Tehisintellekti põhitehnoloogiad: mida peaks iga digipädev spetsialist teadma?

Tehisintellekti kasutamiseks ei pea olema programmeerija ega andmeteadlane. Küll aga aitab AI põhimõtete mõistmine teha paremaid otsuseid: valida sobiv tööriist, hinnata selle tulemusi kriitiliselt ning saada aru, miks üks AI-lahendus sobib teksti loomiseks ja teine näiteks piltide analüüsimiseks.

Tehisintellekt ei ole üks tehnoloogia. Selle alla kuuluvad masinõpe, süvaõpe, närvivõrgud, generatiivne AI, loomuliku keele töötlus, arvutinägemine ja mitmed teised tehnoloogiad. Tänapäevased AI-rakendused ühendavad sageli mitu neist korraga. NIST käsitleb masinõpet tehisintellekti ühe valdkonnana, kus süsteemid õpivad andmetest ülesandeid täitma.

Selles artiklis vaatame, milliseid AI põhitehnoloogiaid tasub mõista ka siis, kui sinu töö ei ole tehniline.

Mis on tehisintellekt?

Tehisintellekt ehk AI on üldmõiste tehnoloogiatele ja süsteemidele, mis suudavad täita ülesandeid, mille puhul kasutatakse näiteks mustrite tuvastamist, prognoosimist, keele töötlemist, sisu loomist või otsustamise toetamist.

AI on seega kõige laiem mõiste.

Selle sees paiknevad erinevad valdkonnad:

• tehisintellekt → masinõpe → süvaõpe → erinevad mudelid ja rakendused

Kõik AI-süsteemid ei ole generatiivsed ning kõik masinõppemudelid ei ole suured keelemudelid.

Just nende mõistete eristamine aitab vältida olukorda, kus sõnu „AI", „ChatGPT" ja „keelemudel" kasutatakse justkui sünonüümidena.

Mis on masinõpe?

Masinõpe ehk machine learning on viis õpetada mudelit andmete põhjal ennustusi tegema või sisu genereerima. Selle asemel, et programmeerija kirjeldaks iga võimaliku olukorra jaoks eraldi reegli, õpib mudel andmetes olevaid mustreid. Google jagab masinõppes kasutatavad lähenemised muu hulgas juhendatud, juhendamata ja tugevdatud õppeks ning käsitleb generatiivset AI-d eraldi olulise masinõppe kategooriana.

Masinõpet kasutatakse näiteks:

• rämpsposti tuvastamiseks;
• nõudluse prognoosimiseks;
• pettuste avastamiseks;
• soovitussüsteemides;
• piltide ja kõne tuvastamisel;
• teksti ja muu sisu genereerimisel.

Juhendatud õpe

Juhendatud õppes ehk supervised learning'us treenitakse mudelit märgendatud näidete põhjal.

See tähendab, et treeningandmetes on teada nii sisend kui ka soovitud tulemus. Mudel õpib nende vahelist seost ning proovib hiljem ennustada tulemust uute andmete puhul.

Kaks levinud ülesandetüüpi on:

Klassifitseerimine – mudel määrab, millisesse kategooriasse sisend kuulub.

Näiteks:

• kas e-kiri on rämpspost;
• kas tehing võib olla pettus;
• millisesse tooteliiki toode kuulub.

Regressioon – mudel prognoosib arvulist väärtust.

Näiteks:

• müügimaht;
• hind;
• energiatarbimine;
• nõudlus.

Juhendamata õpe

Juhendamata õppes ehk unsupervised learning'us ei ole andmetele ette antud õigeid vastuseid. Mudeli ülesanne on leida andmetes struktuure, sarnasusi või ebatavalisi juhtumeid.

Seda kasutatakse näiteks:

• klientide rühmitamisel;
• andmetes peituvate mustrite leidmisel;
• anomaaliate avastamisel;
• suurte andmestike struktuuri uurimisel.

Tugevdusõpe

Tugevdusõppes ehk reinforcement learning'us õpib agent keskkonnaga suheldes ning saab tegevuste eest tagasisidet tasude või karistuste kujul.

Eesmärk on õppida tegevusviis, mis maksimeerib pikema aja jooksul saadavat tasu.

Tugevdusõpet kasutatakse näiteks:

• robootikas;
• mängudes;
• optimeerimisülesannetes;
• juhtimis- ja planeerimisprobleemides.

