Kuvittelepa vakuutusyhtiön AI-assistentti.

Asiakas kysyy, kuuluuko vesivahinko korvauksen piiriin. Malli lukee vakuutusehdot, löytää sopivan kohdan ja vastaa itsevarmasti: kyllä, korvataan.

Vastaus kuulostaa hyvältä. Se on kirjoitettu kohteliaasti, siinä on perustelu ja se näyttää asiantuntevalta. Ongelma on pieni mutta kallis: asiakkaan sopimuksessa on poikkeus, joka rajaa juuri tämän tilanteen ulos. Malli ei valehdellut tahallaan. Se teki sen, mihin kielimallit ovat hyviä. Se tuotti uskottavan vastauksen.

Yritys ei tarvitse tähän sujuvampaa kirjoittajaa. Se tarvitsee järjestelmän, joka pysähtyy, hakee oikean sopimuksen, soveltaa poikkeussääntöä, näyttää mihin päätös perustuu ja sanoo tarvittaessa: tietoa ei löydy.

Tähän tulee avuksi eräs potentiaalinen GPT-teknologian korvaaja: neuro-symbolinen AI.

Neuro-symbolinen AI yhdistää kaksi erilaista tekoälyn tapaa toimia.

Neuro-osuus tarkoittaa koneoppimista: kielimalleja, kuvamalleja, graafineuroverkkoja ja muita neuroverkkoja. Ne tunnistavat hahmoja datasta. Ne lukevat tekstiä, tulkitsevat kysymyksiä, löytävät yhteyksiä ja käsittelevät epätäydellistä maailmaa.

Symbolinen osuus tarkoittaa eksplisiittisiä käsitteitä ja sääntöjä: logiikkaa, tietograafeja, ontologioita, sääntökoneita, kyselykieliä ja formaaleja todistimia. Niissä tieto kuvataan suhteina, joita voi tarkistaa.

Yksinkertainen vertaus:

Pelkkä neuroverkko osaa usein arvata hyvin. Pelkkä sääntöjärjestelmä on tarkka, mutta jäykkä. Neuro-symbolisen AI:n lupaus on yhdistää joustava tulkinta ja tarkistettava päättely.

Nyt heiluri palaa keskelle. Syväoppiminen onnistui niin hyvin, että sitä halutaan käyttää paikoissa, joissa pelkkä hyvä arvaus ei riitä.

Kielimallit tekivät tekoälystä käyttöliittymän. Ennen yrityksen tietoon pääsi raporttien, kojelautojen, hakujen ja SQL-kyselyiden kautta. Nyt ihmiset haluavat kysyä luonnollisella kielellä:

Tässä kohtaa tavallinen chatbot alkaa olla väärä työkalu.

OpenAI on kuvannut GPT-4:n yhteydessä hallusinaatiot todelliseksi ongelmaksi. o1-järjestelmäkortti näyttää, että reasoning-mallit vähentävät virheitä joissakin testeissä, mutta eivät poista niitä. SimpleQA-arvioinnissa o1:n hallusinaatioaste oli 0,44, kun GPT-4o:n luku oli 0,61. Parempi, kyllä. Säädellyn prosessin perustaksi se kaipaa silti tarkistusta. Olen kirjoittanut aiemmin erikseen siitä, miten AI-vastausten luotettavuutta kannattaa arvioida.

Tutkimuspuolellakin liike näkyy. Vuoden 2025 systemaattinen katsaus seuloi 1 428 neuro-symbolista AI:ta käsittelevää paperia ja löysi niistä 167 varsinaista tutkimusta vuosilta 2020-2024. Ala ei ole LLM:ien kaltainen valtavirta, mutta mikään kuriositeetti se ei enää ole.

Reasoning-mallit, kuten OpenAI:n o-sarja ja DeepSeek-R1, parantavat kielimallien kykyä pysähtyä, miettiä ja korjata itseään. Se on tärkeä kehityssuunta, jota avasin tarkemmin reasoning-vallankumousta käsittelevässä jutussa.

Mutta reasoning-malli ei ole sama asia kuin formaali todistus, sääntökone tai yrityksen tietomalli. Se voi kirjoittaa paremman päättelyketjun. Se ei silti välttämättä pysty sanomaan: "Tätä sopimuspykälää sovellettiin, tämä tieto haettiin tästä järjestelmästä, ja koska tieto puuttuu, päätöstä ei tehdä."

Yrityksissä juuri tuo ratkaisee.

Nappaa AI-Sanomien perustajan, Janne Ikolan, tarjoama 2h AI-sparrisessio hintaan 470 € (sis. ALV). 100 % rahat takaisin -takuu jos olet tyytymätön palvelun laatuun.

Olen järjestänyt henkilökohtaisia AI-sparrauksia jo kolmen vuoden ajan ja asiakkaiden palaute on ollut 10/10. Yrittäjät, toimitusjohtajat, tietotyöläiset, tai vaikkapa työnhakijat, ovat saaneet 10x hyödyn tehokkaasta AI-sparrauksesta. Monen kanssa yhteistä sparria on jatkettu jo 3 vuoden ajan kuukausittain.

