• Kuidas pöörata tehisaru miinused plussideks?
• MIT-i uuring paljastab tehisaru rakendamise peamised takistused.

Hiljuti avaldas Massachusettsi Tehnoloogiainstituut (MIT) NANDA projekti raporti tehisintellekti rakendamisest ettevõtetes. Uuringu (www.artificialintelligence-news.com/wp-content/uploads/2025/08/ai_report_2025.pdf) suurim järeldus oli hämmastav: enamik organisatsioone ei saa tehisintellektil põhinevaid tööriistu kasutades veel märkimisväärset tulu.

Edukuse peamine takistus pole mudeli kvaliteet ega regulatsioon, vaid tööriistade õppimisvõime puudumine ja sobimatus olemasolevate töövoogudega. Raport toob välja ka tehisintellekti varimajanduse sündroomi: töötajad kasutavad ettevõtte poliitikat eirates isiklikke AI-tööriistu, nagu ChatGPT, sest korporatiivsed poolsuletud mudelid on turul olevatest piiratumad ega vasta kasutajate vajadustele. Uuring järeldab, et paindlikud ja kohanduvad süsteemid on edu võti.

Eesti gümnaasiumide katsumus 

Nagu eelmisel nädalal „Aktuaalsest kaamerast“ kuulsime, on ka TI-hüppe juhid probleemi teadvustanud: õpilased ei pruugi uut mudelit kasutada, kui see vastuste asemel küsimusi esitab. Kui kõik teised sarnased tööriistad on tasuta kättesaadavad, tundub mure õigustatud.

Suur osa õpilasi teeb nõutud ülesandeid lihtsaimal viisil. Loomulikult leidub igas aines neid, kes tahavad asja selgeks saada, kuid enamik klassist suhtub õppimisse parimal juhul neutraalselt.

Siiski pole lahendus tüütute ülesannete pealesurumine ja senisest parem kontrollimine. Küsimus on, kuidas koostada ülesandeid, mille lahendamisel tuleb kasutada nii oma pead kui ka tehisaru. Muuta tuleb motivatsiooni.

Esimene suund: kriitilise mõtlemise arendamine

Mudelite info vajab kontrollimist. Suured keelemudelid hallutsineerivad – nad prognoosivad, milline sõna võiks juba genereeritud sõnadele järgneda, mitte ei kontrolli väidete tõesust. Treeningmaterjalides on vigu, kõige värskematele faktidele ei pääse ligi ja veebiallikad võivad olla aegunud või vigased. Lisaks hindavad mudeleid treenimise käigus inimesed ja teised mudelid, kes ise võivad eksida. Kokkuvõttes ajavad mudelid aeg-ajalt jama ja see on õppimise seisukohalt hea.

„Õpilased ei pruugi uut mudelit kasutada, kui see vastuste asemel küsimusi esitab.“

See tähendab, et õppeprotsess tuleb osaliselt ümber pöörata. Õpilase ülesanne peaks olema leida vigu ja põhjendada – midagi sarnast ajalehtede faktikontrolliga.

Näited

Ajalugu. Õpilane peab kirjutama AI abil ülevaate mõnest väga vähe teatud sündmusest Eesti ajaloos, mille kohta internetis on infot minimaalselt või pole üldse. Seejärel peab ta tuvastama roboti kirjutatud tekstis vead, kasutades näiteks mõnda allikat, mis on vaid paberil ja mille annab talle õpetaja.

Matemaatika. Õpilane peab iseseisvalt või koos TI-ga parandama lahenduskäigu, kuhu on tahtlikult jäetud loogika- või arvutusviga.

Eesti keel. Õpilane saab korrektse teemaga kirjandi, kus on fakti-, grammatika- ja stiilivigu. Ülesanne on tekst toimetada ja parandusi põhjendada.

Sellise oskuse omandamiseks on vaja teema selgeks teha – ehk õppida. Lisaks aitab kriitiline mõtlemine hinnata inimeste juttu, mis on elus kasulik oskus.

Teine suund: teadmiste rakendamine 

Füüsikaülesanne saab uue mõõtme, kui rakendada sama põhimõtet nagu kunagi sillaehitajate puhul: meister pidi pärast silla valmimist kuu aega perega selle all elama. Motivatsioonimehhanism oli selge.

Samamoodi peaks õpilane saama eksperimentaalset tagasisidet: kui ta teeb vea, peaks see avalduma. Programmeerimises on see lihtne – vale kood ei käivitu. Teistes ainetes on teadmisi rakendada keerulisem, kuid mitte võimatu.

„Uuringu suurim järeldus oli hämmastav: enamik organisatsioone ei saa tehisintellektil põhinevaid tööriistu kasutades veel märkimisväärset tulu.“

Praktilised näited

Keemia. Õpilane arvutab TI abil välja, kui palju soola tuleb lisada, et saada teatud kontsentratsiooniga lahus, mis sobib kurkide soolamiseks. Siis teeb ta lahuse päriselt valmis ja kontrollib tulemust, püüdes seda juua. Ilmselt on ta nii motiveeritum mitte eksima kui ülesannet vaid paberil täites.

Majandus. Õpilane investeerib mõnel simulaatoril aktsiatesse, kasutades TI nõuandeid. Ta analüüsib igal nädalal tulemusi ning TI ennustuste ja soovituste paikapidavust.

Geograafia. Õpilane prognoosib tehisaru mudelite abil järgmise nädala ilma ja võrdleb oma tulemusi tegeliku ilmaga.

Kontrollifunktsiooni peaks vähem täitma õpetaja ja rohkem tagasiside päris elust. Üks võimalus kriitilist mõtlemist arendada on kontrollida klassikaaslaste töid. Võib-olla olen naiivne, aga usun, et kes on selles iseseisvalt või koostöös robotitega edukas, on tulevikus kõva tegija. 

Ei tohi asendada mõtlemist

Neid ideid pole kerge ellu rakendada, kuid selles suunas võiks asjad liikuda, kui tahame, et õpilased koolis uues keskkonnas midagi kasulikku õpiksid. Tehisintellekt ei tohi asendada mõtlemist, vaid peab aitama õpitut rakendada ja kriitiliselt analüüsida.
Sellesse paradigmasse sobivate ülesannete kavandamisel võib muidugi küsida nõu ka keelemudelitelt endilt. Paradoksaalselt võivad nad osutuda üllatavalt andekaks just selliste ülesannete loomisel, mis nõuavad inimlikku mõtlemist ja analüüsi.
Lihtne nipp: kopeerige mõnele juturobotile taustaks seesama artikkel, paluge tal pakkuda sada näidisülesannet ja visake kehvad pakkumised minema.

TI-hüppe edu sõltub sellest, kas suudame tehisaru muuta õppimise toetajaks, mitte lihtsalt vastuste andjaks. See nõuab nii õpetajatelt kui ka õpilastelt uut lähenemist, kuid tulemus võib olla haridusrevolutsioon, mida me kõik vajame.