Tugevdusõppe mõiste on oluline ka tänapäevase generatiivse AI puhul, sest erinevaid tagasisidel põhinevaid meetodeid kasutatakse mudelite käitumise parandamiseks.

Mis on süvaõpe?

Süvaõpe ehk deep learning on masinõppe valdkond, mis kasutab mitmekihilisi närvivõrke keerukate mustrite õppimiseks.

Süvaõppe areng on olnud oluline paljude tänapäevaste AI-rakenduste puhul, sealhulgas kõnetuvastuses, arvutinägemises ja generatiivses AI-s.

Oluline täpsustus: närvivõrk ei ole eraldi juhendatud õppe tüüp.

Närvivõrke saab kasutada erinevate õppimisviiside ja ülesannete puhul. „Närvivõrk" kirjeldab pigem mudeli arhitektuuri kui seda, kas õppimine toimub juhendatud, juhendamata või mõnel muul viisil.

Mis on närvivõrk?

Närvivõrk koosneb omavahel ühendatud arvutuslikest üksustest ehk neuronitest.

Lihtsustatud närvivõrgus võib eristada:

• sisendkihti;
• ühte või mitut vahekihti;
• väljundkihti.

Treeningu käigus kohandatakse võrgu parameetreid nii, et mudel suudaks sisendi põhjal anda järjest sobivama väljundi.

Tänapäevased mudelid võivad olla väga palju keerukamad kui klassikaline skeem „sisend → peidetud kihid → väljund", kuid põhimõte aitab süvaõppe loogikast esmast arusaama saada.

Mis on generatiivne tehisintellekt?

Generatiivne AI loob õpitud mustrite põhjal uut sisu.

See sisu võib olla:

• tekst;
• pilt;
• heli;
• video;
• kood;
• kombinatsioon mitmest andmetüübist.

Generatiivne mudel ei otsi lihtsalt andmebaasist valmis vastust. Mudel genereerib väljundi treeningu käigus õpitud statistiliste seoste põhjal.

Google'i masinõppe käsitluses kuuluvad generatiivse AI alla mudelid, mis loovad uut sisu, ning tänapäevased generatiivsed süsteemid võivad töötada teksti, piltide, heli ja teiste modaalsustega.

Milliseid tehnoloogiaid generatiivne AI kasutab?

Generatiivse AI arengus on kasutatud mitmeid erinevaid mudeliarhitektuure.

Transformerid

Transformer on närvivõrgu arhitektuur, millel põhinevad paljud tänapäevased keelemudelid.

Transformerite oluline omadus on attention-mehhanism, mis aitab mudelil hinnata sisendi erinevate osade omavahelisi seoseid.

Ka tänapäevased GPT-perekonna mudelid kasutavad transformer-arhitektuuri; näiteks OpenAI gpt-oss mudelid on transformerid, milles kasutatakse ka mixture-of-experts lähenemist.

Transformerite kasutus ei piirdu ainult tekstiga. Neid kasutatakse eri tüüpi andmete ja multimodaalsete süsteemide juures.

Autoregressiivsed mudelid

Autoregressiivne mudel genereerib järjestuse järgmisi osi eelneva konteksti põhjal.

Keelemudeli lihtsustatud näites tähendab see järgmise tokeni tõenäosuse ennustamist eelnevate tokenite põhjal.

Selline genereerimine toimub korduvalt ning sellest moodustub lõpuks tekst või muu järjestus.

Difusioonimudelid

Difusioonimudelid on eriti olulised pildi- ja muu meediageneratsiooni puhul.

Nende üldine põhimõte on õppida mürast samm-sammult struktureeritud väljundit taastama.

Just difusioonimudelite areng on olnud oluline kaasaegsete tekstist-pildiks lahenduste juures.

GAN-id ja VAE-d

Generative Adversarial Networks ehk GAN-id ja variatsioonilised autoenkoodrid ehk VAE-d on samuti olulised generatiivse modelleerimise tehnoloogiad.

Need on ajalooliselt ja teaduslikult jätkuvalt olulised, kuid 2026. aasta digispetsialistil ei ole enam vaja mõelda, et generatiivne AI tähendab eelkõige GAN-e või VAE-sid.

Igapäevases AI-kasutuses on palju olulisem mõista, mida teevad keelemudelid, transformerid, multimodaalsed mudelid ja difusioonipõhised generatsioonimeetodid.

Mis on suur keelemudel ehk LLM?

