja ihmisen hyväksynnän vaatiminen kriittisille toimille.
Eränormalisointi (batch normalisation) on syvien neuroverkkojen koulutustekniikka, joka skaalaa kerroksen väliarvot jokaisessa dataerässä yhtenäiseen keskiarvoon ja hajontaan. Tämä tekee koulutuksesta vakaampaa ja usein nopeampaa, ja verkko on vähemmän herkkä alkuarvoilleen. Vuonna 2015 esitelty tekniikka on yleinen kuvantunnistusverkoissa; transformer-mallit nojaavat yleensä siihen läheisesti liittyvään kerrosnormalisointiin.
F-pistemäärä on luokittelumallien arviointimittari. Yleinen F1-pistemäärä on tarkkuuden (kuinka moni ennustetuista osumista on oikein) ja saantiasteen (kuinka moni todellisista osumista löytyi) harmoninen keskiarvo, ja sen arvo on 0–1. Se on erityisen hyödyllinen epätasapainoisen datan kanssa: roskapostisuodatin, joka ei lähes koskaan merkitse roskapostia, voi saavuttaa korkean osuvuuden mutta matalan F1-pistemäärän.
Fasettihaussa käyttäjät rajaavat tuloksia vaihe vaiheelta suodattimilla, jotka muodostetaan sisällön ominaisuuksista – kuten luokasta, hinnasta, merkistä, päivämäärästä tai tekijästä. Jokainen fasetti näyttää yleensä, kuinka monta tulosta jää jäljelle. Lähestymistapa on tuttu verkkokaupoista, mutta sitä käytetään myös kirjastoissa, intraneteissä ja dokumenttiarkistoissa, jotta suuret kokoelmat pysyvät hallittavina ilman täsmällisiä hakusanoja.
fastai on PyTorchin päälle rakennettu avoimen lähdekoodin Python-kirjasto syväoppimiseen. Se kokoaa yhteen hyväksi havaitut oletusasetukset, jolloin kuvia, tekstiä tai taulukkodataa koskevia malleja voi kouluttaa muutamalla koodirivillä, mutta sitä voi silti mukauttaa syvällisesti jokaisella tasolla. Se on kasvanut fast.ai-oppimisaloitteesta ja tukee sen ilmaisia kursseja, minkä vuoksi se on suosittu koulutuksessa ja mallien nopeassa kokeilussa.
Federoitu oppiminen on koulutustapa, jossa tekoälymalli oppii useilla laitteilla tai toimipisteillä ilman, että raakadata koskaan poistuu niistä. Jokainen osallistuja kouluttaa mallia paikallisesti ja lähettää keskuspalvelimelle vain mallipäivityksiä, jotka palvelin yhdistää. Tämä suojaa yksityisyyttä ja sopii esimerkiksi sairaaloille, jotka haluavat parantaa diagnostiikkamallia yhdessä, tai älypuhelimien näppäimistöille, jotka oppivat sanaehdotuksia.
Few-shot-oppiminen on mallin kyky ratkaista tehtävä vain muutaman esimerkin perusteella. Kielimalleilla tämä tapahtuu yleensä suoraan syötteessä: näytät kaksi tai kolme paria kysymystä ja toivottua vastausta, ja malli soveltaa samaa muotoa ja tyyliä uusiin tapauksiin – ilman uudelleenkoulutusta. Esimerkki: kolme oikein luokiteltua asiakaskyselyä riittää usein siihen, että seuraavat kyselyt lajitellaan samalla tavalla.
Fleschin luettavuusindeksi arvioi, kuinka helposti teksti ymmärretään, lauseiden keskipituuden ja sanojen tavumäärän perusteella. Rudolf Flesch kehitti sen englannille vuonna 1948, ja muille kielille on olemassa mukautettuja kaavoja. Asteikko ulottuu noin 0:sta 100:aan – mitä korkeampi pistemäärä, sitä helpompi teksti. Se mittaa vain muotoa, ei sitä, sopivatko sisältö ja terminologia kohdeyleisölle.
Flux on tekoälymallien perhe, joka luo ja muokkaa kuvia tekstikuvauksista. Sen kehittää saksalainen Black Forest Labs, jonka kotipaikka on Freiburg im Breisgau. Ensimmäinen sukupolvi julkaistiin elokuussa 2024 ja FLUX.2 marraskuussa 2025 yhdessä kuvien tekstiohjeilla tapahtuvaan muokkaukseen tarkoitettujen versioiden kanssa. Osa versioista on saatavilla avoimilla painoilla, osin vain ei-kaupalliseen käyttöön, kun taas toisia tarjotaan yksinomaan API:n kautta (tilanne lokakuussa 2026).
Frase on ohjelmisto verkkosisällön tutkimiseen ja optimointiin. Se analysoi, mitä aiheita, kysymyksiä ja termejä hyvin sijoittuvat sivut kattavat tietylle hakusanalle, muuntaa tämän sisältöbrieffeiksi ja pisteyttää tekstit niiden muokkauksen aikana. Frase tarjoaa nykyään myös toimintoja sen seuraamiseen ja parantamiseen, siteerataanko sisältöä tekoälyhakujärjestelmien, kuten ChatGPT:n tai Perplexityn, vastauksissa (tilanne lokakuussa 2026).
Fréchet inception distance (FID) on mittari tekoälyn luomien kuvien laadun arviointiin. Todelliset ja luodut kuvat johdetaan esikoulutetun kuvantunnistusverkon (Inception v3) läpi, ja niiden piirteiden tilastollisia jakaumia verrataan. Mitä pienempi arvo, sitä lähempänä luodut kuvat ovat oikeita valokuvia realismiltaan ja monipuolisuudeltaan. FID otettiin käyttöön vuonna 2017, ja se on vakiomittari kuvageneraattorien vertailussa.
”Garbage in, garbage out” kuvaa periaatetta, jonka mukaan järjestelmä voi tuottaa vain yhtä hyviä tuloksia kuin sen saama data. Tämä pätee tekoälyyn kaksinkertaisesti: virheellinen, vanhentunut tai yksipuolinen koulutus- tai tietämysdata johtaa vääriin tai vinoutuneisiin vastauksiin. Chatbot, joka käyttää vanhentunutta hinnastoa, ilmoittaa vanhentuneita hintoja. Datan ylläpito on siksi jatkuva tehtävä jokaisessa tekoälyhankkeessa.
GPT (generative pre-trained transformer) viittaa OpenAI:n kehittämään suurten kielimallien sarjaan, joka perustuu transformer-arkkitehtuuriin. Mallit esikoulutetaan ensin valtavilla tekstimäärillä ennustamaan seuraava token ja koulutetaan sitten edelleen dialogiin ja ohjeiden noudattamiseen. Ensimmäinen GPT-malli julkaistiin vuonna 2018; myöhemmät sukupolvet ovat ChatGPT:n perusta. Arkikielessä ”GPT”-sanaa käytetään usein kielimalleista yleensä.
Generatiivinen kilpaileva verkko (GAN) koostuu kahdesta neuroverkosta, joita koulutetaan toisiaan vastaan: generaattori luo keinotekoista dataa, kuten kuvia, ja diskriminaattori yrittää erottaa ne oikeista. Tämän kilpailun myötä tulokset muuttuvat yhä realistisemmiksi. GAN-verkot esiteltiin vuonna 2014, ja ne muovasivat kuvanluontia ennen kuin diffuusiomallit yleistyivät; niitä käytetään esimerkiksi synteettisen koulutusdatan tuottamiseen tai kuvien parantamiseen.
Generatiivinen tekoäly tarkoittaa tekoälyjärjestelmiä, jotka luovat uutta sisältöä – tekstiä, kuvia, ääntä, videota tai ohjelmakoodia – sen sijaan, että ne vain lajittelisivat tai arvioisivat olemassa olevaa dataa. Ne perustuvat malleihin, jotka oppivat kuvioita suurista datamääristä ja käyttävät niitä uskottavien uusien tulosteiden tuottamiseen. Liiketoiminnassa sitä käytetään esimerkiksi sähköpostien, tiivistelmien, tuotekuvausten tai kuvaideoiden luonnosteluun. Tulokset voivat sisältää virheitä, ja ne tulee tarkistaa ennen käyttöä.
Generatiivisten hakukoneiden optimointi (GEO) kattaa toimenpiteet, joiden avulla sisältö saadaan näkyviin tekoälypohjaisissa hakujärjestelmissä, kuten ChatGPT:ssä, Perplexityssä tai hakukoneiden tekoälytiivistelmissä, ja lähteeksi siteerattavaksi niissä. Termi tulee vuoden 2023 tutkimusartikkelista. Keskeisiä tekijöitä ovat selkeät, suoraan lainattavat vastaukset, siisti rakenne, todistetut tosiasiat, ajantasaiset tiedot ja tunnistettavat kirjoittajat. GEO täydentää perinteistä hakukoneoptimointia (SEO) eikä korvaa sitä.
Gensim on avoimen lähdekoodin Python-kirjasto suurten tekstikokoelmien analysointiin. Se tunnetaan aihemalleista, kuten LDA:sta, sanavektorien kouluttamisesta (esimerkiksi Word2Vec, FastText ja Doc2Vec) ja dokumenttien vertailusta samankaltaisuuden perusteella. Koska Gensim käsittelee dataa osissa, se selviää myös korpuksista, jotka eivät mahdu muistiin. Tyypillinen käyttö: tuhansien asiakaspalautteiden automaattinen ryhmittely toistuvien teemojen mukaan.
Google Colab (Colaboratory) on Googlen pilvipalvelu Python-koodin ajamiseen Jupyter-tyylisissä muistikirjoissa suoraan selaimessa ilman paikallista asennusta. Ilmaisversio tarjoaa myös GPU- ja TPU-resursseja saatavuuden mukaan ja ajoaikarajoituksin; maksulliset paketit tarjoavat enemmän laskentatehoa. Colab on suosittu opetuksessa, data-analyysissä ja mallien kokeilussa, ja sisäänrakennettu Gemini-avustaja auttaa koodin kirjoittamisessa ja korjaamisessa (tilanne lokakuussa 2026).
Gradient boosting on koneoppimismenetelmä, joka yhdistää monta yksinkertaista mallia – yleensä pieniä päätöspuita – peräkkäin. Jokainen uusi puu koulutetaan nimenomaan vähentämään edellisten jäljelle jättämiä virheitä. Tuloksena on erittäin tarkkoja malleja taulukkodatalle, esimerkiksi luottoriskin, myyntiennusteiden tai asiakaspoistuman todennäköisyyden arviointiin. Tunnettuja toteutuksia ovat XGBoost, LightGBM ja CatBoost; ylisovittamisen välttäminen vaatii huolellista säätöä.
Gradienttimenetelmä (gradient descent) on optimointimenetelmä, jolla useimmat tekoälymallit koulutetaan. Mitataan, kuinka suuri mallin virhe on, lasketaan, mihin suuntaan parametreja on muutettava virheen pienentämiseksi, ja otetaan sitten pieni askel siihen suuntaan – yhä uudelleen. Se on kuin sumussa kulkeva vaeltaja, joka jatkaa alamäkeen päästäkseen laaksoon. Askelkoko (oppimisnopeus) määrää nopeuden ja vakauden.
Grok on suuriin kielimalleihin perustuva tekoälyavustaja, jonka on kehittänyt xAI. Se on integroitu X-alustaan ja saatavilla myös omalla verkkosivustollaan, mobiilisovelluksissa ja API:n kautta. Sen ominaispiirre on pääsy X:n ajankohtaisiin julkaisuihin ja verkkohakuun. Helmikuusta 2026 alkaen xAI on kuulunut SpaceX:lle ja toimii nykyään nimellä SpaceXAI; mallien versioita päivitetään säännöllisesti (tilanne lokakuussa 2026).
Hahmontunnistus on säännönmukaisuuksien, rakenteiden tai toistuvien piirteiden automaattista tunnistamista datasta, kuten kuvista, äänistä, teksteistä tai mittauksista. Järjestelmät luokittelevat uusia havaintoja tunnettuihin luokkiin tai löytävät ryhmiä ilman ennalta määriteltyjä luokkia. Sovelluksia ovat kasvojentunnistus, käsinkirjoituksen tunnistus, valmistuksen laaduntarkastus ja epätavallisten tapahtumien havaitseminen. Ala on koneoppimisen tärkeä perusta.
Hakukyselyn laajennus (query expansion) lisää hakuun automaattisesti lähitermejä, jotta löytyvät myös ne asiaankuuluvat asiakirjat, joissa käytetään eri sanamuotoa. Tyypillisiä lisäyksiä ovat synonyymit, lyhenteet, sanamuodot tai käännökset: haku sanalla ”peruutus” voisi tällöin löytää myös tekstejä, joissa puhutaan ”sopimuksen irtisanomisesta”. Tämä on erityisen hyödyllistä avainsanahaussa, mutta se voi heikentää tarkkuutta, jos lisätään liian monta tai sopimatonta termiä. Nykyään laajennetut kyselyt tuotetaan usein kielimallien avulla.
Hakuputki (retrieval pipeline) on järjestelmän käyttämä käsittelyvaiheiden sarja, jolla se löytää oikeat tiedot kysymykseen. Tyypillisiä vaiheita ovat: asiakirjojen tuonti ja puhdistus, jakaminen osiin (chunk), hakuindeksin rakentaminen, tarvittaessa kyselyn uudelleenmuotoilu, osumien haku, niiden järjestäminen (reranking) ja parhaiden välittäminen kielimallille. Se on jokaisen RAG-sovelluksen perusta, ja sen laatu määrittää pitkälti, kuinka hyviä vastauksia saadaan.
Hakuvahvistettu generointi (retrieval-augmented generation) yhdistää haun ja tekstin tuottamisen: ennen vastaamista järjestelmä hakee tietokokoelmasta – esimerkiksi käsikirjoista, ohjeistuksista tai UKK:sta – asiaankuuluvia kohtia ja välittää ne kielimallille kontekstina. Vastaus perustuu siten ajantasaiseen, yrityskohtaiseen sisältöön eikä pelkästään mallin opetustietoon. Tämä vähentää keksittyjä väitteitä, tekee lähteistä jäljitettäviä ja mahdollistaa päivitykset ilman uudelleenopetusta.
Hallusinaatio on tekoälymallin tuloste, joka kuulostaa vakuuttavalta mutta on virheellinen tai täysin keksitty – esimerkiksi olematon tuomioistuimen päätös, väärä luku tai keksitty lähde. Syynä on, että kielimallit tuottavat todennäköisiä sanamuotoja; ne eivät hae tosiasioita automaattisesti. Riski pienenee, kun vastaukset perustuvat varmennettuihin lähteisiin, todisteet mainitaan ja ihmiset tarkistavat tärkeät tulokset.
Palveluntarjoaja käsittelee henkilötietoja yrityksen lukuun. Tämä edellyttää GDPR:n 28 artiklan mukaista sopimusta.
Heteronyymi on sana, joka kirjoitetaan samoin kuin toinen sana mutta joka ääntyy eri tavalla ja jolla on eri merkitys – esimerkiksi englannin ”lead” (johtaa) ja ”lead” (lyijy) tai ”wind” (tuuli) ja ”wind” (kiertää). Heteronyymit ovat homografien osajoukko. Ne ovat haaste puhesynteesijärjestelmille, koska oikea ääntäminen voidaan päätellä vain asiayhteydestä, usein sanaluokka-analyysin avulla.
Heuristiikka tarkoittaa peukalosääntöjä tai yksinkertaistettuja strategioita, jotka johtavat kohtuullisessa ajassa hyvään, joskaan ei taatusti parhaaseen ratkaisuun. Tietojenkäsittelyssä ja tekoälyssä ne auttavat rajaamaan valtavia hakuavaruuksia – esimerkiksi reittisuunnittelussa, jossa maaliin johtava linnuntie toimii arviona, tai shakissa, jossa asemia arvioidaan. Ihmiset käyttävät heuristiikkaa myös arjessa ja liiketoimintapäätöksissä, jolloin riskinä ovat systemaattiset ajatusvirheet.
Hienosäätö tarkoittaa jo esikoulutetun tekoälymallin jatkokoulutusta lisädatalla, joka on yleensä tehtäväkohtaista. Sen sisäisiä painoja säädetään, jotta malli hallitsee esimerkiksi tietyn kirjoitustyylin, erikoissanaston tai tulostusmuodon luotettavammin. Hienosäätö vaatii huolellisesti valmisteltua esimerkkidataa, laskentatehoa ja testausta. Moneen käyttötarkoitukseen riittävät hyvin kirjoitetut ohjeet ja liitetty tietämys, ja niitä on helpompi muuttaa.
Horovod on avoimen lähdekoodin kehys syväoppimismallien hajautettuun koulutukseen useilla GPU:illa tai koneilla. Alun perin Uberilla kehitetty työkalu tukee TensorFlow’ta, Kerasta, PyTorchia ja MXNetiä ja synkronoi osallistuvien koneiden laskemat gradientit ring-allreduce-menetelmällä ilman keskitettyä parametripalvelinta. Projektia isännöi LF AI & Data Foundation; uusin vakaa julkaisu, 0.28.1, on vuodelta 2023 (tilanne lokakuussa 2026).
Hugging Face Transformers on avoimen lähdekoodin Python-kirjasto, joka antaa pääsyn esikoulutettuihin teksti-, kuva- ja äänimalleihin yhden yhtenäisen rajapinnan kautta. Kehittäjät käyttävät sitä mallien lataamiseen Hugging Face Hubista, niiden kokeiluun, mukauttamiseen omalle datalle tai ajamiseen paikallisesti. Versiosta 5 alkaen kirjasto on keskittynyt ensisijaisesti PyTorchiin (tilanne lokakuussa 2026). Esimerkki: tiimi testaa sentimenttianalyysimallia vain muutamalla koodirivillä.
Hyperparametrit ovat asetuksia, jotka määritetään ennen mallin koulutusta, kuten oppimisnopeus, kerrosten määrä tai regularisoinnin voimakkuus. Hyperparametrien optimointi etsii järjestelmällisesti yhdistelmän, joka toimii parhaiten validointidatalla, esimerkiksi ruudukkohaulla, satunnaishaulla tai bayesilaisella optimoinnilla. Hyvin valitut arvot parantavat tarkkuutta ja vähentävät ylä- tai alisovittamista, mutta haku vie laskenta-aikaa.
Ideogram on tekoälypalvelu, joka luo kuvia tekstikuvauksista; sen on kehittänyt samanniminen, vuonna 2022 perustettu yritys. Se tunnetaan parhaiten kuvien sisällä olevan luettavan tekstin tuottamisesta, minkä vuoksi se sopii julisteisiin, kutsuihin tai sosiaalisen median grafiikoihin. Se on saatavilla verkkosovelluksena ja API:n kautta; mallien versiot ja lisenssiehdot muuttuvat säännöllisesti (tilanne lokakuussa 2026). Käyttöoikeudet tulee tarkistaa ennen kaupallista käyttöä.
Human-in-the-loop kuvaa työnkulkuja, joissa ihmiset astuvat tekoälyprosessiin määritellyissä kohdissa: he tarkastavat tuloksia, hyväksyvät tai korjaavat niitä tai ottavat hoitaakseen hankalat tapaukset. Periaate pienentää virheellisten tulosteiden riskiä ja pitää vastuun ihmisillä, erityisesti yksilöitä, rahaa tai oikeudellisia asioita koskevissa päätöksissä. Esimerkki: tekoälyagentti luonnostelee vastauksia asiakaskyselyihin, ja työntekijä tarkistaa ne ennen lähettämistä.
Insight engine on yrityshaun muoto, joka kokoaa tietoa monista lähteistä, kuten dokumenteista, sähköposteista, tietokannoista ja sovelluksista, ja analysoi sitä tekoälytekniikoilla. Pelkkien osumalistojen sijaan se tarjoaa valmisteltuja vastauksia, yhteyksiä tai suosituksia, usein käsillä olevan tehtävän yhteydessä. Termiä ovat popularisoineet lähinnä alan analyytikot. Esimerkki: ennen asiakastapaamista myyntitiimi näkee kaikki olennaiset sopimukset, tiketit ja muistiinpanot yhdessä paikassa.
Instanssisegmentointi on konenäön tekniikka, joka tunnistaa kuvasta jokaisen yksittäisen kohteen ja rajaa sen pikselintarkasti. Toisin kuin semanttinen segmentointi, se erottaa myös saman luokan kohteet toisistaan: kolme ihmistä saa kolme erillistä maskia yhden yhteisen alueen sijaan. Sitä käytetään esimerkiksi laadunvalvonnassa, lääketieteellisessä kuvantamisessa, robotiikassa tai tuotteiden laskemisessa hyllyltä.
