Miksi Transformer-arkkitehtuuri on avainkysymys?

Transformer-arkkitehtuuri on yksi merkittävimmistä innovaatioista, joka on mullistanut tekoälyn ja kielimallien kehityksen. Sen avulla pystytään käsittelemään entistä laajempia tietomääriä ja tuottamaan kielellisesti tarkempia ja kontekstuaalisesti merkityksellisempiä tekstejä. Tämä mahdollistaa laajemmat sovellukset tekoälyn eri alueilla, kuten kielen ymmärtämisessä, luomisessa ja monilla muilla alueilla, kuten robotiikassa ja taiteessa.

Yksi suurimmista odotuksista, jotka liittyvät Transformer-arkkitehtuuriin ja erityisesti suurten kielimallien (LLM) kehittymiseen, on niiden potentiaali kehittää ihmisen ja koneen välisiä vuorovaikutusmuotoja, kirjoittamista, robotiikkaa sekä taiteen ja luovien alojen, kuten maalausta, musiikkia ja kirjoittamista. Tämä kehitys ei rajoitu vain kielimallien käyttöön, vaan voi ulottua myös visioon, robotiikkaan ja muihin tekoälyn tutkimusalueisiin. Kuitenkin tämän suuren potentiaalin rinnalla nousee myös eettisiä kysymyksiä, kuten ennakkoluulojen opettaminen ja väärän tiedon leviäminen, tietosuoja ja malli-arkkitehtuurin väärinkäyttö.

Kielimallien opettaminen eri tietoaineistoilla tuo mukanaan vaaran oppia ja välittää piileviä ennakkoluuloja. Tällaiset mallit voivat siis vahvistaa stereotyyppisiä käsityksiä ja virheellistä tietoa. Lisäksi suurten mallien käyttöön liittyy tietosuojaongelmia, sillä niiden koulutuksessa käytettävät tietoaineistot voivat sisältää yksityistä tietoa. Näiden ongelmien ratkaiseminen on tärkeää, jotta kielimalleja voidaan kehittää ja käyttää oikealla tavalla. Haasteita ovat esimerkiksi ennakkoluulojen tunnistaminen ja poistaminen, mallien väärinkäytön estäminen ja tietosuojaa koskevien sääntöjen noudattaminen.

Transformer-arkkitehtuuri syntyi vastauksena vanhempien neuroverkkomallien, kuten RNN:ien (rekursiiviset neuroverkot) ja LSTM:ien (pitkäkestoiset muistiverkot), rajoituksiin. Vaikka nämä mallit olivat kehittyneet käsittelemään aikarajoitteisia riippuvuuksia, niillä oli merkittäviä ongelmia, kuten pitkän aikavälin riippuvuudet ja laskentatehon rajoitukset. RNN-mallit eivät pystyneet käsittelemään pitkän aikavälin konteksteja ja kärsivät niin sanotusta katoavien ja räjähtävien gradienttien ongelmasta, mikä teki niiden käytöstä hankalaa.

Transformer-malli, joka esiteltiin vuonna 2017 Vaswanin ja muiden tekijöiden tutkimuksessa "Attention Is All You Need", esitteli uuden tavan käsitellä sekventiaalista dataa. Toisin kuin edelliset mallit, Transformer ei käytä silmukoita, vaan nojaa itsehuomiointimekanismeihin ja syöttöverkkoihin, jotka mahdollistavat rinnakkaisen laskennan ja näin ollen parantavat tehokkuutta. Tämä rakenne on erityisesti hyödyllinen kielitehtävissä, joissa tarvitaan kontekstin ymmärtämistä ja pitkien yhteyksien säilyttämistä.

Transformerin perusarkkitehtuuri koostuu kahdesta pääkomponentista: enkooderista ja dekooderista. Enkooderi muuntaa syötedatan piilotilaan, joka säilyttää kontekstuaaliset suhteet, ja dekooderi tuottaa syötetyn datan pohjalta ennusteet tai käännökset. Molemmat komponentit sisältävät itsehuomiointimekanismeja, jotka mahdollistavat kontekstin ymmärtämisen ja säilyttämisen sekä optimaalisten ennusteiden tuottamisen.