Suur keelemudel ehk large language model (LLM) on mudel, mis on treenitud töötama väga suure hulga keeleandmetega ning suudab genereerida ja töödelda teksti.

Keelemudeleid saab kasutada näiteks:

• tekstide koostamisel;
• küsimustele vastamisel;
• kokkuvõtete tegemisel;
• klassifitseerimisel;
• info analüüsimisel;
• koodi loomisel;
• vestlusliidestes.

ChatGPT on rakendus, mis kasutab keelemudeleid. Seetõttu ei ole ChatGPT ja LLM sama asi: LLM on aluseks olev mudelitüüp, ChatGPT aga kasutajale mõeldud AI-rakendus. OpenAI kirjeldab GPT-mudeleid süsteemidena, mis töötavad muu hulgas teksti, piltide ja teiste sisenditega ning toetavad mitmesuguseid ülesandeid.

Mis on alusmudel ehk foundation model?

Alusmudel on suurel ja mitmekesisel andmestikul eeltreenitud mudel, mida saab kasutada paljude erinevate ülesannete lähtekohana.

Selle asemel, et iga ettevõte treeniks iga ülesande jaoks algusest peale oma mudeli, saab olemasolevat alusmudelit:

• juhiste abil suunata;
• ühendada organisatsiooni andmetega;
• täiendada tööriistadega;
• vajadusel fine-tuning'u abil konkreetsema ülesande jaoks kohandada.

Google'i generatiivse AI sõnastikus kirjeldatakse base model'it kui eeltreenitud mudelit, mida saab kasutada lähtekohana konkreetsemate rakenduste või ülesannete jaoks.

See kontseptsioon aitab mõista, miks sama mudel võib toetada väga erinevaid kasutusviise.

Mis on multimodaalne AI?

Traditsiooniliselt töötasid paljud mudelid ühe andmetüübiga: näiteks ainult tekstiga või ainult piltidega.

Multimodaalne AI suudab töötada mitme erineva andmetüübiga.

Näiteks võib süsteem:

• võtta sisendiks pildi ja vastata selle kohta tekstina;
• analüüsida dokumenti, milles on tekst, tabelid ja visuaalid;
• töödelda heli;
• genereerida erinevaid sisuvorme.

See on oluline areng just igapäevatöö seisukohalt, sest ettevõtte info ei eksisteeri ainult tekstina – see paikneb dokumentides, piltides, tabelites, salvestustes ja teistes formaatides.

Mis on loomuliku keele töötlus ehk NLP?

Natural Language Processing ehk NLP on AI valdkond, mis tegeleb inimkeele töötlemise ja genereerimisega.

Selle rakenduste hulka kuuluvad näiteks:

• masintõlge;
• teksti klassifitseerimine;
• sentimentide analüüs;
• küsimustele vastamine;
• info eraldamine tekstist;
• kokkuvõtete loomine.

Keelemudelite areng on muutnud paljusid NLP-ülesandeid. Kui varem ehitati erinevate ülesannete jaoks sageli eraldiseisvaid süsteeme, saab tänapäevaseid suuri keelemudeleid kasutada ühe mudeli kaudu väga erinevate keeleülesannete jaoks.

Mis on arvutinägemine?

Arvutinägemine ehk computer vision võimaldab AI-süsteemidel töödelda ja analüüsida visuaalset infot.

Arvutinägemise ülesannete hulka võivad kuuluda näiteks:

• objektide tuvastamine;
• piltide klassifitseerimine;
• dokumentide visuaalne analüüs;
• defektide avastamine;
• meditsiiniliste kujutiste analüüs.

Multimodaalsete mudelite areng on teksti- ja visuaalse AI piiri märgatavalt vähendanud: sama süsteem võib nüüd töötada nii teksti kui ka piltidega.

Mis on embeddings ehk vektorkujutised?

Üks vähem nähtav, kuid praktiliselt oluline AI-tehnoloogia on embedding.

Embedding muudab teksti, pildi või muu objekti arvuliseks vektorkujutiseks, mille abil saab hinnata objektide semantilist sarnasust.

See võimaldab näiteks:

• leida sarnase tähendusega dokumente;
• teha semantilist otsingut;
• soovitada seotud sisu;
• ühendada ettevõtte teadmised AI-rakendustega.

Digispetsialist ei pea oskama embedding'uid matemaatiliselt arvutada. Oluline on mõista põhimõtet: AI saab võrrelda infot mitte ainult täpsete märksõnade, vaid ka tähendusliku läheduse kaudu.