Ohjeistusviritys (instruction tuning) on hienosäädön muoto, jossa esikoulutettua kielimallia koulutetaan edelleen monilla ohje–toivottu vastaus -pareilla. Tämä opettaa mallin noudattamaan luonnollisella kielellä muotoiltuja tehtäviä sen sijaan, että se vain jatkaisi tekstiä. Se on keskeinen vaihe perusmallin muuttamisessa avustajaksi, ja sitä yhdistetään usein menetelmiin, kuten RLHF. Esimerkki: ”Tiivistä tämä teksti kolmeen lauseeseen” suoritetaan luotettavasti.
Jailbreaking tarkoittaa yrityksiä kiertää tekoälymallin turvasääntöjä kekseliäästi muotoilluilla syötteillä, jotta se tuottaa sisältöä tai tekee toimia, joista sen pitäisi kieltäytyä. Organisaatioille tämä on riski, koska chatbot voisi esimerkiksi paljastaa luottamuksellisia ohjeita tai vastata sopimattomasti. Suojatoimia ovat selkeät järjestelmäohjeet, syötteiden ja tulosteiden seulonta, rajatut oikeudet, lokitus ja säännölliset tietoturvatestit (red teaming).
Jasper on markkinointitiimeille suunnattu tekoälyalusta, jonka tarjoaa Jasper AI, vuonna 2021 perustettu yhdysvaltalainen yritys. Se auttaa luomaan tekstejä, kuten blogikirjoituksia, mainoksia tai somejulkaisuja, ja voi ottaa huomioon tallennetut brändiohjeet ja äänensävyn. Palveluntarjoaja asemoi itsensä nykyään erikoistuneiden agenttien ja automatisoitujen sisältötyönkulkujen ympärille (tilanne lokakuussa 2026). Kuten minkä tahansa tekstigeneraattorin kanssa, faktat ja väitteet tulee tarkistaa ennen julkaisua.
Jupyter Notebook on Project Jupyterin avoimen lähdekoodin, selaimessa toimiva sovellus, joka yhdistää suoritettavan koodin, tulokset, kaaviot ja selittävän tekstin yhdeksi dokumentiksi. Muistikirjoja käytetään laajasti data-analyysissä, koneoppimisessa, tutkimuksessa ja opetuksessa, koska jokainen vaihe voidaan dokumentoida ja jakaa jäljitettävästi. Python on yleisin kieli. Esimerkki: analyytikko lataa myyntidatan, puhdistaa sen ja näyttää tulokset kaaviona suoraan sen alla.
Järjestelmäkehotteen poiminta (system prompt extraction) tarkoittaa yrityksiä saada chatbot tai tekoälyagentti paljastamaan piilotetut järjestelmäohjeensa. Jos yritys onnistuu, lopputulosta kutsutaan kehotteen vuotamiseksi: poiminta on hyökkäys, vuoto sen seuraus. Tehokas suojaus alkaa siitä, että salasanat, avaimet ja luottamukselliset säännöt pidetään poissa ohjeista ja oletetaan niiden voivan tulla julkisiksi; syötteiden tarkistus ja säännöllinen testaus lisäävät suojaa.
Jäsennelty data noudattaa kiinteää skeemaa selkeästi nimetyin kentin, kuten taulukot, tietokannat tai JSON-objektit, jotka sisältävät tietoja kuten nimi, hinta ja päivämäärä. Koneet voivat lukea, suodattaa ja käsitellä sitä luotettavasti – toisin kuin vapaata tekstiä tai kuvia. Verkkosivuilla schema.org-merkintä kuvaa esimerkiksi tuotteita, tapahtumia tai UKK:ta, jotta hakukoneet ja tekoälyjärjestelmät ymmärtävät sisällön yksiselitteisesti. Tekoäly voi myös poimia jäsenneltyä dataa jäsentämättömästä tekstistä.
Jäsentämätön data ei noudata kiinteää taulukkoskeemaa: sähköpostit, sopimukset, käsikirjat, verkkosivut, esitykset, kuvat tai äänitallenteet. Se muodostaa suuren osan organisaation tietämyksestä, mutta sen automaattinen analysointi oli pitkään vaikeaa. Kielimallit voivat lukea ja hakea tällaista sisältöä ja muuntaa sen jäsennellyksi tiedoksi, esimerkiksi poimia sopimuksesta määräajat ja summat taulukkoon.
K lähintä naapuria (k-NN) on yksinkertainen ohjatun oppimisen menetelmä. Uuden datapisteen luokittelemiseksi se etsii k samankaltaisinta tunnettua esimerkkiä ja omaksuu niiden yleisimmän luokan tai numeeristen arvojen tapauksessa niiden keskiarvon. Se ei tarvitse varsinaista koulutusvaihetta, mutta hidastuu suurilla aineistoilla ja on herkkä piirteiden skaalaukselle. Esimerkki: tuotesuositukset samankaltaisten asiakkaiden perusteella.
K-means on ohjaamattoman oppimisen menetelmä, joka jakaa datapisteet ennalta määrättyyn määrään k ryhmiä. Se liittää jokaisen pisteen lähimpään ryhmäkeskukseen ja siirtää keskuksia, kunnes osoitukset tuskin enää muuttuvat. Menetelmä on nopea ja helppo ymmärtää, mutta edellyttää järkevää k:n valintaa ja vertailukelpoisesti skaalattuja piirteitä. Esimerkki: asiakkaiden ryhmittely ostotiheyden ja ostoskorin arvon mukaan.
Kaggle on data-analytiikan ja koneoppimisen verkkoalusta, jonka omistaa Google vuodesta 2017. Se tarjoaa julkisia aineistoja, todellisiin ongelmiin perustuvia kilpailuja, selaimessa toimivia muistikirjoja laskentaresursseineen ja oppimiskursseja. Organisaatioille ja oppijoille se on hyödyllinen menetelmien kokeiluun, lähestymistapojen vertailuun tai kykyjen löytämiseen. Aineiston lisenssi ja alkuperä tulee tarkistaa ennen käyttöä.
Kaksisuuntainen LSTM (BiLSTM) on takaisinkytkeytyvä neuroverkko, joka lukee sekvenssin sekä eteen- että taaksepäin ja yhdistää nämä kaksi näkymää. Näin myös kunkin sanan jälkeinen konteksti otetaan huomioon. Ennen transformer-mallien valtakautta se oli vakiovalinta esimerkiksi sanaluokkien tunnistukseen, nimettyjen entiteettien tunnistukseen ja puheentunnistukseen. Hyvin pitkissä teksteissä ja suurissa aineistoissa transformer-mallit suoriutuvat nykyään yleensä paremmin.
Kappaleen uudelleenmuotoilija on tekoälytyökalu, joka muotoilee olemassa olevan tekstikohdan uudelleen muuttamatta sen sisältöä. Tavallisia tavoitteita ovat eri sävy, lyhyempi versio, selkeämpi kieli tai vähemmän toistoa. Tästä on hyötyä esimerkiksi silloin, kun sisäisen teknisen tekstin pitää olla asiakkaille selkeämpi. Sisältö ja faktat kannattaa silti tarkistaa jälkikäteen, sillä uudelleenmuotoilu voi siirtää vivahteita.
Kausaalipäättely kattaa menetelmät, joilla datasta johdetaan syy–seuraus-suhteita sen sijaan, että tunnistettaisiin pelkkiä korrelaatioita. Se vastaa kysymyksiin, kuten ”Mitä olisi tapahtunut, jos emme olisi tehneet tätä toimenpidettä?”. Työkaluja ovat satunnaistetut kokeet, kuten A/B-testit, kausaaligraafit ja havaintoaineistojen tilastolliset tekniikat. Esimerkki: tarkistetaan, lisäsikö alennuskampanja todella myyntiä vai olisiko myynti noussut joka tapauksessa kausiluonteisista syistä.
Agentin kiinteä toimeksianto: rooli, sävy, rajat. Kutsutaan usein englanniksi nimellä ”prompt”.
Kehotteen vuotaminen (prompt leaking) tarkoittaa tekoälyjärjestelmän sisäisten ohjeiden tahatonta paljastumista, esimerkiksi kun chatbot paljastaa järjestelmäkehotteensa taidokkaasti muotoillun pyynnön seurauksena. Tämä muodostuu ongelmaksi, jos ohjeet sisältävät liiketoimintalogiikkaa, sisäisiä tietoja tai jopa tunnistetietoja. OWASPin LLM-sovellusten luettelo mainitsee tämän riskin nimenomaisesti. Tehokkain suoja on kirjoittaa ohjeet niin, kuin ne voisivat tulla julkisiksi, olla koskaan tallentamatta niihin salaisuuksia ja tarkistaa myös tulosteet.
Keinotekoinen superäly (artificial superintelligence, ASI) on teoreettinen käsite tekoälystä, joka ylittää ihmiset merkittävästi lähes kaikissa älyllisissä kyvyissä, mukaan lukien tutkimus, suunnittelu ja sosiaalinen arvostelukyky. Tällaista järjestelmää ei ole olemassa. Termiä käytetään lähinnä filosofiassa ja tekoälyn turvallisuustutkimuksessa keskusteltaessa hallinnan kysymyksistä ja tulevien järjestelmien yhdenmukaistamisesta ihmisarvojen kanssa.
Keinotekoiset neuroverkot (ANN) ovat laskennallisia malleja, jotka koostuvat monista kerroksittain järjestetyistä, toisiinsa kytketyistä yksiköistä (”neuroneista”) ja käsittelevät syötteitä painotettujen yhteyksien kautta. Koulutuksen aikana painoja säädetään askel askeleelta esimerkkien avulla, yleensä takaisinkytkennällä (backpropagation). ANN-verkot ovat syväoppimisen perusta, ja ne ovat kuvantunnistuksen, puheentunnistuksen ja suurten kielimallien taustalla. Biologisesta esikuvastaan huolimatta ne toimivat paljon yksinkertaisemmin kuin ihmisaivot.
Keras on avoimen lähdekoodin Python-kirjasto neuroverkkojen rakentamiseen ja kouluttamiseen, jonka alun perin kehitti François Chollet. Se tarjoaa helppokäyttöisen, korkean tason rajapinnan mallien kokoamiseen kerroksista. Versiosta 3 alkaen Keras voi toimia JAX:n, TensorFlow’n tai PyTorchin päällä laskennan taustajärjestelmänä. Esimerkki: tiimi rakentaa kuvaluokittelumallin prototyypin vain muutamalla koodirivillä.
Keskimääräinen absoluuttinen virhe (MAE, mean absolute error) kertoo, kuinka paljon mallin ennusteet poikkeavat todellisista arvoista keskimäärin suunnasta riippumatta. Se ilmaistaan kohdemuuttujan yksikössä, mikä tekee siitä helposti ymmärrettävän. Esimerkki: päivittäisen myyntiennusteen MAE 12 tarkoittaa, että malli erehtyy keskimäärin 12 yksiköllä. Poikkeaviin arvoihin se suhtautuu vähemmän painokkaasti kuin neliövirheeseen perustuvat mittarit.
Keskimääräinen keskitarkkuus (mean average precision, mAP) on mittari, joka arvioi, kuinka hyvin järjestelmä löytää olennaisia tuloksia ja sijoittaa ne kärkeen. Keskitarkkuus lasketaan tulosluettelosta kullekin kyselylle tai kohdeluokalle; mAP on näiden keskiarvo. Se on vakiomittari hakukoneille, suosittelujärjestelmille ja kohteiden tunnistukselle kuvissa, missä se riippuu myös rajauslaatikoiden vaaditusta päällekkäisyydestä.
Keskustelullinen tekoäly (conversational AI) kattaa teknologiat, joiden avulla tietokoneet voivat käydä dialogeja luonnollisella kielellä joko kirjallisesti chatissa tai puhuttuna ääniavustajien kautta. Nykyaikaiset järjestelmät perustuvat yleensä suuriin kielimalleihin, jotka ymmärtävät pyynnöt, ottavat huomioon keskusteluhistorian ja muotoilevat sopivia vastauksia. Organisaatiot käyttävät niitä asiakaspalvelussa, ajanvarauksessa tai sisäisissä tukipalveluissa. Luotettava tietämys, selkeät rajat ja siirto ihmisille, kun tekoäly ei voi auttaa, ovat olennaisia.
Kielentunnistus määrittää automaattisesti, millä kielellä teksti on kirjoitettu, esimerkiksi saksaksi, italiaksi tai espanjaksi. Klassiset menetelmät analysoivat tyypillisiä kirjainjonoja, kun taas suuret kielimallit tunnistavat kielen sivutuotteena. Sitä käytetään tiedustelujen ohjaamiseen oikealle tiimille, sopivien käännösten käynnistämiseen tai vastaamiseen toisen osapuolen kielellä. Hyvin lyhyet tekstit ja useiden kielten sekoitukset ovat vaikeita.
Kilpailuvalli (moat) on kestävä kilpailuetu, joka suojaa yritystä jäljittelijöiltä, kuten verkostovaikutukset, vaihtokustannukset, vahva brändi, yksinoikeudella hallussa oleva data tai syvä integraatio asiakkaiden prosesseihin. Kysymys on erityisen ajankohtainen tekoälytarjoomissa, koska monet tuotteet rakentuvat samoille saatavilla oleville malleille. Edut syntyvät silloin pikemminkin alan asiantuntemuksesta, asiakasläheisyydestä, hyvistä prosesseista ja luottamuksesta kuin pelkästä teknologiasta.
KNIME on data-analytiikkaohjelmisto, jossa työnkulut kootaan visuaalisesti lohkoista (”solmuista”) ohjelmoinnin sijaan. Avoimen lähdekoodin KNIME Analytics Platform kattaa datan tuonnin, puhdistuksen, analyysin, koneoppimisen ja raportoinnin, kun taas toimittajan kaupalliset tuotteet lisäävät yhteistyön ja käytön organisaatioissa. Tyypillinen esimerkki on työnkulku, joka yhdistää kuukausittaiset myyntitiedot useista Excel-tiedostoista, puhdistaa ne ja tuottaa ennusteen.
Kognitiivinen kartta on alun perin psykologian termi, joka kuvaa henkisen esityksen, jonka ihmiset tai eläimet muodostavat ympäristöstään. Johtamisessa ja tekoälyssä sillä tarkoitetaan myös graafisia malleja, jotka esittävät käsitteet solmuina ja niiden syy–seuraus-suhteet painotettuina nuolina, esimerkiksi ”sumeat kognitiiviset kartat”. Tällaiset kartat auttavat jäsentämään asiantuntijatietoa ja tutkimaan skenaarioita, kuten sitä, miten hinnanmuutokset vaikuttavat kysyntään ja varastotasoihin.
Kognitiivinen laskenta (cognitive computing) on kattotermi järjestelmille, joiden on tarkoitus jäljitellä ihmisen ajatteluprosesseja, kuten kielen ymmärtämistä, päättelyä ja kokemuksesta oppimista, ihmisten päätösten tukemiseksi. Termi tuli laajasti tunnetuksi 2010-luvulla lähinnä IBM Watsonin myötä. Se yhdistää menetelmiä, kuten luonnollisen kielen käsittelyä, koneoppimista ja tiedon esittämistä; nykyään puhutaan useammin tekoälyavustajista tai kielimalleista.
Konenäkö on tekoälyn osa-alue, jossa tietokoneet tulkitsevat kuvia ja videota. Tyypillisiä tehtäviä ovat esineiden tunnistaminen ja paikantaminen, kuvissa olevan tekstin lukeminen ja komponenttien mittaaminen. Tekniikkaa käytetään esimerkiksi valmistuksen laadunvalvonnassa, kuljettajaa avustavissa järjestelmissä, logistiikassa ja lääketieteellisessä kuvantamisessa.
Koneoppiminen on tekoälyn haara, jossa tietokoneet johtavat kuvioita datasta sen sijaan, että jokainen sääntö ohjelmoitaisiin erikseen. Tehtävästä riippuen mallit oppivat merkityistä esimerkeistä (ohjattu oppiminen), merkitsemättömästä datasta (ohjaamaton oppiminen) tai palkkioiden kautta (vahvistusoppiminen). Sovelluksia ovat roskapostisuodattimista ja kysyntäennusteista tuotesuosituksiin. Laatu riippuu vahvasti koulutusdatan määrästä ja laadusta.
Koneoppimisen putki (pipeline) on määritelty vaiheiden sarja, joka muuttaa raakadatan käyttöönotettavaksi malliksi: datan keruu ja puhdistus, piirteiden valmistelu, koulutus, arviointi, käyttöönotto ja seuranta. Näiden vaiheiden automatisointi tekee tuloksista toistettavia ja mahdollistaa uuden datan käsittelyn vähällä vaivalla. Vähittäiskauppias voi esimerkiksi kouluttaa ja testata myyntiennustemallinsa uudelleen viikoittain tuoreimmilla luvuilla.
Constitutional AI on Anthropicin vuonna 2022 julkaisema kielimallien koulutusmenetelmä; sillä ei ole mitään tekemistä valtiosääntöoikeuden kanssa. Se perustuu kirjalliseen periaatekokoelmaan, ”perustuslakiin”: malli arvioi kriittisesti ja muokkaa omia vastauksiaan näiden periaatteiden mukaisesti, sitten tekoäly vertaa vastauspareja, ja tämä palaute toimii palkintosignaalina vahvistusoppimisessa (RLAIF). Tämä vähentää tarvetta ihmisten tekemään haitallisen sisällön merkitsemiseen; tammikuussa 2026 Anthropic julkaisi Claudelle uudistetun perustuslain.
Kontekstikkunan manipulointi tarkoittaa hyökkäyksiä, joilla vaikutetaan tarkoituksella tekstiin, jota kielimalli käsittelee kerrallaan, esimerkiksi dokumenttien piilotetuilla ohjeilla, keksityillä aiemmilla keskustelun osilla tai suurilla täytemäärillä, jotka työntävät alkuperäiset säännöt taka-alalle. Suoja syntyy erottamalla luotetut ohjeet selkeästi ulkoisesta sisällöstä, pituusrajoilla, syötteiden tarkistuksella ja antamalla agenteille mahdollisimman vähän oikeuksia.
Koneoppimisessa konvergenssi tarkoittaa, että koulutusmenettely lähestyy vakaata tilaa: tappio pienenee tuskin enää ja mallin parametrit muuttuvat vain vähän. Se, konvergoituuko malli ja kuinka nopeasti, riippuu tekijöistä, kuten oppimisnopeudesta, datan laadusta ja mallin arkkitehtuurista. Jos oppimisnopeus on liian suuri, tappio vaihtelee holtittomasti; jos liian pieni, koulutus kestää tarpeettoman kauan. Konvergenssi ei takaa hyvää mallia, sillä se voi silti olla ylisovitettu.
Konvoluutioneuroverkko (CNN) on neuroverkkoarkkitehtuuri, joka soveltuu erityisen hyvin kuvadataan. Se käy syötteen läpi pienillä suodattimilla, jolloin ensimmäiset kerrokset tunnistavat yksinkertaisia piirteitä, kuten reunoja, ja syvemmät kerrokset monimutkaisempia muotoja. Konvoluutioneuroverkot hallitsivat kuvantunnistusta monen vuoden ajan, ja niitä käytetään esimerkiksi tuotekuvien vikojen havaitsemiseen tai lääketieteelliseen kuva-analyysiin.
Koreferenssin ratkaisu on luonnollisen kielen käsittelyn tehtävä, joka tunnistaa, mitkä tekstin ilmaukset viittaavat samaan henkilöön, asiaan tai kysymykseen. Lauseissa ”Rouva Weber soitti. Hän pyytää soittamaan takaisin” järjestelmän on ymmärrettävä, että ”hän” tarkoittaa rouva Weberiä. Tämä on tärkeää tiivistelmissä, tiedonpoiminnassa ja chatboteissa, joiden on seurattava viittauksia usean lauseen tai keskustelun vuoron yli.
Korjattu selitysaste (adjusted R-squared) mittaa, kuinka hyvin regressiomalli selittää datan vaihtelun, kun käytettyjen selittäjien määrä otetaan huomioon. Tavallinen selitysaste kasvaa jokaisen lisämuuttujan myötä, vaikka muuttuja ei toisi mitään lisää; korjattu versio rankaisee tarpeettomista muuttujista. Näin erikokoisia malleja voidaan vertailla reilummin, esimerkiksi myyntiennustetta, jossa on kolme tekijää kymmenen sijaan.