Osta itsellesi tai tiimiläisillesi ensimmäinen kerta alta 👇

Palataan vakuutusyhtiöön.

Asiakas kysyy, korvataanko vahinko. Eri AI-arkkitehtuurit käsittelevät kysymystä eri tavalla.

Tavallinen RAG oli iso käytännön parannus kielimallien faktuaalisuuteen. Malli ei vastaa pelkän muistinsa pohjalta, vaan hakee ensin dokumentteja. Se toimii monessa arjen tietotyössä hyvin.

Mutta dokumentit eivät ole sama asia kuin tieto.

Yrityksen todellinen tieto on usein suhteissa. Asiakas omistaa sopimuksen. Sopimus kuuluu tuoteryhmään. Tuoteryhmällä on poikkeussääntö. Poikkeussääntö koskee vain tiettyä vahinkotyyppiä. Tietty päätös vaatii hyväksynnän. Tavallinen dokumenttihaku löytää ehkä yhden osan tästä ketjusta. Tietograafi voi kuvata koko ketjun.

GraphRAG vie RAGia tähän suuntaan. Se rakentaa dokumenteista graafimaisen esityksen ja hyödyntää entiteettien välisiä suhteita haussa. Microsoftin GraphRAG-projekti kuvaa tekniikkaa yhdistelmänä tekstin erottelua, verkostoanalyysiä, LLM-promptausta ja yhteenvetoa.

Neuro-symbolinen AI on kattotermi. Sama sana voi tarkoittaa hyvinkin eri ratkaisuja.

Käytännössä vastaan tulee neljä mallia.

Neljäs malli on yrityksille tärkein. Se on vähemmän futuristinen kuin matematiikkaolympialaisten tehtäviä ratkova tekoäly, mutta paljon lähempänä arkea.

Yrityksessä neuro-symbolinen AI voi tarkoittaa tätä:

Tämä kuulostaa enemmän data-arkkitehtuurilta kuin tekoälyhypeltä. Hyvä niin.

Vahvin julkinen neuro-symbolisen AI:n näyttö löytyy matematiikasta.

Google DeepMindin AlphaGeometry ratkaisi 25 kolmestakymmenestä olympiatason geometriatehtävästä. Aiempi paras menetelmä ratkaisi 10. Nature-artikkelin mukaan ihmisen IMO-kultamitalistin keskimääräinen taso oli 25,9 tehtävää samassa asetelmassa.

Tässä kohtaa neuro-symbolinen AI lakkaa olemasta pelkkä tutkimuslupaus.

AlphaGeometry ei toiminut pelkkänä isona kielimallina. Se yhdisti neuroverkon ja symbolisen deduktiomoottorin. Neuroverkko ehdotti geometrian apukonstruktioita. Symbolinen moottori teki tarkistettavat päätelmät.

Tulos syntyi työnjaosta. Neuroverkko toi luovuuden ja ehdotukset. Symbolinen järjestelmä toi oikeellisuuden.

Tästä ei pidä tehdä liian suurta yleistystä. Geometria on neuro-symboliselle AI:lle poikkeuksellisen hyvä ympäristö: säännöt ovat tarkkoja ja oikea vastaus voidaan todistaa. Yrityksen strategia, lääkärin päätöksenteko tai juridiikka on sotkuisempaa. Käsitteet muuttuvat, lähteet ovat ristiriitaisia ja oikeellisuus ei aina ole yksi formaali totuus.

Perusoppi silti kantaa. Neuro-symbolinen AI toimii parhaiten, kun ongelmassa on selkeä formaali ydin.

Neuro-symbolinen AI sopii huonosti tehtäviin, joissa riittää sujuva teksti. Sähköpostin luonnostelu, blogi-idean kehittely, käännökset ja tiivistelmät eivät kaipaa raskasta sääntökerrosta.

Se sopii tehtäviin, joissa väärä vastaus maksaa.

Robotiikassa tutkijat ovat kokeilleet GPT-3:n ja PDDL-suunnittelun yhdistelmää. Frontiers in Neurorobotics -paperissa Teriyaki-kehys ratkaisi 95,5 prosenttia testitehtävistä valituissa domaineissa ja lyhensi suunnitelmia perinteiseen symboliseen suunnittelijaan verrattuna. Kirjoittajat kuvasivat työtä proof of concept -tasoiseksi, mikä on tässä vahvuus. Rajaus on aika selvä.

Lääkekehityksessä Nature Communications -paperi käytti knowledge graph -pohjaista päättelyä lääkerepositionoinnin perusteluketjujen tuottamiseen. Tutkimuksessa automaattinen suodatus vähensi tuotettujen polkujen määrää 85 prosenttia kystisessä fibroosissa ja 95 prosenttia Parkinsonin taudissa. Tutkija ei tarvitse pelkkää listaa mahdollisista lääkeaihioista. Hän tarvitsee reitin, joka kertoo miksi yhteys voisi olla biologisesti mielekäs.