Mis on RAG?

RAG ehk retrieval-augmented generation ühendab infootsingu ja generatiivse AI.

Selle asemel, et mudel vastaks ainult oma treeningu käigus õpitu põhjal, otsib süsteem kõigepealt vastava ülesande jaoks relevantset infot näiteks:

• ettevõtte dokumentidest;
• teadmusbaasist;
• andmebaasist;
• muudest lubatud allikatest.

Seejärel antakse leitud kontekst mudelile vastuse koostamiseks.

RAG on eriti oluline ettevõtetes, sest organisatsiooni sisemised teadmused ei pruugi olla mudeli treeningandmetes ning osa infost muutub pidevalt.

RAG ei tähenda aga automaatselt, et vastus on õige. Kasutatavate allikate kvaliteet, otsingumehhanism ja mudeli väljundi kontroll jäävad endiselt oluliseks.

Kuidas AI-mudeleid treenitakse?

Klassikalise masinõppe puhul jagatakse olemasolevaid andmeid sageli eraldi treeningu, valideerimise ja testimise jaoks.

Treeningandmeid kasutatakse mudeli parameetrite õppimiseks.

Valideerimisandmeid kasutatakse mudeli ja hüperparameetrite valikute hindamiseks arendusprotsessi jooksul.

Testandmestik hoitakse eraldi, et hinnata mudeli toimivust andmetel, mida mudeli arendamisel otseselt kasutatud ei ole.

See aitab hinnata, kas mudel suudab õpitut üldistada ka uutele näidetele, mitte ainult treeningandmeid hästi kirjeldada.

Samas ei tasu seda klassikalist skeemi automaatselt laiendada kõigi tänapäevaste suurte generatiivsete mudelite treeningprotsessile – nende arendamine sisaldab mitmeid täiendavaid etappe ja hindamismeetodeid.

Mis on fine-tuning?

Fine-tuning ehk järelhäälestamine tähendab eeltreenitud mudeli täiendavat treenimist konkreetsema ülesande või soovitud käitumise jaoks.

See erineb promptimisest.

Promptimisel anname mudelile kasutamise ajal juhiseid.

Fine-tuning'u puhul muudetakse täiendava treeningu kaudu mudeli käitumist süsteemsemalt.

Iga ettevõtte AI-lahendus ei vaja fine-tuning'ut. Sageli piisab heast juhisest, õigest kontekstist, RAG-ist või sobivatest tööriistadest.

Kuidas on AI seotud pilveteenuste, edge computing'u ja IoT-ga?

AI ei tööta vaakumis.

Pilvandmetöötlus annab ligipääsu arvutusvõimsusele, mudelitele, andmehoidlatele ja AI-teenustele ilma vajaduseta kogu infrastruktuuri ise hallata.

Edge computing ehk äärearvutus võimaldab osa AI-töötlusest teha andmete tekkekohale lähemal, näiteks seadmes endas. See võib olla oluline latentsuse, töökindluse või andmekaitse tõttu.

Internet of Things ehk IoT ühendab füüsilised seadmed ja sensorid digitaalsete süsteemidega.

Nende tehnoloogiate kombinatsioon võimaldab näiteks:

• seadmete ennetavat hooldust;
• tootmisprotsesside jälgimist;
• hoonete energiakasutuse juhtimist;
• sensorandmete reaalajalähedast analüüsi.

Need ei ole siiski ise tehisintellekti alamliigid. Tegemist on tehnoloogiatega, millega AI-süsteeme saab ühendada.

Milliseid AI mõisteid peaks digipädev spetsialist 2026. aastal teadma?

Kõiki algoritme ega mudeliarhitektuure ei ole vaja pähe õppida.

Praktiliseks digipädevuseks piisab sageli sellest, kui oskad eristada järgmisi mõisteid:

• AI – kõige laiem tehnoloogiate valdkond.
• Masinõpe – mudel õpib andmetest ennustama või genereerima.
• Süvaõpe – masinõpe mitmekihiliste närvivõrkude abil.
• Generatiivne AI – AI, mis loob uut sisu.
• LLM – suur keelemudel, mis töötab keele ja järjestustega.
• Transformer – paljude tänapäevaste generatiivsete mudelite oluline arhitektuur.
• Multimodaalne AI – süsteem töötab mitme andmetüübiga.
• Embedding – info arvuline esitus, mis võimaldab võrrelda tähenduslikku sarnasust.
• RAG – AI-le antakse vastamiseks juurde välistest allikatest leitud kontekst.
• Fine-tuning – eeltreenitud mudeli täiendav kohandamine treeningu abil.
• AI-agent – süsteem, mis saab eesmärgi saavutamiseks juhtida mitmeastmelist tööprotsessi ja kasutada talle lubatud tööriistu.