Korpus on jäsennelty kokoelma tekstejä tai kielidataa, joka on koottu analyysiin, tutkimukseen tai kielimallien kouluttamiseen. Se voi olla yleinen, kuten uutistekstejä usealta vuodelta, tai alakohtainen, kuten kaikki yrityksen sopimukset ja käsikirjat. Koko, tasapaino, ajantasaisuus ja tekstien oikeudet määrittävät, kuinka hyödyllisiä saadut havainnot ovat.
Kubeflow on avoimen lähdekoodin alusta koneoppimistyönkulkujen ajamiseen Kubernetesissa datan valmistelusta koulutuksen ja hyperparametrien haun kautta mallin palveluun. Alun perin Googlen käynnistämä projekti kuuluu Cloud Native Computing Foundationille, jossa se saavutti ”graduated”-aseman elokuussa 2026 (tilanne lokakuussa 2026). Se on suunnattu pääasiassa tiimeille, jotka kouluttavat omia malleja laajassa mittakaavassa omalla tai pilvi-infrastruktuurilla.
Kuvantunnistus on konenäön osa-alue, jossa ohjelmisto tunnistaa, mitä kuvassa on – esineitä, ihmisiä, tekstiä, logoja tai näkymiä. Se perustuu yleensä neuroverkkoihin, jotka on koulutettu suurella määrällä merkittyjä kuvia. Sovellukset vaihtelevat valmistuksen laadunvalvonnasta ja tuotekuvien lajittelusta lääketieteellisen kuvantamisen tukemiseen. Ihmisistä otettujen kuvien kohdalla tietosuoja ja mahdolliset vinoumat vaativat erityistä huomiota.
Kuvien poikkeamien tunnistus etsii valokuvista tai kameramateriaalista poikkeamia normaalitilasta – kuten naarmuja, halkeamia tai värivirheitä valmistettavissa osissa tai epäsäännöllisyyksiä lääketieteellisissä kuvissa. Usein malli oppii ensin monista virheettömistä esimerkeistä ja merkitsee sitten kaiken, mikä poikkeaa niistä. Tästä on hyötyä, koska todelliset viat ovat harvinaisia eikä niitä voi juuri kuvata etukäteen tyhjentävästi.
Kvanttilaskenta hyödyntää kvanttifysiikan ilmiöitä, kuten superpositiota ja lomittumista, ja laskee kubiteilla klassisten bittien sijaan. Suuria nopeusetuja odotetaan tietyissä tehtävissä, kuten molekyylien simuloinnissa, joissakin optimointiongelmissa tai nykyisten salausmenetelmien murtamisessa. Koneet ovat kuitenkin vielä virhealttiita ja niitä käytetään enimmäkseen tutkimuksessa ja pilottihankkeissa (tilanne: lokakuu 2026). Nykypäivän tekoälysovelluksissa kvanttilaskennalla ei ole vielä käytännössä merkitystä.
Kysymyksiin vastaaminen (question answering, QA) on luonnollisen kielen käsittelyn ala, jolla järjestelmä vastaa arkikielellä esitettyihin kysymyksiin suoraan hakutulosten listan palauttamisen sijaan. Nykyaikaiset järjestelmät etsivät olennaisia tekstikohtia tietokannasta ja muodostavat niistä vastauksen, mieluiten lähdeviitteen kera. Tyypillisiä käyttökohteita ovat asiakaspalvelu, sisäiset tietokannat ja käyttöohjeet – esimerkiksi kun henkilöstöoppaalta kysytään ”Kuinka monta lomapäivää saan ensimmäisenä vuonna?”
Käyrän alle jäävä pinta-ala (AUC) on luokittelumallien mittari, joka viittaa yleensä ROC-käyrään. Se kertoo, kuinka hyvin malli erottaa positiiviset ja negatiiviset tapaukset toisistaan riippumatta mistään tietystä kynnysarvosta. Arvo 1 tarkoittaa täydellistä erottelua; 0,5 ei ole arvaamista parempi. Esimerkki: asiakaspoistumamalli, jonka AUC on 0,85, arvioi satunnaisesti valitun poistuvan asiakkaan riskialttiimmaksi kuin uskollisen asiakkaan 85 %:ssa tapauksista.
Laajennettavuus on ohjelmiston kyky ottaa käyttöön uusia toimintoja, tietolähteitä tai liitäntöjä ilman, että ydintä rakennetaan uudelleen. Tyypillisiä keinoja ovat ohjelmointirajapinnat (API), webhookit, lisäosat ja avoimet standardit, kuten Model Context Protocol (MCP). Yrityksille laajennettava tekoälyratkaisu toimii yhdessä nykyisten järjestelmien, kuten CRM:n tai verkkokaupan, kanssa ja voi kasvaa muuttuvien tarpeiden mukana.
LangChain on avoimen lähdekoodin kehys Pythonille ja JavaScriptille, jolla kehittäjät rakentavat kielimalleihin perustuvia sovelluksia. Se tarjoaa yhtenäiset rajapinnat monille mallintarjoajille sekä rakennuspalikoita työkalukutsuihin, agentteihin, dokumenttien käsittelyyn ja hakuun perustuvaan generointiin. Versiosta 1.0 (lokakuu 2025) alkaen LangChainin agentit rakennetaan LangGraphin päälle. Tyypillisiä käyttötapoja ovat chatbotit, jotka hakevat sisäisistä dokumenteista, ja agentit, jotka kutsuvat ulkoisia palveluita.
LangGraph on LangChain-ekosysteemin avoimen lähdekoodin kehys tekoälyagenttien ja monivaiheisten prosessien mallintamiseen solmujen ja kaarien verkkona. Jaettu tila välitetään vaiheesta toiseen, ja silmukat, haarat, tarkistuspisteet ja keskeytykset ihmisen hyväksyntää varten ovat sisäänrakennettuja. Versio 1.0 julkaistiin lokakuussa 2025. Yksi esimerkki on agentti, joka tutkii aihetta, kirjoittaa luonnoksen ja odottaa hyväksyntää ennen lähettämistä.
Lauseen uudelleenmuotoilija muotoilee yksittäisiä lauseita tai lyhyitä jaksoja uudelleen muuttamatta niiden merkitystä. Se voi yksinkertaistaa lausetta, tehdä siitä muodollisemman tai ystävällisemmän, lyhentää sitä tai välttää toistoa. Tämä on hyödyllistä esimerkiksi asiakasvastauksissa, tuotetekstissä tai silloin, kun lause kuulostaa kömpelöltä. Pikainen tarkistus on silti tärkeä, jotta ammattitermit, luvut ja väitteet pysyvät oikeina uudelleenmuotoilun jälkeen.
LazyGraphRAG on graafipohjaisen hakuun perustuvan generoinnin lähestymistapa, jonka Microsoft Research esitteli vuonna 2024. Toisin kuin GraphRAG, se ei anna kielimallin luoda tiivistelmiä indeksoinnin aikana; sen sijaan se tunnistaa käsitteet ja niiden yhteisesiintymät klassisella luonnollisen kielen käsittelyllä, ja kielimallia käytetään vasta kyselyhetkellä. Microsoftin mukaan tämä laskee indeksointikustannukset perusvektori-RAG:n tasolle. Se sopii erityisen hyvin kysymyksiin, jotka vaativat yleiskuvaa suurista dokumenttikokoelmista.
Lead scraper on työkalu, joka kerää automaattisesti potentiaalisten asiakkaiden yhteystietoja verkkosivuilta, hakemistoista tai sosiaalisista verkostoista. Saksassa ja EU:ssa tämä on oikeudellisesti arkaluonteista: yhteyshenkilöiden nimet ja sähköpostiosoitteet ovat henkilötietoja, joten niiden käsittely edellyttää oikeusperustetta ja rekisteröityjen informointia GDPR:n mukaan, ja Saksan epärehellistä kilpailua koskevan lain (UWG, 7 §) mukaan mainossähköpostit edellyttävät yleensä etukäteen annettua nimenomaista suostumusta, myös yrityksille. Verkkosivun kautta tulevat kyselyt, sisältö ja suositukset ovat parempi tie (ei oikeudellista neuvontaa).
Lexile Framework for Reading on yhdysvaltalaisen MetaMetrics-yrityksen kehittämä järjestelmä, joka mittaa sekä henkilön lukutaitoa että tekstin vaikeutta samalla asteikolla. Arvot ilmoitetaan ”L”-tunnuksella, esimerkiksi 850L; teksti sopii hyvin, kun sen arvo on lähellä lukijan arvoa. Se perustuu pääasiassa lauseiden pituuteen ja sanojen yleisyyteen. Järjestelmää käytetään laajasti kouluissa ja kustannusalalla, erityisesti englanninkielisissä maissa.
LightGBM on avoimen lähdekoodin kirjasto gradient boostingiin päätöspuilla, jonka alun perin kehitti Microsoft. Se on suunniteltu nopeaksi ja vähämuistiseksi muun muassa histogrammipohjaisella koulutuksella ja puilla, jotka kasvavat lehti kerrallaan lupaavimmasta lehdestä. LightGBM sopii erityisen hyvin suurille taulukkoaineistoille, esimerkiksi myyntiennusteisiin, asiakaspoistuman ennustamiseen tai petosten tunnistukseen, ja sitä verrataan usein XGBoostiin.
Liidien reititys (lead routing) tarkoittaa saapuvien kyselyjen automaattista osoittamista vastuuhenkilölle, osastolle tai alueelle. Kriteereinä voivat olla aihe, tuote, yrityksen koko, kieli tai kiireellisyys. Tekoäly voi ymmärtää ja luokitella kyselyn vapaan tekstin, esimerkiksi koskeeko se uutta tarjousta, tukiasiaa vai työhakemusta. Nopea ja tarkka reititys lyhentää vasteaikoja ja estää kyselyjen jäämisen vastaamatta.
Lineaarinen regressio on tilastollinen menetelmä, joka kuvaa kohdemuuttujan ja yhden tai useamman selittäjän välistä suhdetta suoralla tai tasolla. Kertoimet valitaan yleensä siten, että neliöityjen poikkeamien summa minimoituu. Menetelmä on helppo ymmärtää ja tulkita: sillä voi esimerkiksi arvioida, kuinka paljon liikevaihto kasvaa, kun mainosbudjetti kasvaa 1 000 eurolla. Se tulee rajoihinsa epälineaaristen suhteiden kanssa.
LIX (läsbarhetsindex) on Ruotsissa Carl-Hugo Björnssonin kehittämä luettavuusmitta. Se laskee yhteen lauseiden keskipituuden sanoina ja yli kuuden kirjaimen pitkien sanojen prosenttiosuuden. Esimerkki: 15 sanaa lausetta kohden ja 30 % pitkiä sanoja antavat LIX-arvon 45. Koska se ei vaadi tavujen laskemista, sitä voi soveltaa moniin kieliin, saksa mukaan lukien; matalat arvot viittaavat helppoihin teksteihin ja noin 60:stä ylöspäin arvot erittäin vaikeisiin.
LLaMA, nykyään yleensä kirjoitettuna ”Llama”, on Metan suurten kielimallien perhe. Monet versiot julkaistiin ladattavilla painoilla Metan oman lisenssin alaisina, jolloin organisaatiot voivat ajaa ja mukauttaa niitä omalla infrastruktuuriinsa. Viimeisin suuri sukupolvi on Llama 4 (2025); vuonna 2026 Meta esitteli myös Muse-mallisarjan, josta vain osa on julkaistu avoimesti (tilanne lokakuussa 2026).
Suurten kielimallien kustannukset laskutetaan yleensä tokeneittain eli tekstiyksiköinä, jotka ovat suunnilleen tavun ja sanan kokoisia; syöte- ja tulostetokenit hinnoitellaan erikseen, ja tuloste on yleensä kalliimpi. Suuremmat mallit maksavat tokenia kohden enemmän kuin pienet, nopeat mallit, kuten Claude Haiku, jotka riittävät usein yksinkertaisiin tehtäviin. Kehotteiden välimuisti (prompt caching) alentaa kustannuksia, kun samaa pitkää kontekstia lähetetään toistuvasti. Myös ytimekkäät ohjeet ja huolella valittu tietämys auttavat.
LLM-tietoturva kattaa kaikki toimenpiteet, jotka suojaavat suuriin kielimalleihin perustuvia sovelluksia väärinkäytöltä, tietovuodoilta ja ei-toivotulta käyttäytymiseltä. Tyypillisiä riskejä ovat kehoteinjektio, luottamuksellisten ohjeiden tai tietojen paljastuminen ja agentit, joilla on liialliset oikeudet. Suoja syntyy useista kerroksista: selkeät ohjeet, rajatut oikeudet, syötteiden ja tulosteiden tarkistukset, tekoälypalomuurit, red teaming ja säännölliset auditoinnit.
llms.txt on Markdown-tekstitiedosto, joka sijoitetaan verkkosivuston juurihakemistoon ja joka antaa kielimalleille tiiviin yleiskuvan tärkeimmästä sisällöstä linkkeineen. Idean esitti Jeremy Howard (Answer.AI) syyskuussa 2024. Se on ehdotus eikä virallinen standardi; suuret tekoälyntarjoajat eivät ole sitoutuneet lukemaan sitä (tilanne lokakuussa 2026). Se täydentää robots.txt-tiedostoa ja sivukarttaa mutta ei korvaa niitä.
Log loss (logaritminen tappio) mittaa, kuinka hyvin luokittelumallin ennustetut todennäköisyydet vastaavat todellisia tuloksia. Itsevarmat mutta väärät ennusteet saavat erityisen ankaran rangaistuksen; nollaa lähellä oleva arvo viittaa hyvin kalibroituihin ennusteisiin. Esimerkki: jos malli antaa 95 %:n poistumatodennäköisyyden asiakkaalle, joka jää, log loss nousee jyrkästi. Matemaattisesti se on sama kuin binäärinen ristientropia.
Logistinen regressio on tilastollinen menetelmä, joka ennustaa todennäköisyyden toiselle kahdesta lopputuloksesta, kuten ”ostaa” tai ”ei osta”. Se painottaa syötepiirteitä ja muuntaa niiden summan arvoksi nollan ja yhden väliltä S-muotoisella funktiolla. Koska painot on helppo tulkita, sitä käytetään laajasti luottopisteytyksessä, lääketieteessä ja markkinoinnissa, usein vankkana lähtötasona monimutkaisemmille malleille.
Long Short-Term Memory (LSTM) on rekurrentin neuroverkon tyyppi, joka pystyy säilyttämään tietoa pitkien jaksojen yli. Niin kutsutut portit päättävät jokaisessa vaiheessa, mitä tallennetaan, unohdetaan tai tulostetaan, mikä lieventää häviävän gradientin ongelmaa. LSTM-verkot muovasivat monien vuosien ajan puheentunnistusta, kääntämistä ja aikasarjaennusteita. Kielenkäsittelyssä transformerit ovat suurelta osin korvanneet ne, mutta ne ovat edelleen yleisiä anturidatalle.
Luettavuus kuvaa, kuinka helposti teksti voidaan lukea ja ymmärtää. Se riippuu lauseen pituudesta, sanan pituudesta, erikoistermeistä, lauserakenteesta ja ulkoasusta, ja sitä voidaan arvioida kaavoilla, kuten Flesch-indeksillä tai LIX:llä. Hyvä luettavuus on tärkeää asiakasviestinnässä, ohjeissa, verkkosivuilla ja saavutettavassa sisällössä. Kaavat antavat kuitenkin vain suuntaa; se, onko teksti selkeä, riippuu viime kädessä yleisöstä.
Lukutaso kertoo lukutaidon tason, jota teksti edellyttää tai jonka henkilö on saavuttanut. Järjestelmästä riippuen se ilmaistaan luokka-asteena, arvona asteikolla, kuten Lexile, tai tasona opetussuunnitelmissa ja kielitaitokehyksissä, kuten A2 tai B1 Euroopan viitekehyksessä. Käytännössä se auttaa räätälöimään tekstit kohdeyleisölle, esimerkiksi asiakastiedotteet selkokielelle.
Luokittelija on malli tai menetelmä, joka osoittaa syötteet johonkin useista ennalta määritellyistä luokista. Klassiset muunnelmat, kuten päätöspuut tai naiivi Bayes, koulutetaan merkityillä esimerkeillä; kielimallit voivat myös lajitella tekstejä luokkien kuvauksen perusteella. Tyypillisiä käyttötarkoituksia ovat roskapostin tunnistus, asiakaskyselyiden lajittelu aiheen mukaan ja kuittien luokittelu. Laatua mitataan mittareilla, kuten osuvuudella, tarkkuudella ja saannilla.
Luettavuustutkimuksessa luokka-astetaso (grade level) on mitta koulun vuosiluokalle, jolta alkaen teksti yleensä ymmärretään. Tunnettu esimerkki on Flesch–Kincaid Grade Level, joka laskee yhdysvaltalaisen luokka-asteen lauseiden pituudesta ja sanojen tavumääristä; pistemäärä 8 vastaa suunnilleen kahdeksatta luokkaa. Tällaiset pistemäärät siirtyvät vain osittain muille kielille, joten saksalle käytetään usein mukautettuja kaavoja, kuten Amstadin Flesch-versiota tai LIX:ää.
Luonnollisen kielen käsittely on tekoälyn osa-alue, joka mahdollistaa tietokoneiden analysoida, ymmärtää ja tuottaa ihmiskieltä tekstinä tai puheena. Se kattaa tehtäviä, kuten kääntäminen, luokittelu, tiivistäminen, sentimenttianalyysi ja kysymyksiin vastaaminen. Aiemmin vallitsivat sääntö- ja tilastomenetelmät; nykyään alaa muovaavat suuret kielimallit.
Luonnollisen kielen tuottaminen (NLG, natural language generation) on kielenkäsittelyn osa-alue, joka tuottaa ymmärrettävää tekstiä datasta, luettelokohdista tai muista syötteistä. Aiemmat NLG-järjestelmät perustuivat malleihin ja sääntöihin; nykyään useimmat käyttävät suuria kielimalleja. Tyypillisiä käyttökohteita ovat sää- ja pörssiraportit, tuotekuvaukset, tunnuslukujen tiivistelmät ja chatbottien vastaukset. On tärkeää, että syötteiden luvut ja tosiasiat siirtyvät oikein ja muuttumattomina.
Luonnollisen kielen ymmärtäminen on kielenkäsittelyn osa, joka tavoittaa lausuman merkityksen: mikä aikomus sen takana on, mitä henkilöitä, paikkoja tai päivämääriä mainitaan ja mikä on sävy? Yhdessä luonnollisen kielen tuottamisen (NLG) kanssa NLU muodostaa toisen NLP:n kahdesta puolesta. Esimerkki on asiakaspalvelujärjestelmä, joka tunnistaa viestin ”Pakettini ei ole vieläkään tullut” toimitustiedusteluksi.
Vastauksessa oleva merkintä siitä, mistä tietämyksen kohdasta tieto on peräisin.
Mallien ketjutus tarkoittaa usean tekoälymallin tai tekoälyvaiheen yhdistämistä peräkkäin niin, että yhden vaiheen tuloste on seuraavan vaiheen syöte. Monimutkaiset tehtävät voidaan näin jakaa hallittaviin osatehtäviin, joita voidaan tarkistaa ja parantaa erikseen. Esimerkki: yksi vaihe tiivistää asiakkaan tiedustelun, toinen ohjaa sen oikealle osastolle ja kolmas laatii vastausluonnoksen.
Mallin ajautuma (model drift) on mallin ennustelaadun vähittäistä heikkenemistä käytön aikana, koska todellisuus muuttuu opetusdataan verrattuna. Erotetaan toisistaan syöttödatan muutokset (data drift) ja syötteiden sekä lopputulosten välisen suhteen muutokset (concept drift). Esimerkki: petostentunnistusmalli ei havaitse uusia huijaustapoja. Keinoja ovat mittareiden jatkuva seuranta ja säännöllinen uudelleenopetus.