Dekooderi puolestaan käyttää maskeerattua itsehuomiota, mikä varmistaa, että se ei "näe" tulevia tokenneja ennustettaessa seuraavaa sanaa. Tämä puolestaan auttaa varmistamaan, että mallin ennusteet perustuvat vain aiempiin sanoihin ja konteksteihin. Dekooderi käyttää myös itsehuomiointia enkooderin tuottaman tiedon integroimiseksi, mikä takaa, että ennusteet ovat tarkempia ja kontekstuaalisesti merkityksellisiä.

On kuitenkin tärkeää huomata, että vaikka Transformer-arkkitehtuuri on huomattavasti parantanut suorituskykyä ja tarkkuutta, sen kehittäminen ja käyttö ei ole vailla haasteita. Mallien koulutuksessa käytettävien tietoaineistojen laatu ja eettiset näkökohdat ovat keskeisiä tekijöitä, jotka vaikuttavat siihen, miten hyvin ja turvallisesti näitä malleja voidaan käyttää. Lisäksi vaikka Transformer-mallit ovat tehokkaita, niiden laskentatehontarve on suuri, mikä voi rajoittaa niiden käytön laajentamista joissain sovelluksissa.

Miten Neuroverkot kehittyivät suuriin kielimalleihin?

Neuroverkot ovat kehittyneet huomattavasti vuosikymmenten aikana, ja niiden kehitykselle on ollut merkittävä vaikutus suurien kielimallien (LLM) syntyyn. Tämä kehitys ei ole ollut suoraa tai yksinkertaista, sillä siihen on liittynyt monia vaiheita, joita on tarvittu nykyisten tehokkaiden kielimallien luomiseksi. Erityisesti luonnollisen kielen käsittely (NLP) ja sen alalla tapahtunut innovaatio ovat muovanneet tekoälyn maisemaa.

Aluksi luonnollisen kielen prosessoinnissa käytettiin yksinkertaisempia lähestymistapoja, kuten n-grammeja, jotka olivat perusmalleja sanojen yhteyksien arvioimiseen. Nämä mallit kuitenkin kärsivät rajoituksista: ne eivät pystyneet käsittelemään pitkiä lauseita tai ymmärtämään laajempia konteksteja. Näin ollen tarvittiin edistyneempiä tekniikoita, kuten piilomarkovin mallit (HMM), mutta nämäkään eivät olleet tarpeeksi joustavia ja tehokkaita.

Kehitys vei kuitenkin kohti monimutkaisempia neuroverkkoja, ja vuosituhannen vaihteen tienoilla alettiin käyttää syväoppimismenetelmiä, jotka pystyivät mallintamaan monimutkaisempia piirteitä ja suhteita kielessä. Yksi merkittävä askel eteenpäin oli rekursiivisten neuroverkkojen (RNN) synty. RNN-mallit olivat ensimmäinen varsinainen askel kohti tehokkaampia kielimalleja, sillä ne pystyivät käsittelemään sekventiaalista tietoa, kuten lauseita ja sanojen järjestystä. Silti RNN-mallien suurena haasteena oli "long-term dependencies" eli pitkän aikavälin riippuvuudet, jotka olivat vaikeita hallita.

Tämän ongelman ratkaisu tuli pitkälti pitkän aikavälin muistiverkkojen (LSTM) kautta, jotka pystyivät käsittelemään pidempiä sekvenssejä ja muistamaan aiempia osia, jotka olivat tärkeitä myöhempien osien ymmärtämiseksi. Vaikka LSTM:t olivat merkittävä parannus verrattuna perinteisiin RNN:iin, ne eivät kuitenkaan poistanut kaikkia rajoitteita, erityisesti laskennallisessa tehokkuudessa ja monimutkaisuudessa. Tässä kohtaa GRU-verkot (Gated Recurrent Units) astuivat kuvaan. GRU:t ovat yksinkertaisempia ja tehokkaampia verrattuna LSTM:iin, ja niiden kyky käsitellä sekventiaalisia tietoja oli omiaan edistämään kielimallien kehitystä.