Viimase kohta tasub lugeda eraldi artiklit „Mis on AI-agendid ja kuidas neid töös kasutada?".

Miks neid tehnoloogiaid üldse mõista?

Enamik spetsialiste ei hakka ise närvivõrke treenima.

Tehnoloogilise tausta mõistmine aitab aga küsida paremaid küsimusi.

Näiteks:

• Kas tööriist loob vastuse mudeli üldiste teadmiste põhjal või kasutab meie enda dokumente?
• Kas süsteem lihtsalt genereerib teksti või pääseb ligi ka teistele tööriistadele?
• Kas meil on vaja uut mudelit või piisab olemasoleva mudeli ühendamisest õigete andmetega?
• Kas ülesanne vajab generatiivset AI-d, klassikalist automatiseerimist või hoopis tavalist tarkvaralahendust?
• Milliseid andmeid süsteem töötleb ja kuhu need liiguvad?

Just sellised küsimused muutuvad digipädevuse seisukohalt olulisemaks kui üksikute AI-rakenduste nuppude päheõppimine.

Kokkuvõte

Tehisintellekt ei ole üks tööriist ega üks mudel.

Selle taga on terve tehnoloogiline kiht:

masinõpe → süvaõpe → närvivõrgud → transformerid ja teised mudeliarhitektuurid → generatiivsed ja multimodaalsed mudelid → rakendused, RAG, tööriistad ja agendid.

Digipädeva spetsialisti eesmärk ei pea olema nende tehnoloogiate ehitamine.

Olulisem on mõista:

• mida erinevad AI-lahendused teevad;
• millel nende võimekus põhineb;
• kust tuleb kasutatav info;
• millised on mudeli piirangud;
• millal on AI üldse sobiv lahendus.

Hea AI-oskus ei tähenda ainult seda, et oskad tööriista kasutada. See tähendab ka seda, et saad piisavalt hästi aru, mis toimub tööriista taga, et selle tulemusi teadlikult hinnata.

Korduma kippuvad küsimused

Mis vahe on AI-l ja masinõppel?

AI on laiem valdkond. Masinõpe on üks tehisintellekti lähenemisviisidest, kus mudel õpib andmete põhjal ülesannet täitma.

Mis vahe on masinõppel ja süvaõppel?

Süvaõpe on masinõppe valdkond, mis kasutab mitmekihilisi närvivõrke. Masinõppe alla kuulub ka palju meetodeid, mis ei ole süvaõpe.

Kas ChatGPT on masinõpe?

ChatGPT on AI-rakendus, mis kasutab suuri keelemudeleid. Keelemudelid on arendatud masinõppe ja süvaõppe meetodite abil. ChatGPT-d ennast on seetõttu täpsem kirjeldada rakenduse või AI-assistendina, mitte lihtsalt „masinõppena".

Kas generatiivne AI ja tehisintellekt on sama asi?

Ei. Generatiivne AI on üks AI valdkond, mis keskendub uue sisu genereerimisele. Kõik AI-süsteemid ei genereeri sisu.

Kas närvivõrgud jäljendavad inimese aju?

Närvivõrkude idee on ajalooliselt saanud inspiratsiooni bioloogilistest neuronitest, kuid tänapäevane tehisnärvivõrk on matemaatiline arvutusmudel. Seda ei tasu kirjeldada kui inimese aju otsest koopiat.

Kas iga AI-lahendus kasutab suurt keelemudelit?

Ei. AI hõlmab palju teisi meetodeid ja mudelitüüpe. Näiteks prognoosimine, pildituvastus või anomaaliate avastamine võib toimida ilma suure keelemudelita.

Tahad AI-d kasutada teadlikumalt, mitte lihtsalt rohkem?

AI-koolitusel vaatame lisaks tööriistade kasutamisele ka seda, kuidas erinevad AI-lahendused töötavad, milliste ülesannete jaoks neid kasutada ning kuidas nende tulemusi kriitiliselt hinnata.

Tutvu AI-koolitustega või küsi koolituspakkumist.