Mallin kestävyys (robustness) kuvaa, kuinka luotettavasti tekoälymalli toimii, kun syötteet ovat kohinaisia, puutteellisia, epätavallisia tai tarkoituksella manipuloituja. Kestävä malli tuottaa silti vakaita tuloksia, esimerkiksi tunnistaa kuvia huonossa valaistuksessa tai selviää kielimallina kirjoitusvirheistä. Kestävyyttä arvioidaan stressitesteillä, monipuolisella opetusdatalla ja tahallisia harhautusyrityksiä vastaan tehtävillä testeillä, ja se on erityisen tärkeää turvallisuuskriittisissä sovelluksissa.
Mallin romahtaminen (model collapse) tarkoittaa laadun heikkenemistä, joka voi seurata, kun generatiivisia malleja opetetaan toistuvasti datalla, jonka tekoäly on itse tuottanut. Harvinaiset sisällöt ja reunatapaukset katoavat vähitellen, ja tulosteet muuttuvat yhdenmukaisemmiksi ja virhealttiimmiksi. Ilmiön merkitys kasvaa, koska tekoälyn tuottamien tekstien ja kuvien osuus internetissä kasvaa. Huolellisesti kuratoitu, ihmisten tuottama data auttaa torjumaan sitä.
Mallin tulkittavuus kuvaa, kuinka hyvin ihmiset voivat ymmärtää, miten tekoälymalli päätyy tuloksiinsa. Yksinkertaiset mallit, kuten päätöspuut, ovat luonnostaan helppolukuisia; monimutkaisissa neuroverkoissa apuna voivat olla menetelmät, jotka paljastavat yksittäisten piirteiden vaikutuksen. Tulkittavuus on tärkeää virheiden etsinnässä, luottamuksen rakentamisessa ja sääntelyvaatimuksissa, esimerkiksi kun lainahakemuksen hylkäys on perusteltava.
Go-to-market-strategia (GTM) määrittää, miten tuote tai palvelu tuodaan onnistuneesti markkinoille: millä kohderyhmällä on mikä ongelma, miten tarjooma asemoidaan ja hinnoitellaan, mitä kanavia myynnissä käytetään ja millä mittareilla menestystä mitataan. GTM-suunnitelma yhdistää markkinoinnin, myynnin ja tuotteen. Esimerkki: ohjelmistotoimittaja aloittaa yhdestä toimialasta, yhdestä kumppanikanavasta ja 90 päivän tavoitteesta.
Metakehote on ohje, jolla kielimallia pyydetään laatimaan tai parantamaan kehotteita tai järjestelmäohjeita itse. Kuvaat tavoitteen, kohderyhmän ja halutun sävyn sekä annat esimerkkejä; malli tuottaa niiden pohjalta jäsennellyt ohjeet, joihin kuuluu rooli, säännöt ja rajaukset. Näin saadaan nopeammin hyviä ensimmäisiä versioita, jotka ihmiset sitten testaavat ja hiovat. Esimerkki: ”polkupyöräliikkeen asiakaspalvelu” muuttuu täydelliseksi ohjeluonnokseksi.
Mistral AI on pariisilainen tekoälyyritys, jonka perustivat vuonna 2023 Arthur Mensch, Guillaume Lample ja Timothée Lacroix. Se kehittää suuria kielimalleja ja tarjoaa sekä malleja, joiden painot ovat avoimesti saatavilla (osa Apache 2.0 -lisenssillä), että kaupallisia malleja omalla alustallaan. Eurooppalaisissa organisaatioissa Mistral AI mainitaan usein keskusteluissa datasuvereniteetista ja mallien ajamisesta omassa infrastruktuurissa.
MLflow on avoimen lähdekoodin alusta koneoppimismallien koko elinkaaren hallintaan. Databricks esitteli sen alun perin vuonna 2018. Se kirjaa kokeet parametreineen ja mittareineen, hallitsee mallien versioita rekisterissä ja helpottaa käyttöönottoa. Uudemmat versiot tukevat myös kielimallipohjaisten sovellusten jäljitystä ja arviointia. Tiimit voivat siten selvittää, mikä malli on tuotettu millä datalla ja millä asetuksilla.
Model Context Protocol (MCP) on avoin standardi, jonka avulla tekoälysovellukset pääsevät yhtenäisellä tavalla käyttämään ulkoisia työkaluja, tietolähteitä ja palveluita. MCP-palvelin tarjoaa toimintoja, ja MCP-asiakas, esimerkiksi tekoälyavustaja, voi kutsua niitä. Anthropic esitteli MCP:n marraskuussa 2024; joulukuusta 2025 lähtien sitä on kehitetty Linux Foundationin Agentic AI Foundationin alaisuudessa (tilanne: lokakuu 2026). Näin jokaista integraatiota ei tarvitse rakentaa erikseen.
Monivaiheinen päättely (multi-hop reasoning) on tekoälyjärjestelmän kykyä vastata kysymykseen usean peräkkäisen päätelmän kautta, usein yhdistämällä tietoa eri lähteistä. Esimerkki: kysymys ”Mitä osastoa johtaa projektista X vastaava henkilö?” edellyttää ensin vastuuhenkilön ja sitten hänen osastonsa selvittämistä. Tällaiset kysymykset ovat vaativia haku- ja RAG-järjestelmille, koska jokainen välivaihe on löydettävä ja yhdistettävä oikein.
Monte Carlo -menetelmät ovat laskentatekniikoita, jotka käyttävät erittäin suurta määrää satunnaisotoksia sellaisten tulosten approksimointiin, joita on vaikea laskea analyyttisesti. Järjestelmää simuloidaan tuhansia kertoja satunnaisesti vaihdelluin oletuksin, ja tulosten jakaumaa analysoidaan. Organisaatiot käyttävät menetelmiä riskianalyysiin, projektien aikataulutukseen tai salkkujen arvostukseen. Tekoälyssä menetelmiä käytetään muun muassa vahvistusoppimisessa ja pelien puuhaussa.
Apache MXNet oli avoimen lähdekoodin syväoppimiskehys, joka pystyi opettamaan malleja tehokkaasti usealla GPU:lla ja usealla koneella, ja siinä oli rajapinnat muun muassa Pythonille, C++:lle, R:lle ja Scalalle. Amazon Web Services tuki sitä useiden vuosien ajan ensisijaisena kehyksenään. Apache Software Foundation lopetti hankkeen syyskuussa 2023 ja siirsi sen Apache Atticiin helmikuuhun 2024 mennessä; sitä ei enää kehitetä. Olemassa olevat mallit siirretään yleensä muihin kehyksiin.
Myyntikäsikirjoitusgeneraattori on tekoälytyökalu, joka laatii keskusteluoppaita myyntipuheluihin – esimerkiksi kylmäsoittoihin, tapaamisiin tai seurantaan. Tarjouksen ja kohderyhmän tietojen perusteella se tuottaa avauksen, kartoituskysymykset, hyötyperustelut, vastaukset tyypillisiin vastaväitteisiin ja ehdotuksen seuraavaksi askeleeksi. Hyvä opas tarjoaa suuntaa jäykän käsikirjoituksen sijaan: kuuntelu ja rehellinen neuvonta ovat edelleen tärkeämpiä kuin valmiit fraasit.
Naiivi Bayes on joukko yksinkertaisia luokittelumenetelmiä, jotka perustuvat Bayesin kaavaan. Niitä kutsutaan ”naiiveiksi”, koska ne olettavat kaikkien piirteiden olevan toisistaan riippumattomia, mikä on harvoin totta käytännössä mutta tuottaa silti usein hyviä tuloksia. Menetelmät ovat nopeita, tarvitsevat vähän opetusdataa ja sopivat erityisen hyvin tekstille. Klassinen esimerkki on roskapostisuodatin, joka lajittelee sähköpostit tyypillisten sanojen perusteella.
Negatiivinen kehote määrittelee, mitä tekoälymallin ei pidä nimenomaisesti tuottaa tai tehdä. Kuvien tuottamisessa, esimerkiksi Stable Diffusionilla, se on erillinen syöttökenttä ei-toivotuille elementeille, kuten ”epäterävä” tai ”teksti kuvassa”. Kielimalleilla se on kehotteen sääntöjä, kuten ”Älä keksi hintoja” tai ”Älä anna oikeudellisia neuvoja”. Tällaiset rajaukset tekevät tuloksista ennustettavampia mutta eivät korvaa tarkistusta.
Neuromorfinen laskenta on aivojen rakenteesta mallinnettu laitteisto- ja ohjelmistolähestymistapa. Sen sijaan että dataa siirrettäisiin kellojaksoissa erillisen muistin ja prosessorin välillä, keinotekoiset neuronit ja synapsit toimivat rinnakkain ja reagoivat vain tapahtumiin, joita kutsutaan piikeiksi (spikes). Tämä lupaa erittäin pientä energiankulutusta esimerkiksi antureissa tai roboteissa. Tunnettuja tutkimuspiirejä ovat Intel Loihi ja IBM TrueNorth; laaja kaupallinen käyttö on vielä alkuvaiheessa.
Nimettyjen entiteettien tunnistus (NER) on luonnollisen kielen käsittelyn tekniikka, joka löytää tekstistä henkilöiden, yritysten ja paikkojen nimet sekä päivämäärät tai summat ja liittää kunkin johonkin luokkaan. Se muuttaa vapaan tekstin rakenteiseksi dataksi. Esimerkki: lähettäjän yritys, yhteyshenkilö, toimituspäivä ja laskun summa poimitaan automaattisesti sähköpostista ja siirretään CRM-järjestelmään.
NLTK (Natural Language Toolkit) on avoimen lähdekoodin Python-kirjasto luonnollisen kielen käsittelyyn, ja se luotiin Pennsylvanian yliopistossa 2000-luvun alussa. Se tarjoaa työkaluja tokenisointiin, perusmuotojen tunnistukseen (stemming), sanaluokkien merkintään ja yksinkertaiseen luokitteluun sekä pääsyn lukuisiin tekstikorpuksiin. NLTK:ta käytetään pääasiassa opetuksessa ja tutkimuksessa; tuotantosovellukset nojaavat usein kirjastoihin, kuten spaCy, tai transformer-malleihin.
No-code tarkoittaa työkaluja, joiden avulla sovelluksia, automaatioita tai verkkosivustoja voi rakentaa graafisilla käyttöliittymillä ilman ohjelmakoodin kirjoittamista. Liiketoimintatiimit voivat toteuttaa ja testata prosesseja itse sen sijaan, että odottaisivat IT-kehitystä. Rajat tulevat vastaan hyvin erikoistuneissa vaatimuksissa, suurissa datamäärissä tai syvissä integraatioissa. Esimerkki: myyntitiimi rakentaa vedä ja pudota -toiminnolla työnkulun, joka lajittelee ja tiivistää uudet tiedustelut.
Nollaklikkihaussa käyttäjät saavat vastauksensa suoraan hakutulossivulla, esimerkiksi esille nostettujen vastauslaatikoiden tai tekoälyn tuottamien tiivistelmien kautta, eivätkä enää klikkaa verkkosivustolle. Yrityksille tämä vähentää liikennettä, vaikka niiden sisältö toimisi lähteenä. Näkyvyys lainattuna lähteenä muuttuu siksi tärkeämmäksi: selkeillä vastauksilla, perustelluilla tosiasioilla ja hyvin jäsennellyillä sivuilla.
NumPy on Pythonin keskeinen avoimen lähdekoodin kirjasto numeeriseen laskentaan. Se tarjoaa monimuotoisia taulukoita sekä nopeita funktioita lineaarialgebraan, tilastotieteeseen ja satunnaislukuihin, ja sen ydin toimii käännetyllä koodilla. Monet data-analyysi- ja koneoppimistyökalut, kuten pandas, scikit-learn ja lukuisat visualisointikirjastot, rakentuvat NumPyn varaan. Datan parissa Pythonilla työskentelevä käyttää sitä siksi lähes aina, suoraan tai välillisesti.
Ohjaamattomassa oppimisessa malli saa dataa ilman ennalta määriteltyjä oikeita vastauksia ja etsii rakenteita itse. Tyypillisiä menetelmiä ovat klusterointi, joka ryhmittelee samankaltaisia tietueita, ja ulottuvuuksien vähentäminen, joka tiivistää monta piirrettä muutamaksi olennaiseksi. Organisaatiot käyttävät sitä asiakassegmenttien löytämiseen tai epätavallisten tapahtumien havaitsemiseen; löydetyt ryhmät on sen jälkeen annettava alan asiantuntijoiden tulkittaviksi.
Ohjatussa oppimisessa malli oppii esimerkeistä, joiden oikea vastaus tunnetaan jo, kuten sähköposteista, jotka on merkitty ”roskaposti” tai ”ei roskaposti”. Niistä se johtaa sääntöjä, joilla uudet, ennen näkemättömät tapaukset luokitellaan tai arvoja ennustetaan. Tyypillisiä tehtäviä ovat luokittelu ja regressio; suurin osa työstä menee siistin luokitellun datan luomiseen.
Tekoälyavusteisessa oikeudellisten asiakirjojen tarkastuksessa kielimalli analysoi sopimuksia, sopimusehtoja tai oikeudellisia asiakirjoja: se tiivistää keskeiset kohdat, kuten sopimuskauden, irtisanomisen ja vastuun, merkitsee epätavalliset lausekkeet ja huomauttaa puuttuvista määräyksistä. Tämä nopeuttaa ensitarkastusta huomattavasti, mutta ei korvaa oikeudellista neuvontaa; arviointi ja vastuu säilyvät päteville ihmisille.
Oikoluku on tekstin tarkistamista oikeinkirjoituksen, kieliopin ja välimerkkien osalta, usein yhdessä johdonmukaisen kielenkäytön tarkistuksen kanssa; tekstin toimittaminen menee pidemmälle ja käsittelee myös tyyliä, rakennetta ja sisältöä. Tekoäly voi nopeasti merkitä virheet ja ehdottaa korjauksia, esimerkiksi tarjouksissa, uutiskirjeissä tai verkkosivuilla. On suositeltavaa listata kaikki muutokset läpinäkyvästi ja antaa ihmisen tehdä lopputarkistus teknisille termeille, erisnimille ja merkitykselle.
Tietojenkäsittelytieteessä ontologia on aihealueen muodollinen malli, joka määrittelee selkeästi käsitteet, niiden ominaisuudet ja niiden väliset suhteet. Näin ihmiset ja koneet voivat tulkita dataa yhdenmukaisesti ja tehdä siitä johtopäätöksiä. Ontologiat ovat monien tietämysgraafien, semanttisten hakujärjestelmien ja tietojen integrointihankkeiden perustana. Esimerkki: tuoteontologia määrittää, että ”sähköpyörä” on ”polkupyörä” ja että sillä on ”akku”.
Open Neural Network Exchange (ONNX) on avoin tiedostomuoto koneoppimismalleille. Microsoft ja Facebook (nykyinen Meta) esittelivät sen vuonna 2017, ja sitä isännöi nykyään LF AI & Data Foundation. Esimerkiksi PyTorchilla opetetun mallin voi viedä ONNX-muotoon ja ajaa muilla työkaluilla tai ajoympäristöillä, kuten ONNX Runtimella. Tämä helpottaa siirtymistä kehyksestä toiseen ja käyttöönottoa eri laitteistoilla.
OpenAI on San Franciscossa toimiva tekoälyyritys, joka perustettiin vuonna 2015 voittoa tavoittelemattomana organisaationa. Lokakuussa 2025 tehdyn uudelleenjärjestelyn jälkeen se koostuu voittoa tavoittelemattomasta OpenAI Foundationista, joka ohjaa voittoa tavoittelevaa OpenAI Group PBC:tä (tilanne: lokakuu 2026). OpenAI tunnetaan parhaiten ChatGPT:stä ja GPT-kielimalleista sekä DALL·E-kuvageneraattorista ja Whisper-puheentunnistusmallista. Sen malleja tarjotaan sovellusten ja API:n kautta.
OpenCV (Open Source Computer Vision Library) on avoimen lähdekoodin ohjelmistokirjasto kuvankäsittelyyn ja konenäköön, jonka kehitys alkoi Intelillä noin vuonna 2000. Se tarjoaa tuhansia funktioita, esimerkiksi kuvien suodatukseen, reunojen ja kasvojen tunnistamiseen, kohteiden seuraamiseen videolla tai kameroiden kalibrointiin. OpenCV on kirjoitettu C++:lla, mutta sitä käytetään usein Pythonin kautta, esimerkiksi laaduntarkastuksessa, robotiikassa ja tutkimuksessa.
Opetusdata ovat esimerkkejä, joista tekoälymalli oppii säännönmukaisuuksia: suuria tekstikokoelmia kielimalleille, luokiteltuja kuvia kuvamalleille. Niiden laatu, monipuolisuus ja ajantasaisuus määräävät pitkälti, kuinka luotettava ja oikeudenmukainen malli on ja kuinka ajan tasalla sen tietämys on. Organisaatioille on myös tärkeää, käyttääkö tarjoaja syöttämiään asiakastietoja jatko-opetukseen.
Opetusvirhe ilmaisee, kuinka paljon mallin ennusteet poikkeavat oikeista arvoista juuri siinä datassa, jolla se on opetettu. Yksinään se kertoo vähän: tärkeää on vertailu uuden datan yleistymisvirheeseen. Korkea opetusvirhe viittaa alisovittumiseen; hyvin matala opetusvirhe yhdistettynä korkeaan testidatan virheeseen viittaa yleensä ylisovittumiseen.
Koneoppimisessa oppimiskäyrä on kaavio, joka näyttää mallin suorituskyvyn tai virheen koulutusajan tai koulutusdatan määrän funktiona, yleensä erikseen koulutus- ja validointidatalle. Sen muoto paljastaa, onko malli ali- vai ylisovitettu ja auttaisiko lisädata todennäköisesti. Jos validointivirhe esimerkiksi pysyy selvästi koulutusvirhettä korkeammalla, se viittaa ylisovittamiseen. Arkikielessä termi kuvaa myös sitä, kuinka nopeasti ihmiset oppivat uuden teknologian.
Optinen merkintunnistus (OCR, optical character recognition) muuntaa kuvissa, kuten skannauksissa, valokuvissa tai fakseissa, olevan tekstin koneluettavaksi tekstiksi. Vasta sen jälkeen asiakirjoista voi hakea, niitä voi kopioida tai käsitellä automaattisesti. Nykyaikainen OCR käyttää neuroverkkoja ja tunnistaa myös taulukoita, asetteluja ja joissakin tapauksissa käsinkirjoitusta. Tyypillisiä käyttökohteita ovat laskujen käsittely, arkistojen digitointi ja lomakkeiden lukeminen; laatu riippuu paljon kuvan laadusta.
Kaavio yrityksen rakenteesta: osastot, roolit ja kuka raportoi kenellekin.
Osittain ohjattu oppiminen yhdistää pienen määrän luokiteltua dataa suureen määrään luokittelematonta dataa. Malli oppii ensin harvoista esimerkeistä, joiden vastaukset tunnetaan, ja käyttää sitten muun datan säännönmukaisuuksia parantuakseen – esimerkiksi ottamalla varmat ennusteet lisäopetusesimerkeiksi. Tämä kannattaa, kun luokittelu on kallista, kuten lääketieteellisten kuvien tai tuhansien tukipyyntöjen kohdalla.
Ylisovittuminen (overfitting) tarkoittaa, että malli oppii opetusdatan ulkoa, satunnaisine erikoisuuksineen ja kohinoineen, sen sijaan että se oppisi yleisesti päteviä säännönmukaisuuksia. Silloin se vaikuttaa erittäin tarkalta tutussa datassa mutta toimii huonosti uudessa datassa. Suuri ero opetus- ja testivirheen välillä on tyypillinen merkki. Torjuntakeinoja ovat enemmän tai monipuolisempi data, yksinkertaisemmat mallit, regularisointi, dropout ja ristiinvalidointi.
OWASP Top 10 for LLM Applications on luettelo suurten kielimallien varaan rakennettujen sovellusten tärkeimmistä tietoturvariskeistä, ja sen julkaisee OWASP GenAI Security Project. Nykyinen vuoden 2026 painos ilmestyi elokuussa 2026 (tilanne: lokakuu 2026), ja se kattaa seuraavat: kehoteinjektio, arkaluonteisten tietojen paljastuminen, liiallinen toimivalta, toimitusketju, datan ja mallin myrkytys, rajoittamaton kulutus, väärä tieto, piilotetun kontekstin paljastuminen, vektori- ja upotusheikkoudet sekä virheellinen tulosteen käsittely. Se toimii tarkistuslistana kehityksessä ja auditoinneissa.
pandas on avoimen lähdekoodin Python-kirjasto taulukkomuotoisen datan analysointiin ja muokkaamiseen, ja Wes McKinney on kehittänyt sitä vuodesta 2008 alkaen. Sen keskeinen objekti, DataFrame, muistuttaa taulukkoa, jossa on nimetyt sarakkeet. Sillä voi ladata dataa CSV-tiedostoista, Excelistä tai tietokannoista sekä puhdistaa, suodattaa, ryhmitellä ja yhdistää sitä. pandas rakentuu NumPyn varaan ja on vakiotyökalu data-analyysissa, raportoinnissa ja opetusdatan valmistelussa.