Näiden tekniikoiden kehityksen myötä siirryttiin monimutkaisempaan rakenteeseen, joka oli jo valmiimpi tukemaan suuria kielimalleja: Transformer-arkkitehtuuriin. Transformer mallit mullistivat kenttää, koska ne pystyivät käsittelemään laajoja datamääriä ja erottamaan tärkeitä tietoja ilman, että jouduttiin turvautumaan perinteisiin sekventiaalisiin malleihin. Perinteisten RNN- ja LSTM-rakenteiden sijasta Transformer pohjautuu täysin uuteen lähestymistapaan nimeltä "attention mechanism", jossa malli osaa kohdistaa huomionsa vain niihin osiin datasta, jotka ovat merkityksellisiä tietyssä hetkessä.

Tämän uuden lähestymistavan taustalla oleva ajatus on, että tietyt osat tekstistä voivat olla enemmän tärkeitä tietylle tehtävälle kuin toiset. Attention mekanismi tuo tähän ratkaisun, sillä se pystyy "kiinnittämään huomiota" tärkeisiin osiin ja jättämään vähemmän relevantit huomiotta. Tämän avulla voidaan saavuttaa huomattavia parannuksia tekstin ymmärtämisessä, käännöksissä ja monissa muissa kielitehtävissä.

Transformerin suurimpia etuja on sen kyky käsitellä erittäin pitkiä ja monimutkaisia syötteitä tehokkaasti, koska se ei ole rajoittunut samantapaisiin sekventiaalisiin rajoituksiin kuin edelliset mallit. Lisäksi sen rinnakkaistettavuus tekee siitä erityisen tehokkaan, kun mallia täytyy kouluttaa suurilla datamäärillä. Tämä on yksi syy, miksi suurten kielimallien, kuten GPT, BERT ja muut, käyttö on levinnyt niin nopeasti eri sovelluksissa, kuten käännöksissä, tekstin luomisessa ja analysoinnissa.

Transformer-arkkitehtuuri itsessään on kuitenkin monimutkainen ja vaatii suuria laskentatehoja. Tämä on johtanut kysymykseen siitä, miten nämä mallit voidaan optimoida ja tehdä käytettävissä laajemmin eri sovelluksissa. Koko tekoälyn kenttä on täynnä uusia tutkimuksia ja innovaatiota, joiden avulla yritetään ratkaista Transformer-mallien ja niiden laajojen kielimallien rajoitteita, kuten laskentatehoon liittyviä haasteita ja mallien ennustettavuuden parantamista.

On tärkeää ymmärtää, että suurien kielimallien kehitys ei ole vain teknologinen edistysaskel, vaan se tuo mukanaan myös eettisiä ja yhteiskunnallisia kysymyksiä. Kehittäjät joutuvat miettimään, miten hallita mallien mahdollisia väärinkäytöksiä, kuten väärän tiedon levittämistä ja ihmisten yksityisyyden suojaa. Tämän vuoksi on tärkeää huomioida, että vaikka mallit kehittyvät nopeasti, niiden käyttöön liittyy aina vastuullisuuden ja läpinäkyvyyden vaatimuksia.

Miten tekoälymallit kehittyvät ja miksi turvallisuus on keskiössä?

Claude 2 eroaa GPT-3.5:stä monin tavoin. Ensinnäkin Claude 2 on rakennettu laajempaa datakokonaisuutta hyödyntäen, mikä sisältää niin tekstiä kuin koodia. Tämä monipuolisuus tekee siitä tarkemman ja tehokkaamman tuottamaan yksityiskohtaisempia ja luotettavampia vastauksia. GPT-3.5 puolestaan keskittyy ainoastaan tekstipohjaiseen dataan, mikä rajoittaa sen kykyä käsitellä monimutkaisempia tehtäviä. Toiseksi, Claude 2:lla on huomattavasti tiukempia turvallisuusominaisuuksia. Tämä sisältää monenlaisia suodattimia ja tunnistusalgoritmeja, jotka pyrkivät estämään puolueellisten tai haitallisten sisältöjen tuottamisen. GPT-3.5:ssä taas tällaisia turvatoimia ei ole, mikä tekee siitä alttiimman haitallisten tai epäeettisten tulosten tuottamiseen. Näin ollen, Claude 2:n suunnittelu keskittyy enemmän ihmisten arvoihin ja terveeseen järkeen, mikä edesauttaa sen luonteen mukaista ja turvallista vuorovaikutusta käyttäjien kanssa.