Kyberturvassa Logic Tensor Network -pohjaisia malleja on kokeiltu hyökkäysten tunnistuksessa. Idea on yhdistää luokittelu ja loogiset selitykset. Tähän kannattaa suhtautua varovaisesti, koska osa aineistoista on vanhoja. Silti suunta on oikea: turvallisuustiimi tarvitsee perusteluita, ei pelkkää "malli sanoo punainen" -hälytystä.

Neuro-symbolinen AI kuulostaa juuri sopivan painavalta. Se lupaa ratkaista hallusinaatiot, lisätä selitettävyyttä ja tuoda tekoälyyn järjen. Tässä kohtaa hälytyskellojen kannattaa soida.

Termi on liian mielestäni lavea.

Yhdessä päässä ovat muodolliset tutkimuskehykset kuten DeepProbLog, Logic Tensor Networks ja Scallop. Niissä neuroverkko ja logiikka on aidosti yhdistetty osaksi samaa päättely- tai oppimisjärjestelmää.

Toisessa päässä ovat tuotteet, joissa LLM hakee tietoa tietograafista ja kirjoittaa vastauksen. Se voi olla käytännössä hyödyllistä. Se ei silti automaattisesti tarkoita, että järjestelmä olisi syvällisesti neuro-symbolinen.

Ostajan tai käyttäjän kysymys ei pitäisi olla: "Onko tämä neuro-symbolista AI:ta?"

Paremmat kysymykset ovat:

Selitys ei ole sama asia kuin totuus.

Neuro-symbolinen AI auttaa vain, jos symbolinen osa todella rajoittaa, tarkistaa tai todistaa. Jos se on koriste, ongelma siirtyy uuteen pakettiin.

Neuro-symbolista AI:ta ei tarvitse aloittaa tutkimuslaboratoriosta. Aloita pienestä kohdasta, jossa nykyinen AI-agentti olisi liian vapaa.

Hyviä kohteita ovat sopimukset, hinnoittelu, poikkeusluvat, compliance, tukipyyntöjen eskalointi, vakuutusehdot, riskiluokitus ja toimituslupaukset. Sähköpostiluonnokset voi jättää rauhaan.

Jos sääntöä ei pysty kirjoittamaan ihmisen luettavaksi, sitä on vaikea pakottaa koneelle. Aloita päätöstaulukosta. Millä ehdoilla päätös on kyllä, ei tai vaatii ihmisen?

Ota 20-50 käsitettä: asiakkaat, tuotteet, sopimustyypit, prosessivaiheet, riskiluokat ja poikkeukset. Kuvaa niiden suhteet. Työkaluksi riittää alkuun taulukko, Neo4j, RDFLib tai muu kevyt graafityökalu.

Anna LLM:lle tehtävä, jossa se saa vastata vain graafin, dokumentin tai sääntötaulukon perusteella. Jos tieto puuttuu, vastaus on "en tiedä". Tämä yksi sääntö muuttaa järjestelmän luonteen.

Älä rakenna neuro-symbolista järjestelmää siksi, että termi kuulostaa hienolta. Testaa se tavallista RAGia vastaan. Vähenevätkö virheet? Paraneeko jäljitettävyys? Löytyvätkö poikkeukset paremmin? Ymmärtääkö ihminen päättelyjäljen?

Generatiivisen AI:n ensimmäinen aalto oli käyttöliittymäaalto. ChatGPT teki tekoälystä keskusteltavan. Claude, Gemini ja muut tekivät siitä työkalun kirjoittamiseen, koodaamiseen ja analyysiin.

Seuraava aalto on hallinnan aalto.

Yritykset eivät enää kysy vain, osaako malli vastata. Ne kysyvät:

Näihin kysymyksiin ei vastata pelkällä isommalla mallilla.

Tämä on neuro-symbolisen AI:n todellinen merkitys. Se muistuttaa, että tekoäly ei ole vain mallin sisäinen kyvykkyys. Se on kokonainen järjestelmä: data, säännöt, työkalut, rajaukset, tarkistukset ja vastuu.

GPT tarvitsee sääntökirjan, koska yrityksen maailma on täynnä sääntöjä, poikkeuksia ja suhteita, joita hyväkään kielimalli ei saa keksiä päästään.

Kun tekoäly siirtyy mukavasta assistentista vastuulliseksi järjestelmäksi, neuro-symbolinen AI muuttuu teoriasta arkkitehtuuriksi.

Tekoäly voi olla voimakas työkalu, ja näiden aloittelijaystävällisten vaihtoehtojen avulla voit hyödyntää sitä omissa projekteissasi – olipa kyseessä sisällöntuotanto, ohjelmointi, markkinointi tai oppiminen.

Jos kaipaat koulutusta tekoäly-työkalujen käyttöön, nappaa tästä sitoumukseton etäkahvitteluaika ja jutellaan tarpeistasi 👇