Parafraasi tarkoittaa jonkun sanoman toistamista omin sanoin muuttamatta sen merkitystä. Keskustelussa se on aktiivisen kuuntelun tekniikka: varmistat ymmärtäneesi oikein ja osoitat huomiota, esimerkiksi: ”Jos ymmärsin oikein, toimitusaika on sinulle tärkein?” Kirjoitetussa tekstissä parafraasi auttaa tekemään sisällöstä selkeämpää, lyhyempää tai tiettyyn kohderyhmään paremmin sopivaa.
Parametritehokas hienosäätö (PEFT, parameter-efficient fine-tuning) kattaa tekniikat, joilla suuri esikoulutettu malli mukautetaan tehtävään opettamalla vain pieni osa sen parametreista tai lisäämällä muutama lisäparametri. Tunnettuja menetelmiä ovat LoRA, QLoRA, adapterit ja prefix tuning. Tämä vähentää huomattavasti laskenta- ja muistivaatimuksia, ja pieniä lisämoduuleja voi tallentaa useita tehtäviä varten kokonaisten mallikopioiden sijaan. Esimerkki: kielimalli mukautetaan sisäisten teknisten asiakirjojen tyyliin.
PaLM on Googlen suuri kielimalli, joka esiteltiin vuonna 2022 ja jossa on 540 miljardia parametria. Se opetettiin useilla TPU-siruilla yhtä aikaa Googlen Pathways-opetusjärjestelmällä. PaLM 2 seurasi vuonna 2023, ja se voimisti muun muassa Bard-chatbottia. Google on sittemmin korvannut PaLMin Gemini-malleillaan, ja PaLMin kehittäjä-API suljettiin elokuussa 2024. Nykyään PaLM on tärkeä lähinnä kielimallien kehityksen virstanpylväänä.
Perplexity AI on vuonna 2022 perustettu San Franciscon yritys, joka ylläpitää tekoälypohjaista hakukonetta. Linkkilistan sijaan se antaa kirjoitetun vastauksen, joka tiivistää ajankohtaista verkkosisältöä ja mainitsee käytetyt lähteet. Ilmaisversion rinnalla on maksullisia tasoja, joissa voi valita kielimallin, sekä Comet-tekoälyselain (tilanne: lokakuu 2026). Yrityksille Perplexity on merkityksellinen myös siksi, että se muuttaa tapaa, jolla verkon sisältöjä löydetään.
Personoitu markkinointi tarkoittaa viestien, tarjousten ja ajoituksen räätälöintiä yksittäisille asiakkaille tai pienille ryhmille sen sijaan, että kaikkia puhuteltaisiin samalla tavalla. Se hyödyntää tietoja, kuten aiempia ostoksia, kiinnostuksen kohteita tai yhteydenoton syytä. Tekoäly voi muuntaa nämä sopivaksi tekstiksi, esimerkiksi sähköpostiksi, joka viittaa äskettäin ostettuun tuotteeseen. On tärkeää käyttää vain tietoja, joihin on saatu suostumus, ja jättää arkaluonteiset tiedot pois.
Perustamalli (foundation model) on suuri tekoälymalli, joka on esikoulutettu erittäin laajalla ja monipuolisella datalla ja jota voidaan sen jälkeen käyttää moniin eri tehtäviin. Termin lanseerasi Stanfordin yliopisto vuonna 2021. Tunnettuja esimerkkejä ovat suuret kielimallit, kuten Claude tai GPT, sekä kuvamallit. Yritykset rakentavat sovelluksensa yleensä tällaisten mallien päälle sen sijaan, että kouluttaisivat omia alusta alkaen; EU:n tekoälysäädös viittaa yleiskäyttöisiin tekoälymalleihin.
Petosten tunnistus kattaa menetelmät, jotka tunnistavat epäilyttävät maksutapahtumat, tilaukset, tilit tai hakemukset varhaisessa vaiheessa. Säännöt ja oppivat mallit etsivät varoitusmerkkejä, kuten toisistaan poikkeavia toimitus- ja laskutusosoitteita, epätavallisia määriä, silmiinpistävää aikapainetta tai kertakäyttöisiä sähköpostiosoitteita. Sitä käytetään verkkokaupassa, pankkitoiminnassa, vakuutusalalla ja maksupalveluissa. Koska väärät hälytykset voivat koskea aitoja asiakkaita, ihmisten tulee tarkistaa osumat sen sijaan, että ne hylättäisiin automaattisesti.
Piilotettu Markovin malli (HMM) on tilastollinen malli jonoille, joissa varsinaiset tilat ovat piilossa ja ne voidaan päätellä vain havaittavista signaaleista. Se kuvaa todennäköisyyttä, jolla yksi tila seuraa toista ja jolla kukin tila tuottaa tietyn havainnon. HMM-mallit olivat pitkään puheentunnistuksen ja sanaluokkamerkinnän vakiomenetelmä; nykyään niitä käytetään yhä esimerkiksi bioinformatiikassa ja aikasarja-analyysissä.
Piirteiden irrotus (feature extraction) tarkoittaa merkityksellisten arvojen johtamista raakadatasta, jotta malli pystyy käsittelemään sitä tehokkaasti. Miljoonien yksittäisten pikselien sijaan järjestelmä voi käyttää reunoja, värejä tai muotoja; tekstit muunnetaan sanapainoiksi tai upotusvektoreiksi (embedding). Hyvät piirteet pienentävät datamäärää, vähentävät laskentatyötä ja parantavat usein tarkkuutta. Piirteiden irrotus on keskeinen osa piirresuunnittelua.
Piirteiden suunnittelu (feature engineering) tarkoittaa ominaisuuksien (piirteiden) valitsemista, muuntamista ja luomista raakadatasta, jotta oppimisalgoritmi havaitsee kuviot helpommin. Piirteiden poiminta johtaa tiiviitä, merkityksellisiä arvoja monimutkaisesta datasta, kuten tekstistä, kuvista tai signaaleista. Esimerkki: yksittäisistä ostotapahtumista muodostetaan piirteitä, kuten ”päiviä viime ostosta” tai ”keskimääräinen tilausarvo”, mikä voi parantaa asiakaspoistuman ennustetta merkittävästi.
Poikkeamien tunnistus löytää datapisteitä, tapahtumia tai kaavoja, jotka eroavat selvästi normaalista. Ne voivat olla epätavallisen suuria tapahtumia, äkillisiä hyppyjä anturilukemissa, päällekkäisiä tietueita tai epäilyttävää verkkoliikennettä. Menetelmää käytetään rahoituksessa, tietoturvassa, valmistuksessa ja laadunvalvonnassa. Menetelmät vaihtelevat yksinkertaisista tilastollisista kynnysarvoista oppiviin malleihin; osumat ovat viitteitä, jotka ihmisen tulee arvioida.
Poimiva tekoäly tarkoittaa menetelmiä, jotka poimivat olemassa olevaa tietoa teksteistä tai dokumenteista sen sijaan, että kirjoittaisivat uutta sisältöä. Tulos tulee sanatarkasti tai kiinteässä rakenteessa lähteestä – esimerkiksi laskunumerot PDF-tiedostoista, yhteenvedon avainlauseet tai kysymykseen vastaava tekstikohta. Koska mitään ei keksitä, virheellisten väitteiden riski on pienempi kuin puhtaasti generatiivisilla lähestymistavoilla; usein näitä yhdistetään.
Kehote (prompt) on syöte, joka kertoo tekoälymallille, mitä sen tulee tehdä – kysymys, tehtävä tai ohje, jota täydennetään usein kontekstilla, esimerkeillä ja halutulla muodolla. Vastauksen laatu riippuu paljon siitä, kuinka selkeä ja täydellinen kehote on. Esimerkiksi ”Kirjoita jotain tuotteestamme” -kehotteen sijaan voi kirjoittaa ”Kirjoita kolme lyhyttä etua tuotteesta X käsityöyrityksille, asiallisella sävyllä”.
Yleiskuva yrityksen keskeisistä prosesseista ja niiden välisistä yhteyksistä.
Puheentunnistus, jota kutsutaan myös ASR:ksi (automatic speech recognition), muuntaa puhutun kielen automaattisesti kirjoitetuksi tekstiksi. Nykyaikaiset järjestelmät käyttävät neuroverkkoja, jotka on opetettu suurilla äänitemäärillä, ja selviävät kohtuullisen hyvin aksenteista ja taustamelusta. Sovelluksia ovat sanelu, tekstitykset, ääniavustajat sekä kokousten ja asiakaspuheluiden litterointi. Ammattitermit, erisnimet ja huono äänenlaatu ovat edelleen yleisiä virhelähteitä.
PyTorch on avoimen lähdekoodin kehys koneoppimiseen ja syväoppimiseen Python-ohjelmointikielellä. Se kehitettiin alun perin Metalla (silloin Facebook), ja vuodesta 2022 sitä on ylläpitänyt PyTorch Foundation Linux Foundationin alaisuudessa. PyTorchia käytetään laajasti tutkimuksessa ja teollisuudessa, koska sen avulla kehittäjät voivat rakentaa malleja joustavasti, opettaa niitä GPU:illa ja testata niitä vaihe vaiheelta; monet tunnetut kieli- ja kuvamallit on rakennettu sillä.
Päätöspuu on malli, joka esittää päätöksen sarjana yksinkertaisia kyllä/ei-kysymyksiä: jokainen haara testaa yhtä piirrettä ja jokainen lehti antaa lopputuloksen. Koneoppimisessa tällaiset puut opitaan automaattisesti datasta, ja niitä käytetään luokitteluun tai ennustamiseen. Niiden suurin vahvuus on läpinäkyvyys – ne voivat esimerkiksi osoittaa, miksi lainahakemus merkittiin tulojen, laina-ajan ja maksuhistorian perusteella.
Q-oppiminen (Q-learning) on perustavanlaatuinen vahvistusoppimisen menetelmä. Agentti oppii yrityksen ja erehdyksen kautta, mikä pitkän aikavälin arvo (”Q-arvo”) tietyllä toiminnolla on tietyssä tilanteessa, ja valitsee ajan myötä lupaavimmat toiminnot. Se ei tarvitse tähän mallia ympäristöstään. Yhdistettynä neuroverkkoihin (syvä Q-oppiminen) DeepMindin järjestelmä käytti tätä lähestymistapaa oppiakseen pelaamaan monia Atari-videopelejä pelkistä näytön pikseleistä.
Recall (eli herkkyys tai oikeiden positiivisten osuus) mittaa, kuinka suuren osan todellisista positiivisista tapauksista malli havaitsee: oikein tunnistetut positiiviset jaettuna kaikilla todellisilla positiivisilla. Jos petossuodatin havaitsee 80 sadasta todellisesta petostapauksesta, sen recall on 0,8. Korkea recall on tärkeä, kun huomaamatta jääneet tapaukset ovat kalliita, kuten lääketieteellisessä diagnostiikassa. Koska se ei huomioi vääriä hälytyksiä, sitä tarkastellaan yleensä yhdessä tarkkuuden (precision) kanssa, esimerkiksi F-arvossa.
Regularisointi kattaa tekniikat, jotka estävät mallia sovittumasta opetusdataansa liian tarkasti opetuksen aikana (ylisovittuminen). Esimerkkejä ovat suurten painojen rankaiseminen (L1- tai L2-regularisointi), neuronien satunnainen sammuttaminen (dropout) tai opetuksen pysäyttäminen oikealla hetkellä (early stopping). Tavoitteena on yksinkertaisempi malli, joka toimii luotettavammin uudessa, näkemättömässä datassa, vaikka se saisi opetusdatassa hieman heikomman tuloksen.
Rekurrentti neuroverkko käsittelee dataa järjestyksessä ja välittää sisäisen tilan vaiheesta toiseen – eräänlaisen lyhytkestoisen muistin. Tämä tekee siitä sopivan sekvensseille, kuten teksteille, puheelle tai aikasarjoille, esimerkiksi seuraavan sanan tai seuraavan anturilukeman ennustamiseen. Yksinkertaiset RNN:t unohtavat helposti kaukaa tulevaa tietoa; variantit, kuten LSTM ja GRU, lieventävät tätä. Kielimalleissa transformerit ovat suurelta osin syrjäyttäneet RNN:t.
Rekursiivinen kehotesuunnittelu tarkoittaa tekniikoita, joissa kielimallin tuloste syötetään takaisin uutena syötteenä – esimerkiksi luonnoksen tarkistamiseksi ja muokkaamiseksi tai suuren tehtävän jakamiseksi askel askeleelta osatehtäviin. Esimerkiksi ensin tuotetaan tarjousluonnos, malli arvioi sen tarkistuslistaa vasten ja lopuksi se parannetaan. Tämä parantaa laatua usein, mutta vie ylimääräistä käsittelyaikaa ja tarvitsee selkeän lopetusehdon.
Remote MCP tarkoittaa MCP-palvelinta, joka ei toimi paikallisesti omalla tietokoneellasi vaan on tavoitettavissa internetin yli HTTP:n kautta. Model Context Protocol on avoin standardi, jonka avulla tekoälysovellukset voivat käyttää ulkoisia työkaluja ja dataa; etäpalvelimia varten määrittely tarjoaa ”Streamable HTTP” -siirtotavan ja todennuksen, esimerkiksi OAuthilla tai API-avaimella. Etuna on, että keskitetysti isännöity palvelu on usean käyttäjän ja tekoälyohjelman käytettävissä ilman paikallista asennusta.
Return on AI kuvaa tekoälyn käyttöönoton taloudellista tuottoa suhteessa sen kustannuksiin. Yksinkertainen summittainen laskelma on: kuukaudessa säästetyt tunnit × tuntihinta, miinus lisenssien, mallin käytön, käyttöönoton ja tuen kustannukset. Jos 200 pyyntöä käsittelevällä tiimillä menee pyyntöä kohden 4 minuuttia 10 minuutin sijaan, se säästää 20 tuntia kuukaudessa. Tällaiset laskelmat jäävät arvioiksi; myös laatu, virheprosentit ja perehdytysaika tulee ottaa huomioon.
Riippuvuusjäsennys on luonnollisen kielen käsittelyn tekniikka, joka kuvaa lauseen kieliopillisen rakenteen sanojen välisinä riippuvuuksina. Jokainen sana liitetään hallitsevaan sanaan, esimerkiksi subjekti ja objekti verbiin: lauseessa ”Asiakas tilaa kaksi lamppua” sanat ”asiakas” ja ”lamppua” riippuvat sanasta ”tilaa”. Tämä auttaa tiedonpoiminnassa, esimerkiksi kun selvitetään, kuka teki mitä.
Ristientropia (cross-entropy) on informaatioteorian mitta, joka ilmaisee, kuinka paljon ennustettu todennäköisyysjakauma poikkeaa todellisesta. Koneoppimisessa se on yleisin tappiofunktio luokittelutehtävissä ja myös kielimalleille, jotka ennustavat seuraavan tokenin. Se rankaisee erityisen kovasti itsevarmoja virheellisiä ennusteita: 99 %:n antaminen väärälle luokalle tuottaa paljon suuremman tappion kuin 60 %:n antaminen.
Ristiinvalidointi on menetelmä, jolla tarkistetaan, kuinka hyvin malli yleistyy uuteen, näkemättömään dataan. K-kertaisessa ristiinvalidoinnissa data jaetaan k osaan; malli koulutetaan k kertaa k−1 osalla ja testataan kullakin kerralla jäljellä olevalla osalla, minkä jälkeen tulokset keskiarvoistetaan. Tämä auttaa havaitsemaan ylisovittamisen ja vertailemaan malleja tai asetuksia reilusti, erityisesti kun dataa on vähän.
ROC-käyrä (receiver operating characteristic) näyttää, kuinka hyvin luokittelumalli erottaa kaksi luokkaa toisistaan. Se piirtää jokaiselle mahdolliselle päätöskynnykselle oikeiden positiivisten osuuden (recall) vääriä positiivisia vastaan. Mitä lähempänä käyrä on vasenta yläkulmaa, sen parempi; lävistäjä vastaa pelkkää arvausta. Sen alle jäävä pinta-ala (AUC) tiivistää käyrän yhteen lukuun ja auttaa esimerkiksi eri petostentunnistusmallien vertailussa.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) on mittariperhe, jolla automaattisesti tuotettuja tekstejä – erityisesti tiivistelmiä – verrataan ihmisten kirjoittamiin vertailutekstehin. Se mittaa, kuinka monta sanaa tai sanajonoa on päällekkäisiä, esimerkiksi yksittäisiä sanoja ROUGE-1:ssä tai pisintä yhteistä osajonoa ROUGE-L:ssä. Pistemäärä lasketaan nopeasti, mutta se ei luotettavasti tavoita samaa tarkoittavia parafraaseja eikä asiasisällön paikkansapitävyyttä.
Ruumiillistuneilla tekoälyagenteilla on fyysinen tai simuloitu keho, jonka kautta ne havaitsevat ympäristönsä antureilla ja vaikuttavat siihen liikkeellä. Esimerkkejä ovat varasto- ja kotirobotit, humanoidirobotit ja simulaatioiden hahmot, joissa robotteja koulutetaan ennen käyttöä todellisessa maailmassa. Haaste on havainnoinnin, suunnittelun ja turvallisen toiminnan yhdistäminen arvaamattomassa maailmassa.
Rytr on vuodesta 2021 saatavilla ollut tekoälykirjoitusavustaja, joka tuottaa lyhyitä markkinointi- ja arkitekstejä. Käyttäjä valitsee käyttötarkoituksen – esimerkiksi sähköpostin, tuotekuvauksen, somejulkaisun tai blogin rungon –, sävyn ja yhden yli 30 kielestä; editori auttaa uudelleenmuotoilussa, lyhentämisessä tai laajentamisessa. Rajatun merkkimäärän ilmaisversion rinnalla on maksullisia paketteja (tilanne: lokakuu 2026). Kuten kaikkien vastaavien työkalujen kohdalla, tulokset tulee tarkistaa ennen julkaisua.
Saavutuskansio (brag book) on jatkuvasti päivitettävä kokoelma omista ammatillisista saavutuksista: valmiit projektit, mittarit, myönteinen palaute, palkinnot ja koulutukset. Se toimii pohjana kehityskeskusteluille, palkkaneuvotteluille, työhakemuksille tai ylennyksille. Toimiva rakenne on tilanne, tehtävä, toiminta ja tulos. Mukaan kannattaa ottaa vain todennettavissa olevia tietoja, eikä lukuja pidä kaunistella.
Sanaluokkien merkintä (part-of-speech tagging) liittää automaattisesti jokaiseen lauseen sanaan sen kieliopillisen luokan, kuten substantiivi, verbi, adjektiivi tai prepositio. Koska monet sanat ovat monitulkintaisia (esimerkiksi ”kuusi” numerona tai puuna), menetelmät huomioivat lauseyhteyden. POS-merkintä on klassinen esikäsittelyvaihe jäsennykselle, tiedonpoiminnalle tai oikoluvulle, ja sitä tarjoavat kirjastot, kuten spaCy ja NLTK.
Sanaupotukset (word embeddings) esittävät sanat numeerisina vektoreina niin, että samankaltaista tarkoittavat sanat, kuten ”auto” ja ”ajoneuvo”, sijaitsevat vektoriavaruudessa lähellä toisiaan. Menetelmät, kuten Word2Vec tai GloVe, oppivat nämä vektorit suurista tekstimääristä. Ne olivat tärkeä askel kielenkäsittelyssä, esimerkiksi haussa tai luokittelussa; nykyiset kielimallit käyttävät kontekstuaalisia upotuksia, joissa sana esitetään eri tavoin lauseesta riippuen.
Satunnaismetsäregressio ennustaa numeerisia arvoja yhdistämällä useita päätöspuita. Kukin puu opetetaan datan satunnaisotoksella ja satunnaisesti valituilla piirteillä; tulos on kaikkien puiden ennusteiden keskiarvo. Tämä tekee menetelmästä kestävämmän ja vähemmän ylisovittumisalttiin kuin yksittäinen puu. Sitä käytetään esimerkiksi myyntiennusteisiin, hinta-arvioihin tai energiantarpeen arviointiin – usein vankkana lähtökohtana taulukkomuotoiselle datalle.