Samalla kun tekoälymallien kehitys on huimassa kasvussa, uusia malleja kuten Falcon AI ja LLaMa 2 tuovat entistä monipuolisempia sovelluksia ja parannuksia. Falcon AI, joka on kehitetty Yhdistyneissä Arabiemiirikunnissa, on monikäyttöinen malli, joka pystyy tuottamaan tekstiä, kääntämään kieliä, vastaamaan kysymyksiin ja jopa luomaan koodia. Falcon AI:n avulla voidaan analysoida tietoja ja tiivistää pitkiä tekstejä, mutta sen haasteena on se, että se voi sisältää sisäisiä vinoutumia, joita on hallittava vastuullisesti. Falcon AI:lla on kaksi erilaista mallia: 180 miljardin parametrin Falcon 180B ja 40 miljardin parametrin Falcon 40B. Molemmat mallit soveltuvat erilaisiin tehtäviin riippuen tarvittavasta laskentatehosta.

LLaMa 2, joka on Meta AI:n seuraavan sukupolven malli, tuo mukanaan merkittäviä parannuksia, kuten laajemman koulutusdatapohjan ja pidemmän kontekstin käsittelyn, joka parantaa mallin kykyä ymmärtää ja tuottaa pidempiä tekstejä. Tämä uusi versio käyttää myös uusimpia teknologioita, kuten SwiGLU-aktivaatiota ja pyörivää sijaintisidontaa, jotka parantavat mallin tehokkuutta ja suorituskykyä. LLaMa 2:n kyky käsitellä laajempaa kontekstia tekee siitä entistä hyödyllisemmän kysymysten ja vastausten käsittelyssä sekä tekstin tiivistämisessä.

Vaikka nämä edistykselliset mallit lupaavat paljon, on tärkeää ymmärtää, että ne eivät ole virheettömiä. Suurissa kielimalleissa on aina riski, että ne saattavat tuottaa vinoutunutta tietoa tai sisältöä, joka ei ole eettisesti hyväksyttävää. Tämän vuoksi on tärkeää käyttää tekoälyä vastuullisesti ja olla tietoinen sen rajoituksista. On myös huomattava, että vaikka tekoäly voi tuottaa monimutkaisempia ja tarkempia tuloksia kuin koskaan aiemmin, se ei ole täydellinen korvike ihmiselle. Ihmisen rooli arvioijana ja valvojana on edelleen elintärkeä, jotta voimme varmistaa, että teknologia toimii parhaalla mahdollisella tavalla.

Kuinka ChatGPT tukee tutkimusta, oikeudellisia toimia ja liiketoimintaa?

ChatGPT:llä on monia käytännön sovelluksia, jotka auttavat eri toimialojen ammattilaisia tutkimuksen, lakiasioiden ja liiketoiminnan kehittämisen parissa. Erityisesti se tarjoaa tukea, joka voi nopeuttaa prosesseja ja parantaa työn tehokkuutta monilla eri alueilla. Sen avulla voidaan luoda selkeä rakenne, joka helpottaa tiedon esittämistä ja organisoimista. Tämä on erityisen hyödyllistä opiskelijoille ja tutkijoille, jotka tarvitsevat apua tutkimustyön valmistelussa ja kirjoittamisessa.

Lisäksi ChatGPT:n avulla voidaan tutkia ja ymmärtää monimutkaisempia aiheita yksinkertaisesti. Se voi herättää opiskelijan mielenkiinnon ja innostaa häntä syventämään tietämystään. Esimerkiksi kvanttifysiikan perusasioiden ymmärtäminen voi saada opiskelijan haluamaan oppia lisää ja syventämään omaa tutkimustaan.

ChatGPT:n käyttö ei rajoitu vain akateemisiin tarpeisiin. Se voi auttaa myös yrityksiä, jotka tarvitsevat tukea oikeudellisessa asiantuntemuksessa ja lakiasioiden käsittelyssä. Sen avulla voidaan tutkia lakitapauksia, laatia asiakirjoja ja tarkistaa säädöksiä. Tämä ei kuitenkaan tarkoita sitä, että tekoäly voisi korvata ammattimaisen asianajajan – se tarjoaa vain lisäapua ja tekee prosesseista sujuvampia ja tehokkaampia.