Scikit-learn on avoimen lähdekoodin Python-kirjasto klassiseen koneoppimiseen. Se tarjoaa yhtenäiset työkalut luokitteluun, regressioon, klusterointiin, ulottuvuuksien vähentämiseen, datan esikäsittelyyn ja mallien arviointiin, kuten ristiinvalidointiin. NumPyn ja SciPyn varaan rakennettuna sitä käytetään laajasti opetuksessa, tutkimuksessa ja käytännössä yksinkertaisen, yhtenäisen rajapintansa ansiosta. Syviin neuroverkkoihin valitaan yleensä sen sijaan kehyksiä, kuten PyTorch tai TensorFlow.
Sekaannusmatriisi (confusion matrix) on taulukko, joka vertaa luokittelijan ennusteita todellisiin luokkiin. Kahden luokan tapauksessa se näyttää oikeat positiiviset, väärät positiiviset, oikeat negatiiviset ja väärät negatiiviset. Siitä voidaan laskea mittareita, kuten tarkkuus, saanti ja F1-pistemäärä, ja selviää, millaisia virheitä syntyy. Esimerkki: roskapostisuodatin, joka merkitsee monta aitoa sähköpostia roskapostiksi, tuottaa paljon vääriä positiivisia, mikä on usein kalliimpaa kuin ohi päässyt roskaposti.
Sekvenssimallinnus kattaa menetelmät, jotka käsittelevät ja ennustavat dataa kiinteässä järjestyksessä, jossa kunkin alkion paikalla on merkitystä. Tyypillisiä sekvenssejä ovat teksti, puhuttu kieli, aikasarjat, kuten myynti tai anturilukemat, sekä DNA-jaksot. Sovellukset ulottuvat kääntämisestä ja tekstin tuottamisesta puheentunnistukseen ja myyntiennusteisiin. Tähän on käytetty piilomarkovmalleja ja rekurrentteja verkkoja; kielessä nykyään vallitsevat transformer-mallit.
Selitettävyys (explainable AI, XAI) kuvaa sitä, kuinka hyvin voidaan ymmärtää, miksi tekoälyjärjestelmä päätyi tiettyyn tulokseen. Se kattaa menetelmät, jotka osoittavat, mitkä syötteet vaikuttivat päätökseen eniten, sekä käytännön apuvälineet, kuten lähdeviitteet ja lokit. Selitettävyys on tärkeää luottamukselle, vianetsinnälle ja sääntelylle – esimerkiksi kun pankin on perusteltava, miksi hakemus hylättiin.
Semanttinen analyysi tutkii kielen merkitystä – ei vain sitä, mitä sanoja esiintyy, vaan sitä, mitä tarkoitetaan. Siihen kuuluu monitulkintaisten sanojen tulkitseminen oikein yhteydessään (esimerkiksi ”pankki” rahalaitoksena tai penkkana), käsitteiden välisten suhteiden tunnistaminen ja väitteiden luokittelu sisällön mukaan. Se on perustana sovelluksille, kuten asiakaspalautteen analysointi, kysymyksiin vastaaminen tai hakujärjestelmät, joiden tulee ymmärtää myös eri tavoin muotoillut, samaa tarkoittavat kyselyt.
Semanttinen segmentointi liittää luokan jokaiseen kuvan pikseliin, esimerkiksi tie, ajoneuvo, henkilö tai taivas. Tuloksena on eräänlainen värikoodattu kartta kuvan sisällöstä. Toisin kuin instanssisegmentoinnissa, samantyyppisiä kohteita ei erotella toisistaan: kolme autoa käsitellään yhdessä luokkana ”auto”. Sitä käytetään esimerkiksi autonomisessa ajamisessa, lääketieteellisessä kuvantamisessa kudosten rajaamiseen sekä ilma- ja satelliittikuvien analyysissä.
Sentimenttianalyysi määrittää automaattisesti tekstin ilmaiseman tunnelman tai asenteen – yleensä positiivisen, neutraalin tai negatiivisen, joskus hienojakoisempia tunteita. Yritykset käyttävät sitä suurten tuotearvostelu-, tukisähköposti-, kysely- tai somejulkaisumäärien arviointiin ja nähdäkseen nopeasti, missä asiakkaat ovat tyytyväisiä ja missä on ongelmia. Ironia, sarkasmi ja ristiriitaiset lausumat, kuten ”nopea toimitus, pettymys laadussa”, ovat edelleen vaikeita, joten ihmisten tulisi tarkistaa otoksia.
SEO-pistemäärä on mittari, jolla analyysityökalut arvioivat, kuinka hyvin verkkosivu on optimoitu hakukoneille – yleensä asteikolla 0–100. Tekijöitä voivat olla otsikot ja kuvaukset, otsikkorakenne, latausnopeus, mobiiliystävällisyys, sisäiset linkit ja jäsennelty data. Jokainen työkalu laskee pistemäärän eri tavalla; se ei ole Googlen virallinen arvio. Pistemäärä on siksi hyödyllinen parannusten tarkistuslistana, ei takuuna hyvistä sijoituksista.
Siemen (seed) on kuvamallin satunnaislukugeneraattorin alkuluku. Diffuusiomallit aloittavat satunnaisesta kuvakohinasta, josta kuva vähitellen muodostuu; siemen määrittää, miltä tämä alkukohina näyttää. Samalla siemenellä, kehotteella ja asetuksilla kuva voidaan pitkälti toistaa samassa mallissa. Tämä auttaa, kun kehotteessa muutetaan vain yhtä yksityiskohtaa tai kun onnistunut kuvavariantti halutaan luoda myöhemmin uudelleen.
Teknologinen singulariteetti on teoreettinen ajatus: hetki, jona tekoäly parantaa itseään niin nopeasti, ettei ihminen enää pysty ennustamaan tai hallitsemaan teknologista kehitystä. Käsitettä ovat popularisoineet kirjailija Vernor Vinge ja futuristi Ray Kurzweil. Tapahtuuko näin ja milloin, on tieteellisesti avoin ja kiistanalainen kysymys. Silti ajatus vaikuttaa keskusteluihin tekoälyn turvallisuudesta, sääntelystä ja pitkän aikavälin riskeistä.
Sisällön rikastaminen tarkoittaa rakenteen ja lisätietojen lisäämistä olemassa olevaan tekstiin, kuten otsikoita, jäsennystä, tiivistelmää, avainsanoja tai metatietoja. Tekoälymallit voivat tehdä tämän nopeasti ja johdonmukaisesti, jolloin sisältö on helpompi löytää, lukea ja käyttää uudelleen. Keskeinen sääntö on järjestää jo olemassa oleva sen sijaan, että keksittäisiin uusia faktoja. Esimerkki: karkeista kokousmuistiinpanoista tulee jäsennelty pöytäkirja tiivistelmineen.
Sovelluskohtainen integroitu piiri (ASIC) on siru, joka on suunniteltu yhteen tiettyyn tehtävään eikä yleiskäyttöiseen laskentaan kuten suoritin (CPU). Tekoälyssä ASIC-piirit räätälöidään neuroverkkojen laskutoimituksiin – esimerkiksi Googlen Tensor Processing Unit -piirit (TPU). Kyseisessä tehtävässä ne toimivat nopeammin ja energiatehokkaammin kuin yleiskäyttöiset sirut, mutta niiden kehittäminen on kallista ja niitä on vaikea mukauttaa uusiin työkuormiin.
spaCy on avoimen lähdekoodin Python-kirjasto luonnollisen kielen käsittelyyn, ja sen on kehittänyt berliiniläinen Explosion-yhtiö. Se jakaa tekstit sanoiksi ja lauseiksi, määrittää sanaluokat ja perusmuodot, analysoi lauserakenteen ja tunnistaa nimettyjä entiteettejä, kuten henkilöitä, yrityksiä tai paikkoja. Esikoulutettuja malleja on saatavilla monille kielille, myös saksalle. spaCy on suunniteltu nopeaksi ja käytettäväksi oikeissa sovelluksissa, esimerkiksi suurten asiakirjamäärien esikäsittelyyn.
Stable Diffusion on kuvantuottomallien perhe, joka luo kuvia tekstikuvauksesta. Ensimmäinen versio julkaistiin vuonna 2022, ja sen kehitystä johti Stability AI yhdessä tutkimuskumppaneiden kanssa. Teknisesti kyseessä on latentti diffuusiomalli, joka muuttaa kuvakohinaa vähitellen kuvaksi. Koska mallin painot on julkaistu, sitä voi ajaa ja mukauttaa paikallisesti; uudempien versioiden kaupallisesta käytöstä määrää Stability AI:n oma lisenssi (tilanne: lokakuu 2026).
Sumea vertailu (fuzzy matching) löytää merkintöjä, jotka ovat samankaltaisia mutta eivät täysin identtisiä – esimerkiksi kirjoitusvirheiden, lyhenteiden tai erilaisten kirjoitusasujen vuoksi. Se perustuu samankaltaisuusmittoihin, kuten Levenshtein-etäisyyteen, joka laskee, kuinka monta merkkiä on muutettava. Tyypillinen käyttö on kaksoiskappaleiden löytäminen osoite- ja asiakastiedoista: ”Virtanen Oy, Kauppakatu 5” ja ”Virtanen Osakeyhtiö, Kauppakatu 5” tunnistetaan todennäköisesti samaksi tietueeksi.
Suuri kielimalli (LLM) on neuroverkko, joka on koulutettu hyvin suurilla tekstimäärillä, jotta se ymmärtää ja tuottaa kieltä. Se toimii laskemalla askel askeleelta todennäköisimmän seuraavan tokenin. LLM:t kirjoittavat, tiivistävät, kääntävät, vastaavat kysymyksiin ja tuottavat koodia; tunnettuja esimerkkejä ovat Claude, GPT, Gemini ja Llama. Ilman pääsyä ajankohtaisiin lähteisiin ne tietävät vain sen, mitä niiden koulutusdatassa oli.
Synteettinen data tuotetaan keinotekoisesti eikä kerätä todellisessa maailmassa, mutta se jäljittelee oikean datan säännönmukaisuuksia ja ominaisuuksia. Se auttaa, kun aitoa dataa on vähän, se on kallista tai tietosuojan kannalta arkaluonteista – esimerkiksi ohjelmiston testaamisessa, mallien opettamisessa tai chatbotin tarkistamisessa realistisilla esimerkkikyselyillä. On tärkeää, että se heijastaa todellisuutta riittävän tarkasti eikä mahdollista johtopäätöksiä oikeista henkilöistä.
Syrjintä tekoälyssä tarkoittaa, että tekoälyjärjestelmä asettaa ihmiset perusteettomasti epäedulliseen asemaan esimerkiksi sukupuolen, etnisen alkuperän, iän tai vammaisuuden perusteella. Syynä on yleensä vinoutunut koulutusdata, sopimattomat sijaisominaisuudet, kuten postinumerot, tai testauksen puute; tunnettuja tapauksia on rekrytoinnista ja luotonannosta. Vastatoimia ovat edustava data, säännöllinen reiluustestaus, läpinäkyvyys ja ihmisiä koskevien päätösten inhimillinen valvonta.
Syvyyden arviointi määrittää kuvista, kuinka kaukana kohteet tai yksittäiset pikselit ovat kamerasta. Se voidaan tehdä kahdella kameralla (stereo), syvyysantureilla tai neuroverkoilla jopa yhdestä valokuvasta (monokulaarinen syvyyden arviointi). Sitä tarvitaan robotiikassa, kuljettajan avustusjärjestelmissä, lisätyssä todellisuudessa ja huoneiden 3D-malleissa.
Syväoppiminen on koneoppimisen haara, joka käyttää tekoälyn keinotekoisia neuroverkkoja, joissa on monta kerrosta. Tällaiset verkot oppivat suurista datamääristä, mitkä piirteet ovat tärkeitä – kuvien reunoista tekstien merkityssuhteisiin. Syväoppiminen on nykyisten kielimallien, kuvan- ja puheentunnistuksen sekä konekäännöksen perusta, ja se vaatii yleensä paljon laskentatehoa ja koulutusdataa.
Talouspetosten tunnistus kattaa menetelmät, jotka paljastavat petollista toimintaa maksuissa, luottokorteissa, vakuutuksissa tai kirjanpidossa. Tekoälymallit oppivat laillisten tapahtumien tyypilliset kuviot ja merkitsevät poikkeamat – kuten epätavalliset summat, sijainnit tai ajankohdat – usein reaaliajassa. Oikean tasapainon löytäminen havaittujen petosten ja vääräin hälytysten välillä on olennaista. Epäilyttävät tapaukset tulee tarkistaa ihmisen toimesta, ennen kuin tilejä jäädytetään tai maksuja hylätään.
TAM-analyysi arvioi koko saavutettavissa olevan markkinan (total addressable market): koko liikevaihdon, jonka tarjooma voisi teoriassa tuottaa. Ylhäältä alas -lähestymistavassa luvut johdetaan markkinatutkimuksista, alhaalta ylös -lähestymistavassa potentiaalisten asiakkaiden määrä kerrotaan odotetulla hinnalla. Yhdessä SAM:n (palveltavissa oleva markkina) ja SOM:n (realistisesti saavutettavissa oleva osuus) kanssa se tukee investointi- ja suunnittelupäätöksiä, mutta on mielekäs vain, kun oletukset ja vaihteluvälit ovat läpinäkyviä eikä esitetä näennäistä tarkkuutta.
”Tarkoititko” (did you mean, DYM) on hakutoiminto, joka ehdottaa korjattua kyselyä, kun syöte vaikuttaa kirjoitusvirheelliseltä tai epätavalliselta. Se perustuu sanojen välisiin samankaltaisuusmittoihin, kielimalleihin ja yleisten hakujen analyysiin. Esimerkki: kun joku kirjoittaa verkkokauppaan ”kahvikne”, hän näkee ”Tarkoititko: kahvikone?”. Toiminto vähentää tyhjiä tulossivuja ja parantaa siten hakukokemusta.
Termi kuvaa, miten tekoälyjärjestelmät voivat vaikuttaa ihmisoikeuksiin, kuten yksityisyyteen, yhdenvertaiseen kohteluun, sananvapauteen tai oikeudenmukaiseen oikeudenkäyntiin, sekä myönteisesti että kielteisesti. Riskejä syntyy esimerkiksi syrjivistä päätöksistä, massavalvonnasta, biometrisestä tunnistuksesta tai keinojen puutteesta päätösten riitauttamiseen. Näihin kysymyksiin vastaavat kansainväliset kehykset, kuten Euroopan neuvoston tekoälyä koskeva puitesopimus ja EU:n tekoälysäädös. Organisaatiot vastaavat vaikutustenarvioinneilla, läpinäkyvyydellä ja inhimillisellä valvonnalla.
Tekoälyllä kyberturvallisuudessa on kaksi puolta. Toisaalta tekoälytekniikat auttavat havaitsemaan hyökkäykset nopeammin, esimerkiksi tunnistamalla poikkeamia verkkoliikenteestä, epäilyttäviä kirjautumisia tai tietojenkalastelusähköposteja, ja keventävät tietoturvatiimien työtä hälytysten priorisoinnissa. Toisaalta itse tekoälyjärjestelmät on suojattava, esimerkiksi kehoteinjektiolta tai tietovuodoilta. Tekoäly on tehokas tässä vain yhdessä selkeiden prosessien, ajantasaisten järjestelmien ja koulutettujen ihmisten kanssa.
Tekoäly liikenteessä kattaa sovelluksia logistiikassa, liikenteessä ja liikkumisessa: reitti- ja kierrossuunnittelu, liikenne-ennusteet, ajoneuvojen ja infrastruktuurin ennakoiva kunnossapito sekä kuljettajan avustusjärjestelmät aina autonomisiin ajoneuvoihin asti. Tavoitteena ovat lyhyemmät reitit, vähemmän tyhjänä ajoa, pienemmät kustannukset ja parempi turvallisuus. Monet sovellukset ovat turvallisuuskriittisiä ja siksi tiukasti säänneltyjä. Esimerkki: pakettipalvelu suunnittelee jakelukierrokset uudelleen päivittäin lähetysmäärän ja liikennetilanteen perusteella.
Tekoäly terveydenhuollossa kattaa sovelluksia, jotka tukevat kliinistä henkilökuntaa ja hallintoa, esimerkiksi lääketieteellisten kuvien analysoinnissa, dokumentoinnissa, ajanvarauksessa tai tutkimusdatan arvioinnissa. Tällaiset järjestelmät antavat vihjeitä ja keventävät työtaakkaa, mutta ne eivät korvaa kliinistä harkintaa eivätkä lupaa parannuksia. Monet lääketieteelliset tekoälysovellukset kuuluvat lääkinnällisten laitteiden sääntelyn ja terveystietoja koskevien tiukkojen tietosuojasääntöjen piiriin. Esimerkki: ohjelmisto korostaa röntgenkuvista poikkeavia alueita asiantuntijoiden tarkistettavaksi.
Tekoäly valmistuksessa kattaa sovelluksia tuotannossa ja teollisuudessa, kuten anturidataan perustuvan ennakoivan kunnossapidon, automaattisen kamerapohjaisen laaduntarkastuksen, prosessiparametrien ja tuotannonsuunnittelun optimoinnin sekä ihmisten rinnalla työskentelevät robotit. Tavoitteena ovat vähemmän seisokkeja, vähemmän hukkaa ja vakaampi toiminta. Tämä edellyttää luotettavaa konedataa ja tuotantolattian asiantuntijoiden osallistumista. Esimerkki: järjestelmä tunnistaa tärinäkuvioista, että laakeri voi pian vikaantua.
Tekoäly viihteessä tarkoittaa tekoälyn käyttöä elokuvissa, musiikissa, peleissä, suoratoistossa ja mediassa. Tyypillisiä sovelluksia ovat suosittelujärjestelmät, jotka ehdottavat sisältöä maun mukaan, tuki leikkaukselle, visuaalisille tehosteille ja dubbaukselle, generoidut pelimaailmat tai hahmot sekä musiikin ja kuvien luonti. Samalla se herättää kysymyksiä tekijänoikeuksista, esiintyjien suostumuksesta ja deepfakeista. Esimerkki: suoratoistoalusta räätälöi etusivunsa jokaiselle profiilille.
Tekoäly vähittäiskaupassa kattaa sovelluksia koko vähittäiskaupan ketjussa: myyntiennusteet ja varastosuunnittelu, henkilökohtaiset tuotesuositukset, dynaaminen hinnoittelu, verkkokauppojen petosten tunnistus ja asiakaspalvelu chatin kautta. Kauppiaat voivat vähentää ylivarastoja ja tuotepulaa ja vastata kyselyihin nopeammin. Tämä edellyttää puhdasta dataa ja huolellista asiakastietojen käsittelyä. Esimerkki: chat-avustaja vastaa toimitusaikoja ja palautuksia koskeviin kysymyksiin ympäri vuorokauden.
Tekoäly-SDR (sales development representative) on tekoälyagentti, joka hoitaa myynnin alkuvaiheen tehtäviä: vastaa saapuviin kyselyihin, kvalifioi potentiaalisia asiakkaita, laatii puhelukäsikirjoituksia ja seurantasähköposteja tai valmistelee tapaamisia. Se keventää myyntitiimin työtä mutta ei korvaa heidän harkintaansa ja suhdetyötään. Kun uusiin kontakteihin otetaan yhteyttä Saksassa ja EU:ssa, on noudatettava tietosuojaa ja kyselemättömän markkinoinnin kieltäviä sääntöjä.
Tekoälymalli, jolla on kiinteät ohjeet ja pääsy valittuun tietämykseen ja joka hoitaa tietyn tehtävän.
Tekoälyautomaatiojärjestelmä yhdistää perinteisen prosessiautomaation ja tekoälyn kyvyt, kuten tekstin ymmärtämisen, luokittelun tai päätöksenteon tuen. Näin voidaan automatisoida myös työnkulkuja, joiden syötteet ovat jäsentymätöntä, kuten sähköpostit, lomakkeet tai kyselyt. Tyypillinen rakenne on ketju, jossa on laukaisija, käsittelyvaiheet, ehdot ja tuloste sekä ihmisen hyväksyntä kriittisissä kohdissa. Esimerkki: saapuvat kyselyt luokitellaan, tiivistetään ja välitetään automaattisesti oikealle osastolle.