Erityisesti lakitapauksia tutkittaessa ChatGPT voi auttaa asianajajaa löytämään merkityksellisiä ennakkotapauksia ja oikeudellisia perusteita, jotka tukevat tiettyä näkemystä. Esimerkiksi immateriaalioikeuksia käsittelevässä oikeusjutussa asianajaja voi käyttää ChatGPT:tä etsiessään aiempia ratkaisuja, jotka auttavat hänet muodostamaan vahvemman argumentin omassa asiassaan. Tällainen apu säästää aikaa ja parantaa oikeudellista työtä.

Laillisten asiakirjojen laatimisessa ChatGPT voi auttaa luomaan asiakirjamalleja ja valmistelemaan sopimuksia, kuten salassapitosopimuksia (NDA), jotka täyttävät oikeudelliset vaatimukset. Tekoäly auttaa varmistamaan, että asiakirjat on kirjoitettu oikeilla juridisilla termeillä ja että ne täyttävät lain vaatimukset. Tämä voi olla erityisen hyödyllistä pienille yrityksille, jotka eivät välttämättä ole perehtyneet laajoihin oikeudellisiin sääntöihin ja käytäntöihin.

Samoin yrityksille, jotka haluavat ymmärtää sääntelyvaatimuksia, kuten GDPR:n, ChatGPT voi tarjota tärkeitä neuvoja ja ohjeita siitä, miten noudattaa lakeja ja sääntöjä. Tämä voi estää yrityksiä tekemästä virheitä, jotka voisivat johtaa oikeudellisiin seuraamuksiin. Lisäksi se voi auttaa pienyrityksiä saamaan perustiedot oikeudellisten ongelmien ratkaisemisesta ja auttaa navigoimaan työlainsäädännön ja muiden sääntöjen välillä.

Lisäksi ChatGPT voi tukea myös ihmisten rekrytointiprosessia. Kun yritykselle tulee suuri määrä hakemuksia, on tärkeää löytää paras ehdokas. ChatGPT voi hoitaa ensimmäisen haastattelukierroksen, kartoittaen hakijoiden koulutustaustan ja työkokemuksen, ja auttaa rekrytoijaa valitsemaan parhaat ehdokkaat jatkoon. Tämä voi huomattavasti nopeuttaa rekrytointiprosessia ja varmistaa, että vain parhaat ehdokkaat etenevät seuraavaan vaiheeseen.

Työpaikkailmoitusten laatimisessa ChatGPT voi auttaa kirjoittamaan tarkat ja selkeät ilmoitukset, jotka kuvastavat yrityksen kulttuuria ja vaatimuksia. Tämä varmistaa, että hakijat ymmärtävät tarkalleen, mitä työtehtävältä odotetaan, ja että ne, jotka hakevat paikkaa, sopivat organisaation arvoihin ja vaatimuksiin.

Miten Generatiivinen tekoäly muuttaa eri teollisuudenaloja ja sovelluksia?

Generatiivinen tekoäly on kokenut nopeaa kehitystä viime vuosina, ja sen mahdollisuudet näkyvät jo monilla eri elämänalueilla ja teollisuudenaloilla. Vaikka teknologia on suhteellisen nuori, sen vaikutus on ollut merkittävä, ja se on muuttanut perinteisiä käytäntöjä useissa eri sektoreissa. Tekoäly, joka luo uutta sisältöä, kuten tekstejä, kuvia ja koodia, on avannut uusia mahdollisuuksia ja parantanut tuottavuutta lukuisilla alueilla.

Yksi tunnetuimmista esimerkeistä on DALL-E, joka esiteltiin tammikuussa 2021. Se on esikoulutettu malli, joka yhdistää kuvat ja kuvaukset käyttäen neuroverkkoja. Käyttäjät voivat antaa kuvauksia tai tekstisisältöjä, ja DALL-E tuottaa valokuvantyyppisiä kuvia. Tämä työkalu ei ainoastaan luo kuvia alkuperäisestä näkökulmasta, vaan se mahdollistaa myös kuvan luomisen eri tyyleissä tai eri kulmista. DALL-E tarjoaa myös monia edistyksellisiä jälkikäsittelytyökaluja, kuten Inpaintingin ja Outpaintingin, jotka pystyvät jatkamaan kuvaa joko sen sisällä tai sen ulkopuolella. Nämä työkalut avaavat uusia mahdollisuuksia luoville ammattilaisille ja tarjoavat entistä enemmän muokattavuutta ja ilmaisuvälineitä.