Tekoälyavusteinen sisällöntuotanto tarkoittaa tekstin, kuvien tai muun sisällön tuottamista generatiivisen tekoälyn avulla, esimerkiksi verkkosivuille, uutiskirjeisiin, tuotekuvauksiin tai sosiaaliseen mediaan. Tekoäly tuottaa nopeasti luonnoksia, vaihtoehtoja ja käännöksiä, kun taas aihepiirin asiantuntemus, brändin ääni ja faktantarkistus pysyvät ihmisen tehtävinä. Selkeät ohjeet yleisöstä, sävystä ja lähteistä auttavat. Esimerkki: ranskalaisista viivoista uudesta tarjoomasta syntyy blogikirjoituksen luonnos ja kolme some-julkaisua.
Tekoälybottien esto tarkoittaa sen estämistä, että tekoälyntarjoajien indeksointirobotit lukevat verkkosivustoasi, yleensä robots.txt-tiedoston säännöillä käyttäjäagenteille, kuten GPTBot, ClaudeBot tai Google-Extended. Tiedosto on pyyntö, ei tekninen este; tiukempi hallinta vaatii palomuuri- tai palvelinsääntöjä. Kompromissi: esto suojaa sisältöä koulutuskäytöltä, mutta voi heikentää näkyvyyttä tekoälyhaussa ja tekoälyn tuottamissa vastauksissa. Usein on järkevää kohdella koulutusrobotteja ja hakurobotteja eri tavoin.
Tekoälydata-analyytikko on tekoälyjärjestelmä tai -avustaja, joka analysoi dataa, kuten taulukoita, vientejä tai tunnuslukuja, ja selittää tulokset selkeällä kielellä. Se laskee summia ja muutoksia, tunnistaa trendejä ja poikkeamia ja ehdottaa seuraavia askelia. Näin liiketoimintatiimit, joilla ei ole tilastollista asiantuntemusta, saavat vastauksia nopeammin. Kielimallit voivat kuitenkin tehdä laskuvirheitä, joten luvut tulee tarkistaa uudelleen. Esimerkki: kuukausimyynti liitetään CSV-muodossa ja siitä saadaan kommentit.
Tekoälyetiikka käsittelee tekoälyn kehittämiseen ja käyttöön liittyviä moraalikysymyksiä: reiluutta ja syrjintää, läpinäkyvyyttä ja selitettävyyttä, tietosuojaa, vastuuta virheistä, turvallisuutta sekä vaikutuksia työhön ja yhteiskuntaan. Organisaatioille se konkretisoituu ohjeistuksina, riskinarviointeina, inhimillisenä valvontana ja avoimena viestintänä tekoälyn rajoituksista. Esimerkki: ennen ansioluettelojen seulontatyökalun käyttöönottoa tarkistetaan, asettaako se tietyt ryhmät epäedulliseen asemaan.
Tekoälyhaku viittaa hakumenetelmiin, jotka käyttävät tekoälyä ymmärtääkseen kyselyn taustalla olevan tarkoituksen, painottaakseen tuloksia ja usein tuottaakseen tiivistetyn lähteillä varustetun vastauksen pelkän linkkilistan sijaan. Teknisesti ne käyttävät avainsanahakua, upotuksiin perustuvaa vektorihakua tai niiden yhdistelmää, usein kielimallin kanssa. Esimerkkejä ovat verkon vastausmoottorit ja sisäinen tietohaku, joka auttaa henkilöstöä löytämään tarvitsemansa käsikirjoista ja ohjeista.
Tekoälyjärjestelmäinsinööri suunnittelee ja ylläpitää tekoälysovelluksia kokonaisjärjestelmänä: yhdistää malleja tietolähteisiin, rajapintoihin ja olemassa oleviin ohjelmistoihin, varmistaa tietoturvan, seurannan ja kustannusten hallinnan sekä siirtää prototyypit vakaaseen tuotantokäyttöön. Toisin kuin pelkässä mallikehityksessä, painopiste on integraatiossa. Yksi esimerkki on tukiagentin yhdistäminen tikettijärjestelmään lokitus ja käyttöoikeudet mukaan lukien.
Tekoälykonsultti auttaa organisaatioita käyttämään tekoälyä järkevästi ja vastuullisesti. Tyypillisiä tehtäviä ovat potentiaalin arviointi, sopivien käyttötapausten ja työkalujen valinta, niiden liittäminen olemassa oleviin prosesseihin ja vastuisiin, tietosuoja- ja vaatimustenmukaisuuskysymykset sekä koulutus. Hyvä konsultointi punnitsee hyödyt ja riskit tyynesti ja ottaa huomioon järjestelmien kanssa työskentelevät ihmiset. Esimerkki: keskisuuri yritys selvittää, mitkä asiakaskyselyt voidaan automatisoida luotettavasti.
Tekoälykumppanuus on organisaatioiden välinen yhteistyö tekoälyratkaisujen kehittämiseksi, käyttöönottamiseksi tai vastuulliseksi muotoilemiseksi yhdessä, esimerkiksi yritysten ja teknologiatoimittajien, yliopistojen tai tutkimuslaitosten välillä. Kumppanit jakavat asiantuntemusta, dataa, infrastruktuuria tai kustannuksia. Selkeät sopimukset datan käytöstä, immateriaalioikeuksista, vastuusta ja irtautumisvaihtoehdoista ovat olennaisia. Termi viittaa myös aloitteisiin, kuten Partnership on AI, vuonna 2016 perustettu voittoa tavoittelematon organisaatio.
Tarkkuus kuvaa, kuinka usein tekoälymalli tuottaa oikeita tuloksia; vakaus kuvaa, kuinka luotettavasti tämä suorituskyky säilyy – hieman muuttuneilla syötteillä, uudella datalla tai ajan mittaan. Malli voi olla testissä hyvin tarkka mutta epävakaa, jos pelkkä kysymyksen uudelleenmuotoilu johtaa eri vastaukseen. Todellisessa käytössä molempia ominaisuuksia tarkistetaan kiinteillä testitapauksilla, ristiinvalidoinnilla ja jatkuvalla seurannalla.
Tekoälyn käyttöönottoaste kertoo, kuinka suuri osa yrityksistä, työntekijöistä tai kotitalouksista käyttää tekoälyä, ja toimii mittarina teknologian leviämiselle. Saksan liittovaltion tilastoviraston (Destatis) mukaan 20 prosenttia vähintään kymmenen työntekijän saksalaisyrityksistä käytti tekoälyä vuonna 2024 (2023: 12 %). Digitaaliyhdistys Bitkom havaitsi vuonna 2025 osuudeksi 36 prosenttia vähintään 20 työntekijän yrityksissä. Erilaisten määritelmien ja otosten vuoksi tutkimukset ovat vain osittain vertailukelpoisia.
Tekoälyn laadunvarmistusasiantuntija tarkistaa, toimivatko tekoälysovellukset luotettavasti, oikein ja tarkoituksenmukaisesti. Tehtävään kuuluvat testikysymykset ja benchmarkit, eri mallien vertailu, käyttäjäarvioiden analysointi sekä hallusinaatioiden ja ajan myötä tapahtuvan heikkenemisen havaitseminen. Esimerkiksi ennen uuteen malliin siirtymistä 50 tyypilliseen asiakaskyselyyn vastataan molemmilla malleilla ja vastauksia verrataan kiinteisiin kriteereihin.
Tekoälyn läpinäkyvyys tarkoittaa sen kertomista, milloin tekoäly on mukana, mihin dataan ja lähteisiin sen tulokset perustuvat ja miten päätöksiin päädytään. Tähän kuuluvat tekoälysisällön merkitseminen, jäljitettävät lähdeviitteet, lokit ja dokumentoidut muutokset. Läpinäkyvyys rakentaa luottamusta, helpottaa vianetsintää ja on osittain lakisääteistä, esimerkiksi EU:n tekoälysäädöksen läpinäkyvyysvelvoitteiden mukaisesti, joiden nojalla ihmisten tulisi voida havaita olevansa vuorovaikutuksessa tekoälyn kanssa.
Tekoälyn red teaming on tekoälyjärjestelmän jäsennelty tarkastelu mahdollisten hyökkääjien tai väärinkäytön näkökulmasta. Asiantuntijat testaavat hallitusti, paljastaako chatbot luottamuksellisia ohjeita, voiko sen johdattaa ei-toivottuun käytökseen, antaako se vääriä faktoja tai paljastaako se tietoja. Havainnot hyödynnetään parempina kehotteina, suodattimina ja käyttöoikeuksina. Chatbotin tietoturva-auditointi on kevyempi muoto: siinä arvioidaan konfiguraatiota ja esimerkkikeskusteluja tunnettuja riskialueita vasten, kuten LLM-sovellusten OWASP Top 10 -listaa.
Tekoälyn sertifiointiprosessit ovat menettelyjä, joissa riippumaton taho tarkistaa, täyttääkö organisaatio tai tekoälyjärjestelmä määritellyt vaatimukset. Laajasti käytetty esimerkki on ISO/IEC 42001 -sertifiointi (julkaistu 2023), joka kuvaa johtamisjärjestelmän tekoälyn vastuulliseen käyttöön; sertifiointielimiä koskevat vaatimukset on esitetty standardissa ISO/IEC 42006 (2025). Tällainen sertifikaatti on vapaaehtoinen, eikä se korvaa vaatimustenmukaisuuden arviointia, jota EU:n tekoälysäädös edellyttää korkean riskin järjestelmiltä (tilanne lokakuussa 2026).
Tekoälyn sääntelykehys koostuu laeista, standardeista ja valvontarakenteista, jotka ohjaavat tekoälyn kehittämistä ja käyttöä. EU:ssa keskeinen laki on tekoälysäädös (asetus (EU) 2024/1689), joka noudattaa riskiperusteista lähestymistapaa: kiellot ovat olleet voimassa helmikuusta 2025, yleiskäyttöisiä tekoälymalleja koskevat velvoitteet elokuusta 2025 ja läpinäkyvyysvelvoitteet elokuusta 2026. ”Digital Omnibus” -paketin (asetus (EU) 2026/1744) jälkeen korkean riskin velvoitteita sovelletaan 2. joulukuuta 2027 tai 2. elokuuta 2028 alkaen (tilanne lokakuussa 2026; ei oikeudellista neuvontaa).
Termi kattaa tekoälyn käytön taloudelliset seuraukset: tuottavuuden kasvun, uudet tuotteet ja liiketoimintamallit, muuttuvat tehtävät ja osaamisvaatimukset sekä kilpailun muutokset. Näiden vaikutusten laajuudesta ja jakautumisesta kiistellään, ja ne riippuvat vahvasti toimialasta, investoinneista ja koulutuksesta. Yksittäisille organisaatioille ratkaisevinta on tiettyjen sovellusten mitattava hyöty. Esimerkki: lyhyemmät käsittelyajat asiakaspalvelussa pienentävät kustannuksia kyselyä kohti.
Tekoälyn tunkeutumistesti on tilattu, hallittu tietoturvatarkastus, jossa asiantuntijat tutkivat tarkoituksella tekoälyjärjestelmän heikkouksia, kuten kehoteinjektiota, luottamuksellisten tietojen vuotamista tai agenttia, jolla on liialliset oikeudet. Toisin kuin laajempi red teaming, se keskittyy selkeästi rajattuun kohteeseen, ja löydökset sekä korjaustoimet dokumentoidaan. Se kannattaa tehdä ennen chatbotin käyttöönottoa ja suurten muutosten jälkeen.
Tekoälyn valvontaviranomaiset ovat julkisia elimiä, jotka valvovat tekoälysääntöjen noudattamista. EU-tasolla Euroopan komission tekoälytoimisto koordinoi tekoälysäädöksen täytäntöönpanoa ja valvoo yleiskäyttöisiä tekoälymalleja. Saksassa täytäntöönpanolaki KI-MIG (voimassa 29. heinäkuuta 2026 alkaen) tekee liittovaltion verkkovirastosta (Bundesnetzagentur) keskeisen markkinavalvontaviranomaisen, kun taas alakohtaiset valvojat, kuten BaFin, pysyvät vastuullisina. Digital Omnibus -paketin mukaan korkean riskin velvoitteita sovelletaan vasta joulukuusta 2027 tai elokuusta 2028 alkaen (tilanne lokakuussa 2026; ei oikeudellista neuvontaa).
Tekoälypalomuuri on suojakerros käyttäjien, tietolähteiden ja tekoälymallin välissä. Se seuloo syötteistä manipulointiyritykset, kuten kehoteinjektion tai jailbreakit, ja tarkistaa tulosteet, esimerkiksi luottamuksellisen datan tai ei-toivotun sisällön varalta, ennen kuin ne välitetään eteenpäin. Se voi käyttää sääntöjä, luokittelumalleja tai toista kielimallia. Tekoälypalomuuri pienentää riskiä mutta ei tarjoa täydellistä suojaa eikä korvaa rajattuja oikeuksia tai testausta.
Tekoälypohjainen markkinasegmentointi käyttää tekoälyä markkinan tai asiakaskunnan jakamiseen ryhmiin, joilla on samankaltaisia ominaisuuksia, tarpeita tai käyttäytymistä. Perinteisesti tämä tehdään klusterointimenetelmillä asiakasdatasta; kielimallit voivat lisäksi johtaa segmenttejä kuvauksista, kyselyistä tai tiedusteluista ja ehdottaa viestejä ja kanavia. Tulokset ovat hypoteeseja, jotka tulee validoida oikealla datalla. Esimerkki: ohjelmistotoimittaja erottaa hintatietoiset aloittelijat kasvuhakuisista tiimeistä.
Tekoälypohjainen markkinointi käyttää tekoälytekniikoita kohderyhmien ymmärtämiseen, sisällön luomiseen ja kampanjoiden hallintaan. Tyypillisiä sovelluksia ovat segmentointi, personoitu viestintä, ostotodennäköisyyden ennusteet, asiakaspalautteen analyysi ja mainonnan optimointi. Se perustuu laillisesti kerättyyn dataan ja selkeisiin tavoitteisiin, ja tulokset tulee varmistaa testaamalla. Esimerkki: verkkokauppa lähettää uutiskirjeitä, joiden tuotesuositukset vastaavat aiempaa ostokäyttäytymistä.
Tekoälypohjainen opiskelijapalaute tarkoittaa tekoälyjärjestelmän määriteltyjen kriteerien pohjalta tuottamia kommentteja esseisiin, tehtäviin tai projekteihin. Oppijat saavat nopeammin vihjeitä vahvuuksista, rakenteesta, argumentaatiosta tai kielestä, ja opettajien toistuva arviointityö kevenee. Arvioinnin tulee olla läpinäkyvää ja kriteeripohjaista; arvosanat ja suoritusta koskevat päätökset pysyvät opettajien vastuulla. Esimerkki: esseeluonnos saa parannusehdotuksia ennen palautusta.
Tekoälyprojektien johtaminen tutkimuksessa ja tuotekehityksessä kattaa kaksi asiaa: sellaisten projektien ohjaamisen, joissa tekoälyä rakennetaan, ja tekoälyn käytön T&K-projektien tukena. Tyypillisiä tehtäviä ovat kirjallisuuden tiivistäminen, koesuunnitelmien jäsentäminen, välitavoitteiden seuranta ja tulosten dokumentointi. Asiantuntijapäätökset ja hyväksynnät tulee jättää ihmisille.
Tekoälyprototyyppi on tekoälysovelluksen varhainen toimiva versio, jonka avulla tiimi voi testata ideaa nopeasti ja edullisesti. Kuukausien suunnittelun sijaan asiaa kokeillaan oikealla datalla ja oikeilla käyttäjillä, jolloin nähdään, ratkaiseeko tekoäly tehtävän riittävän luotettavasti, mitä dataa puuttuu ja mitä arvoa se tuottaa. Esimerkki: asiakaskyselyjä esilajitteleva avustaja kokeillaan osalla saapuneista viesteistä kahden viikon ajan, ennen kuin päätetään laajemmasta käyttöönotosta.
Työnkulun lohko, joka liittää tekstin yhteen useista luokista ja haarautuu sen mukaan.
Tilanne: lokakuu 2026. Teknisesti painopiste siirtyy chatboteista tekoälyagentteihin, jotka hoitavat monivaiheisia tehtäviä ja käyttävät työkaluja standardien, kuten Model Context Protocolin, kautta. Crunchbasen tietojen mukaan noin 64 % maailmanlaajuisesta riskipääomarahoituksesta meni vuoden 2026 kolmannella neljänneksellä tekoälystartupeille. EU:ssa yleiskäyttöisten tekoälymallien velvoitteita on sovellettu elokuusta 2025 lähtien; korkean riskin järjestelmien määräaikoja siirrettiin joulukuuhun 2027 ja elokuuhun 2028.
Tekoälytutkimuksen apurahat ja rahoitus tukevat tekoälyyn liittyviä tutkimushankkeita, uran alkuvaiheen tutkimusryhmiä tai yhteistyöhankkeita. Saksassa esimerkiksi Saksan tutkimussäätiö (DFG) rahoittaa Emmy Noether -ryhmiä tekoälymenetelmien parissa tekoälyaloitteensa puitteissa, kun taas liittovaltion tutkimus-, teknologia- ja avaruusministeriö (BMFTR) myöntää rahoitusta aihekohtaisten rahoitusohjeiden kautta. EU-tasolla Horisontti Eurooppa ja Euroopan tutkimusneuvosto (ERC) järjestävät hakuja. Määräajat ja ehdot muuttuvat jatkuvasti (tilanne lokakuussa 2026).
Tekoälyvetoinen startup on nuori yritys, jonka tuote tai liiketoimintamalli perustuu pohjimmiltaan tekoälyyn, esimerkiksi toimialalle erikoistuneisiin avustajiin, analytiikkatyökaluihin tai automatisoituihin palveluihin. Tällaiset startupit rakentavat usein olemassa olevien perustamallien päälle ja erottuvat toimialaosaamisella, datalla, käytettävyydellä ja integraatiolla. Haasteita ovat riippuvuus mallien tarjoajista, pyyntökohtaiset kustannukset ja sääntely. Esimerkki: startup, joka laatii tarkastusraportteja automaattisesti käsityöyrityksille.
Tekstin luokittelu liittää tekstit automaattisesti ennalta määriteltyihin luokkiin, esimerkiksi sähköpostit pyynnön tyypin mukaan, arvostelut sentimentin mukaan tai asiakirjat aiheen mukaan. Aiemmin tämä edellytti omien mallien opettamista luokiteltujen esimerkkien avulla; nykyään suuret kielimallit pystyvät usein määrittämään luokan pelkän kuvauksen perusteella. Tämä mahdollistaa tiedustelujen esilajittelun ja nopeamman ohjaamisen oikealle tiimille.
Automaattisessa tekstin tiivistämisessä tekoäly tiivistää pitkät tekstit pääkohtiinsa. Poimivat menetelmät kopioivat tärkeät lauseet sanasta sanaan, kun taas uudelleenkirjoittavat menetelmät muotoilevat sisällön uudelleen; suuret kielimallit toimivat pääasiassa uudelleenkirjoittaen. Tämä on hyödyllistä pöytäkirjoissa, raporteissa tai pitkissä sähköpostiketjuissa; tärkeissä päätöksissä tiivistelmä tulee tarkistaa alkuperäistä vasten.
Tekstin tuottaminen on tekstin automaattista tuottamista tekoälyllä, nykyään yleensä suurilla kielimalleilla, jotka laskevat todennäköisimmän jatkon sana sanalta. Se on luonnollisen kielen tuottamisen osa-alue ja generatiivisen tekoälyn ydinsovellus. Organisaatiot käyttävät sitä sähköpostien, raporttien tai tuotekuvausten luonnosteluun; tosiasiat ja luvut tulee tarkistaa ennen julkaisua.
TensorFlow on Googlen kehittämä ja vuonna 2015 julkaistu avoimen lähdekoodin koneoppimiskehys. Sillä rakennetaan, opetetaan ja otetaan käyttöön neuroverkkoja sovelluksissa, palvelimilla tai mobiililaitteilla. Keras tarjoaa helppokäyttöisen korkean tason rajapinnan; tyypillisiä käyttökohteita ovat kuvien luokittelu, ennustaminen ja suosittelujärjestelmät.