Gemini, aiemmin tunnettu nimellä Bard, on Googlelle kehitetty tekstiin perustuva generatiivinen tekoäly. Se käyttää Googlen suurta kielimallia ja tarjoaa chatbotin kaltaisia palveluja, jotka pystyvät vastaamaan käyttäjien kysymyksiin tai luomaan tekstiä niiden syötteiden perusteella. Aluksi esitelty Google-haun täydentävänä työkaluna, Gemini on vuodesta 2024 integroitu osaksi hakutuloksia, jolloin AI esittää vastauksia kysymyksiin perinteisten hakutulosten rinnalla. Tämä kehitys on tehnyt Gemini-sovelluksesta entistä käyttäjäystävällisemmän ja tehokkaamman tiedonhakuvälineen.

Generatiivisen tekoälyn sovellukset ovat laajat ja moninaiset. Yksi sen tärkeimmistä käytöistä on käännöksissä. Tekoäly mahdollistaa reaaliaikaisen kielenkäännöksen ja tekstitysten luomisen, mikä helpottaa viestintää eri kieliryhmien välillä. Se auttaa myös luomaan ja muokkaamaan luovia, akateemisia ja liiketoiminnallisia tekstejä, kuten blogikirjoituksia, artikkeleita, akateemisia papereita ja liiketoimintaraportteja. Tekoälyn käyttö kirjoittamisessa ja sisällöntuotannossa on tehostanut monia toimialoja ja mahdollistanut entistä nopeamman sisällön tuottamisen.

Generatiivinen tekoäly on myös vaikuttanut ohjelmistokehitykseen. Se voi luoda koodia ja suunnitella käyttöliittymiä, mikä parantaa ohjelmistokehityksen tehokkuutta. Esimerkiksi GitHub Copilot on työkalu, joka nopeuttaa kehittäjien työtä jopa 55,8 prosentilla auttamalla koodin kirjoittamisessa. Tämä kehitys ei ainoastaan tehosta työskentelyä, vaan tuo mukanaan myös uusia mahdollisuuksia automaatiolle ja ohjelmointityökalujen parantamiselle.

Generatiivinen tekoäly on myös avannut uusia mahdollisuuksia puheentunnistuksessa ja ääniavusteisissa sovelluksissa. Se mahdollistaa puheesta tekstiksi -muunnoksen ja ääniavusteisten järjestelmien kehittämisen, mikä parantaa esteettömyyttä ja käyttäjäkokemusta. Samalla se mahdollistaa puheentunnistuksen tarkkuuden ja vuorovaikutuksen parantamisen.

Kun otetaan huomioon tekoälyn mahdollisuudet eri alueilla, on selvää, että sen käyttötarkoitukset tulevat laajenemaan entisestään. Esimerkiksi 3D-mallinnus ja arkkitehtoninen visualisointi ovat osa sen sovelluksia, ja tekoäly voi luoda tarkkoja malleja ja auttavat suunnittelijat esittämään konsepteja ja suunnitelmia visuaalisessa muodossa.

Generatiivisen tekoälyn käyttö eri teollisuudenaloilla ei rajoitu vain ohjelmointiin ja luovaan työskentelyyn. Se on alkanut muuttaa myös perinteisiä sektoreita, kuten pankkitoimintaa, autoteollisuutta, terveydenhuoltoa, tiedettä ja ilmastotutkimusta. Pankkitoiminnassa tekoäly voi auttaa parantamaan asiakaspalvelua ja luottoriskien hallintaa, kun taas autoteollisuudessa sitä käytetään simuloimaan itseajavien autojen testaamista ja parantamaan niiden luotettavuutta.

Tekoälyn vaikutus koulutukseen on myös merkittävä. Se parantaa opetusta, tarjoaa interaktiivisia oppimisalustoja ja tukee oppilaita yksilöllisesti. Tekoäly voi auttaa myös julkishallinnossa, esimerkiksi analysoimalla sääriskien vaikutuksia tai parantamalla asiakaspalvelua.

Generatiivinen tekoäly on tuonut huimaa muutosta eri teollisuudenaloille ja sen vaikutus tulee vain kasvamaan. Teknologian kehittyessä sen kyvyt monimutkaisempien tehtävien suorittamiseen lisääntyvät, ja tekoäly tulee olemaan tärkeä työkalu tulevaisuuden innovaatioissa.