Tekstistä puheeksi (text-to-speech, TTS) muuntaa kirjoitetun tekstin puhutuksi kieleksi, ja se on puheentunnistuksen (puheesta tekstiksi) vastinpari. Nykyaikaiset järjestelmät käyttävät neuroverkkoja luonnollisen kuuloisten, sopivasti intonoitujen äänten tuottamiseen. TTS:ää käytetään puhelinkuulutuksissa, navigaattoreissa, esteettömien verkkosivujen ääneenlukutoiminnoissa ja ääniavustajissa.
Tiedonhaku kattaa menetelmät, jotka löytävät suuresta tekstimassasta kyselyyn sopivat dokumentit tai tekstikohdat ja järjestävät ne relevanssin mukaan. Klassiset lähestymistavat, kuten BM25, painottavat hakutermejä sen mukaan, kuinka usein ja kuinka harvoin ne esiintyvät; uudemmat lisäävät semanttisen samankaltaisuuden. Se on hakukoneiden, yrityshaun ja hakuun perustuvan generoinnin perusta, jossa kielimalli käyttää haettuja tekstikohtia vastauksensa pohjana.
Tiedonlouhinta on suurten aineistojen järjestelmällistä läpikäyntiä säännönmukaisuuksien, yhteyksien ja poikkeamien löytämiseksi. Siinä hyödynnetään tilastollisia menetelmiä ja koneoppimisen tekniikoita, kuten klusterointia, luokittelua tai assosiaatioanalyysia. Klassinen esimerkki on vähittäiskaupan ostoskorianalyysi, joka paljastaa, mitä tuotteita ostetaan usein yhdessä – perusta valikoimalle, sijoittelulle ja suosituksille.
Data governance tarkoittaa sääntöjä, rooleja ja prosesseja, joilla organisaatio määrittää, kuka saa kerätä, käyttää, muuttaa ja poistaa mitäkin tietoa. Se kattaa vastuun datan laadusta, käyttöoikeudet, säilytysajat ja tietosuojavaatimusten noudattamisen. Se on erityisen tärkeää tekoälyhankkeissa, koska mallit ja agentit ovat yhtä luotettavia kuin data, johon ne perustuvat.
Teksti, jonka KI.ordo jakaa kohtiin ja tekee agenttien haettavaksi.
Tietosuojasäännökset ovat oikeussääntöjä, jotka ohjaavat henkilötietojen käsittelyä. EU:ssa keskeinen kehys on yleinen tietosuoja-asetus (GDPR); se edellyttää muun muassa oikeusperustetta jokaiselle käsittelylle, tietojen minimointia, läpinäkyvyyttä rekisteröityjä kohtaan ja henkilötietojen käsittelysopimuksia palveluntarjoajien kanssa. Tekoälyä käytettäessä organisaatioiden on selvitettävä, mitä tietoja päätyy syötteisiin, tietolähteisiin ja lokeihin ja missä niitä käsitellään.
Tietämyksen katkaisupäivä (knowledge cutoff) on ajankohta, johon asti kielimallin opetusdata ulottuu. Mallilla ei ole luontaista tietoa sen jälkeen ilmaantuneista tapahtumista, hinnoista, laeista tai tuotteista, ja se voi antaa vanhentunutta tietoa, ellei sille anneta ajantasaista dataa. Tähän voidaan vastata menetelmillä, jotka tuovat omia asiakirjoja tai ajantasaista verkkosisältöä mukaan ajon aikana.
Kysymys, johon agentti ei löytänyt tietämyksestään mitään. KI.ordo kerää nämä, jotta voit täyttää aukot.
Tietämystekniikka kattaa asiantuntijatiedon keräämisen, jäsentämisen ja valmistelun siten, että tietojärjestelmät voivat käyttää sitä. Alun perin painopiste oli asiantuntijajärjestelmien säännöissä; nykyään tärkeintä on usein dokumentoida käsikirjoihin, prosessikuvauksiin ja ihmisten päihin hajaantunut tieto niin, että tekoälyagentit voivat vastata siitä luotettavasti. Tähän kuuluvat selkeät rakenteet, ajantasaiset lähteet, määritellyt vastuut ja tunnistettujen aukkojen paikkaaminen.
Yksikkö, jolla kielimallit laskevat tekstiä. Token on suunnilleen sanan osa; tekoälyn kustannukset perustuvat siihen.
Token on pienin tekstiyksikkö, jota kielimalli käsittelee, yleensä sanan osa, lyhyt sana tai välimerkki. Mallit lukevat syötteet ja tuottavat vastaukset token kerrallaan, ja kontekstikin koko mitataan tokeneina. Koska tarjoajat veloittavat syöte- ja tulostetokeneista, tokenit määräävät suoraan kustannukset ja rajat: pitkät ohjeet ja laaja taustatieto lisäävät kulutusta.
Token smuggling on jailbreak-tyyppinen hyökkäys, jossa ei-toivotut ohjeet naamioidaan, esimerkiksi pilkotaan osiin, koodataan uudelleen tai kirjoitetaan samannäköisillä merkeillä, jotta yksinkertaiset avainsanasuodattimet eivät havaitse niitä mutta kielimalli silti ymmärtää niiden merkityksen. Suojautumiskeinoja ovat syötteiden normalisointi ennen arviointia, sisältöön perustuvat eikä pelkästään sanapohjaiset tarkistukset, tulosteiden tarkastelu ja tekoälyagenteille annettavien oikeuksien pitäminen mahdollisimman vähäisinä.
Työtilan tekoälyn käytön kuukausittainen yläraja.
Top-k-tarkkuus mittaa, kuinka usein oikea vastaus on mallin k todennäköisimmän ehdotuksen joukossa. Top-1:ssä vain ensimmäinen ennuste lasketaan; top-5:ssä riittää, että oikea luokka on viiden parhaan joukossa, mikä on tunnettu mittari kuvantunnistuksen vertailuissa, kuten ImageNetissä. Se on hyödyllinen kaikkialla, missä käyttäjät näkevät useita ehdotuksia, esimerkiksi tuotesuosituksissa tai automaattisessa täydennyksessä.
Torch on avoimen lähdekoodin koneoppimiskehys, joka perustuu Lua-skriptikieleen; sen Torch7-versiota käytettiin laajasti tutkimuksessa ja teollisuudessa 2010-luvulla. Sitä pidetään PyTorchin edeltäjänä, joka omaksui Torchin ideoita ja osia sen C-kirjastoista mutta käyttää Pythonia. Virallisen repositorion mukaan Torchia ei enää kehitetä aktiivisesti, ja sillä on nykyään vain vähän merkitystä uusissa hankkeissa.
Siirto-oppimisessa malli, joka on jo oppinut suuren yleisen tehtävän, toimii lähtökohtana uudelle, erikoistuneelle mallille. Alusta aloittamisen sijaan se mukautetaan, esimerkiksi hienosäädöllä, suhteellisen vähällä omalla datalla. Tämä säästää laskenta-aikaa ja dataa, esimerkiksi kun yleiskuvamallin halutaan oppivan havaitsemaan tuotantovirheitä valokuvista.
Transformer on neuroverkkoarkkitehtuuri, joka esiteltiin vuonna 2017 tutkimusartikkelissa ”Attention Is All You Need”. Sen ytimessä on huomiomekanismi: jokaista sanaa painotetaan suhteessa kaikkiin muihin tekstin sanoihin, ja laskenta voidaan rinnakkaistaa tehokkaasti. Transformerit ovat nykyisten kielimallien, kuten GPT:n, Clauden ja BERTin, perusta, ja niitä käytetään myös kuvissa ja äänessä.
Turingin testi periytyy matemaatikko Alan Turingilta, joka kuvasi sen vuonna 1950 ”imitaatiopelinä”. Ihminen käy kirjoitettuja keskusteluja ihmisen ja koneen kanssa; jos hän ei pysty luotettavasti erottamaan, kumpi on kone, testi katsotaan läpäistyksi. Nykyiset kielimallit käyvät usein hyvin ihmismäisen kuuloisia keskusteluja, mutta testi kertoo vain vakuuttavasta kielestä, ei ymmärtämisestä tai luotettavuudesta.
Toisiinsa kytkettyjen vaiheiden sarja, joka toistuu, esimerkiksi ”yhteydenoton luokittelu ja vastaaminen”.
Ulottuvuuksien vähentäminen pienentää aineiston piirteiden määrää menettämättä olennaista tietoa. Tunnettuja menetelmiä ovat pääkomponenttianalyysi (PCA) sekä t-SNE ja UMAP, joita käytetään usein visualisointiin. Se nopeuttaa laskentaa, vähentää ylisovittamisen riskiä ja tekee datasta helpommin hahmotettavaa – esimerkiksi kun sadat asiakasominaisuudet kuvataan kaksiulotteiselle kaaviolle, jossa samankaltaiset asiakkaat sijaitsevat lähellä toisiaan.
Alisovittuminen (underfitting) tapahtuu, kun malli on liian yksinkertainen tavoittamaan datan riippuvuuksia. Silloin se tekee paljon virheitä sekä opetusdatassa että uudessa datassa, esimerkiksi kun suoralla yritetään kuvata selvästi kaareutuvaa kuviota. Keinoja ovat tehokkaampi malli, informatiivisemmat piirteet, pidempi opetus tai vähäisempi regularisointi; päinvastainen ongelma on ylisovittuminen.
Upotusvektori (embedding) on lukulista, joka esittää sanan, lauseen tai dokumentin merkityksen niin, että sisällöltään samankaltaiset tekstit sijaitsevat lähellä toisiaan. Tämän ansiosta voidaan tunnistaa esimerkiksi, että ”irtisanominen” ja ”sopimuksen päättäminen” liittyvät toisiinsa, vaikka niillä ei ole yhteisiä sanoja. Upotukset ovat monien semanttisten hakujärjestelmien, suositusjärjestelmien ja RAG-sovellusten perusta; ne lasketaan erityisesti koulutetuilla malleilla.
Net new business tarkoittaa liikevaihtoa, joka syntyy asiakkaista, joita ei aiemmin ollut, toisin kuin uusinnat, lisämyynti tai laajennukset olemassa olevien asiakkaiden kanssa. Mittari osoittaa, kuinka hyvin yritys avaa uusia markkinoita ja kohderyhmiä, ja myyntitiimit suunnittelevat ja palkitsevat sitä usein erikseen. Esimerkki: ohjelmistotoimittaja raportoi 40 % neljännesvuosittaisesta tilauskannan kertymästään uusasiakashankinnaksi.
Vahvistusoppiminen on koneoppimisen osa-alue, jossa agentti oppii yrityksen ja erehdyksen kautta. Se toimii ympäristössä, saa palkkioita hyvistä tuloksista ja rangaistuksia huonoista ja kehittää näin strategian, joka maksimoi sen kokonaispalkkion. Tunnettuja esimerkkejä ovat ohjelmat, jotka hallitsevat lautapelejä, kuten gon, robottien ohjaus ja kielimallien hienosäätö ihmisten arvioiden perusteella.
RLHF on opetusmenetelmä, joka tekee kielimalleista avuliaampia ja turvallisempia. Ihmiset vertailevat ja arvioivat mallin useita vastauksia; näiden arvioiden avulla opetetaan palkkiomalli, joka puolestaan opettaa kielimallia edelleen vahvistusoppimisella. Näin se oppii esimerkiksi vastaamaan selkeämmin tai kieltäytymään ongelmallisista pyynnöistä. RLHF tehdään mallin tarjoajalla ennen mallin julkaisua – ei yksittäisten käyttäjien kanssa.
Taulukko, joka määrittää jokaiselle tehtävälle, kuka toteuttaa (R), kuka vastaa (A), keneltä kysytään (C) ja kenelle tiedotetaan (I). Tunnetaan myös nimellä RACI.
Tekoälypohjainen verkkosivugeneraattori luo verkkosivuston automaattisesti, sivurakenne, asettelu, tekstit ja kuvaehdotukset mukaan lukien, muutamasta syötteestä, kuten toimialasta, tarjoomasta ja toivotusta tyylistä. Näin pienyritykset tai hankkeet saavat nopeasti verkkonäkyvyyden ilman ohjelmointitaitoja. Tulokset ovat lähtökohta: sisältö, lakisääteiset tiedot, saavutettavuus ja hakukoneoptimointi tulee sen jälkeen tarkistaa ja säätää.
Vertikaalinen tekoälyagentti on räätälöity tietylle toimialalle tai erikoistehtävälle, kuten verkkokaupan asiakastuelle, ajanvaraukselle lääkärin vastaanotoilla tai konepajateollisuuden myyntitiedusteluille. Toisin kuin yleiskäyttöiset avustajat, se tuntee alansa terminologian, prosessit ja säännöt, koska se on varustettu sopivilla ohjeilla, tietämyksellä ja työkaluilla. Siksi se tuottaa yleensä tarkempia ja luotettavampia tuloksia omalla alueellaan.
Vibe coding tarkoittaa työtapaa, jossa ohjelmisto syntyy pääosin luonnollisen kielen kuvauksista ja tekoälyn tuottama koodi hyväksytään suurelta osin tarkistamatta. Termin loi tekoälytutkija Andrej Karpathy helmikuussa 2025. Se voi olla hyödyllinen nopeissa prototyypeissä, mutta tuotannossa se kasvattaa riskiä huomaamattomista tietoturva-aukoista, vaikeasti ylläpidettävästä koodista ja riippuvuuksista, joita kukaan tiimissä ei todella ymmärrä, joten koodikatselmointi ja testaus ovat edelleen välttämättömiä.
Välimuistilla tehostettu generointi (cache-augmented generation, CAG) on lähestymistapa, jossa kielimalli ei hae tietoa jokaisen kysymyksen yhteydessä. Sen sijaan hallittavan kokoinen tietopohja ladataan etukäteen mallin kontekstiikkunaan ja tämä tila tallennetaan välimuistiin, joten vastaukset eivät vaadi erillistä hakuvaihetta. Termin teki tunnetuksi vuoden 2024 lopulla julkaistu tutkimusartikkeli vaihtoehtona hakuun perustuvalle generoinnille (RAG). CAG sopii pieniin ja vakaisiin tietopohjiin; suurille tai usein muuttuville aineistoille RAG on yleensä käytännöllisempi.
Internetosoite, joka käynnistää työnkulun heti, kun toinen ohjelma lähettää siihen dataa.
Whisper on OpenAI:n syyskuussa 2022 julkaisema automaattinen puheentunnistusmalli. Se muuntaa puhutun kielen tekstiksi monilla kielillä ja osaa myös kääntää äänitteitä englanniksi. Sen koodi ja mallin painot ovat saatavilla avoimen lähdekoodin MIT-lisenssillä, joten Whisperiä voi ajaa myös omalla laitteistolla, mikä on etu, kun äänidata ei saa poistua organisaatiosta. Tyypillisiä käyttökohteita ovat kokousten ja haastattelujen litteroinnit sekä tekstitykset.
Ikkunointi (windowing) tarkoittaa pitkän datan jakamista kiinteän pituisiin osiin (”ikkunoihin”), jotka usein menevät osittain päällekkäin. Tekoälysovelluksissa tämä jakaa pitkät asiakirjat haettaviin osiin; päällekkäisyys varmistaa, ettei jakorajalla oleva lause menetä yhteyttään. Liukuvia ikkunoita käytetään myös aikasarjoissa ja äänisignaaleissa datan analysoimiseen pala kerrallaan.
Writer (writer.com) on vuonna 2020 perustettu yhdysvaltalainen yritys, joka tarjoaa alustan generatiiviselle tekoälylle yrityskäytössä. Se kehittää oman Palmyra-nimisen kielimalliperheensä ja tarjoaa työkaluja, joilla yritykset voivat rakentaa tekoälyagentteja, yhdistää ne omaan tietämykseensä ja hallita niitä brändiäänen ja hyväksyntöjen säännöillä (tilanne: lokakuu 2026). Sitä käytetään pääasiassa sisältöihin ja työnkulkuihin markkinoinnissa, myynnissä ja asiakasviestinnässä.
Writesonic on tekoälypalvelu, joka tuli ensin tunnetuksi markkinointitekstien luontityökaluna. Tarjoaja asemoi itsensä nykyään alustaksi, joka tuo näkyvyyttä sekä perinteisessä että tekoälypohjaisessa haussa: sen tavoitteena on mitata, kuinka usein brändi mainitaan tekoälyavustajien vastauksissa, ja parantaa sisältöjä SEO:ta ja generatiivista hakukoneoptimointia (GEO) varten (tilanne: lokakuu 2026). Sen pääkohderyhmä ovat markkinointitiimit ja toimistot.
XGBoost (Extreme Gradient Boosting) on avoimen lähdekoodin kirjasto, joka toteuttaa päätöspuihin perustuvan gradienttitehostuksen erityisen tehokkaasti. Monia pieniä puita opetetaan peräkkäin, kukin korjaten edellisten virheitä, ja regularisointi auttaa estämään ylisovittumista. XGBoostia pidetään koeteltuna valintana taulukkomuotoiselle datalle, esimerkiksi luottoriskin pisteytyksessä, asiakaskadon ennustamisessa tai myyntiennusteissa.
Yhteistyörobotit eli cobotit ovat teollisuusrobotteja, jotka on suunniteltu työskentelemään suoraan ihmisten rinnalla ilman erottavaa turva-aitaa. Anturit, rajoitetut voimat ja nopeudet sekä turvatoiminnot varmistavat, että ne pysähtyvät tai väistyvät kosketuksessa; vaatimukset on esitetty standardeissa, kuten ISO 10218 -sarjassa. Cobotit hoitavat tehtäviä, kuten koneiden lataamista, ruuvausta tai pakkaamista, kun taas työntekijät huolehtivat tarkastuksesta ja erikoistapauksista.
Yleinen tekoäly (artificial general intelligence, AGI) viittaa hypoteettiseen tekoälyjärjestelmään, joka pystyy hoitamaan laajan joukon älyllisiä tehtäviä ihmisen tasolla ja siirtämään oppimansa joustavasti uusille alueille. Nykyiset järjestelmät suoriutuvat hyvin monista tehtävistä, mutta niillä on yhä rajoituksia, esimerkiksi luotettavuudessa. Yleisesti hyväksyttyä määritelmää tai mittaustapaa ei ole, ja asiantuntijat kiistelevät siitä, saavutetaanko AGI ja milloin.
Yleistämisvirhe mittaa, kuinka paljon tekoälymalli erehtyy uudessa, aiemmin näkemättömässä datassa – toisin kuin sen virhe koulutusdatassa. Suuri ero näiden kahden välillä viittaa ylisovittamiseen: malli on opetellut esimerkit ulkoa sen sijaan, että olisi oppinut yleisiä kuvioita. Sitä arvioidaan erillisellä testidatalla tai ristiinvalidoinnilla. Se on luku, jolla todella on merkitystä, koska käytännössä malli kohtaa lähes pelkästään uusia tapauksia.
Ympäristötekstin tunnistus (scene text recognition) lukee tekstiä, joka esiintyy todellisen ympäristön valokuvissa ja videoissa, kuten katukylteissä, pakkauksissa tai rekisterikilvissä. Toisin kuin skannattujen asiakirjojen klassinen OCR, sen on selvittävä vinoista perspektiiveistä, vaihtelevasta valosta, epätavallisista kirjasimista ja sekavista taustoista. Tyypillinen lähestymistapa toimii kahdessa vaiheessa: ensin paikannetaan tekstialueet ja sitten tunnistetaan niiden merkit.
Zero-shot-oppiminen tarkoittaa, että malli pystyy ratkaisemaan tehtävän näkemättä siitä etukäteen erityisiä esimerkkejä. Suuret kielimallit voivat esimerkiksi suorittaa käännöksen tai luokittelun pelkän kehotteessa olevan kuvauksen perusteella. Jos laatu ei riitä, usein auttaa few-shot-oppiminen: lisäät muutaman esimerkin halutusta vastauksesta.
3D-rekonstruktiolla tarkoitetaan menetelmiä, jotka laskevat kohteesta tai tilasta kolmiulotteisen mallin valokuvien, videon tai anturidatan perusteella. Tyypillisesti yhdistetään useita eri kulmista otettuja kuvia tai hyödynnetään laser- ja syvyysantureiden syvyysdataa. Menetelmiä käytetään maanmittauksessa, kulttuuriperinnön suojelussa, lääketieteessä, robotiikassa ja verkkokaupassa – esimerkiksi kun älypuhelimella tehdystä skannauksesta syntyy pyöritettävä 3D-tuotemalli.
Valitse paketti tai kerro meille projektistasi.
