Lyhyt vastaus: Generatiivisen tekoälyn päätavoitteena on tuottaa uutta, uskottavaa sisältöä (tekstiä, kuvia, ääntä, koodia ja paljon muuta) oppimalla olemassa olevan datan kaavoja ja laajentamalla niitä vastauksena kehotteeseen. Se on yleensä hyödyllisin silloin, kun tarvitset nopeita luonnoksia tai useita muunnelmia, mutta jos tosiasioiden tarkkuus on tärkeää, lisää perustelut ja tarkistus.
Keskeiset tiedot:
Sukupolvi : Se luo uusia tuotoksia, jotka heijastavat opittuja malleja, eivätkä tallennettua "totuutta".
Maadoitus : Jos tarkkuudella on merkitystä, yhdistä vastaukset luotettaviin dokumentteihin, viittauksiin tai tietokantoihin.
Hallittavuus : Käytä selkeitä rajoituksia (muoto, faktat, sävy) ohjataksesi tuotoksia johdonmukaisemmin.
Väärinkäytön esto : Lisää turvakaiteita estääksesi vaarallisen, yksityisen tai kielletyn sisällön.
Vastuullisuus : Käsittele tuotoksia luonnoksina; kirjaa, arvioi ja ohjaa riskialttiit työt ihmisille.
Artikkelit, joita saatat haluta lukea tämän jälkeen:
🔗 Mikä on generatiivinen tekoäly
Ymmärrä, miten mallit luovat tekstiä, kuvia, koodia ja paljon muuta.
🔗 Onko tekoäly ylihypetetty
Tasapainoinen katsaus hypeen, rajoituksiin ja todelliseen vaikutukseen.
🔗 Mikä tekoäly sopii sinulle
Vertaile suosittuja tekoälytyökaluja ja valitse sopivin.
🔗 Onko olemassa tekoälykuplaa
Merkkejä seurattavaksi, markkinariskit ja mitä seuraavaksi tapahtuu.
Generatiivisen tekoälyn päätavoite🧠
Jos haluat lyhyen ja tarkimman selityksen:
-
Generatiivinen tekoäly oppii datan "muodon" (kieli, kuvat, musiikki, koodi)
-
Sitten se luo uusia näytteitä , jotka vastaavat kyseistä muotoa
-
Se tekee tämän vastauksena kehotteeseen, kontekstiin tai rajoituksiin
Joten kyllä, se voi kirjoittaa kappaleen, maalata kuvan, miksata melodian uudelleen, laatia sopimuslausekkeen, luoda testitapauksia tai suunnitella logon kaltaisen asian.
Ei siksi, että se "ymmärtää" kuten ihminen (palaamme siihen myöhemmin), vaan koska se on hyvä tuottamaan tuloksia, jotka ovat tilastollisesti ja rakenteellisesti yhdenmukaisia oppimiensa mallien kanssa.
Jos haluat aikuismaisen näkökulman siihen, miten tätä käytetään haravoimatta, NIST:n tekoälyriskien hallintakehys on vankka ankkuri riski + kontrollit -ajattelulle. [1] Ja jos haluat jotain erityisesti generatiivisiin tekoälyriskeihin (ei vain tekoälyyn yleensä) räätälöityä, NIST julkaisi myös GenAI-profiilin, joka syventyy siihen, mikä muuttuu, kun järjestelmä tuottaa sisältöä. [2]
Miksi ihmiset kiistelevät "generatiivisen tekoälyn päätavoitteesta" 😬
Ihmiset puhuvat toistensa ohi, koska he käyttävät "tavoitteen" eri merkityksiä
Jotkut ihmiset tarkoittavat:
-
Tekninen tavoite: tuottaa realistisia ja johdonmukaisia tuloksia (ydin)
-
Liiketoimintatavoite: kustannusten vähentäminen, tuotoksen lisääminen, kokemusten personointi
-
Ihmisen tavoite: saada apua nopeampaan ajatteluun, luomiseen tai kommunikointiin
Ja kyllä, ne törmäävät.
Jos pysymme maadoittuina, generatiivisen tekoälyn päätavoite on generointi – sisällön luominen, jota ei aiemmin ollut olemassa, syötteen ehdollistamana.
Liiketoimintajutut tulevat alavirtaan. Kulttuuripaniikki tulee myös alavirtaan (anteeksi… tavallaan 😬).
Mistä ihmiset sekoittavat GenAI:n (ja miksi sillä on merkitystä) 🧯
Nopea "ei tätä" -lista selventää paljon hämmennystä :
GenAI ei ole tietokanta
Se ei "hae totuutta". Se tuottaa uskottavia tuloksia. Jos tarvitset totuutta, lisäät perusteet (dokumentit, tietokannat, viittaukset, ihmisen tekemä tarkistus). Tämä ero on pohjimmiltaan koko luotettavuuden kannalta ratkaiseva tekijä. [2]
GenAI ei ole automaattisesti agentti
Tekstiä luova malli ei ole sama asia kuin järjestelmä, joka voi turvallisesti suorittaa toimia (lähettää sähköpostia, muuttaa tietueita, ottaa käyttöön koodia). ”Voi luoda ohjeita” ≠ ”pitäisi suorittaa ne”
GenAI ei ole tarkoitus
Se voi tuottaa tarkoituksellisen kuuloista sisältöä. Se ei ole sama asia kuin tarkoituksellinen toiminta.
Mikä tekee generatiivisesta tekoälystä hyvän version? ✅
Kaikki ”generatiiviset” järjestelmät eivät ole yhtä käytännöllisiä. Hyvä generatiivisen tekoälyn versio ei ole vain sellainen, joka tuottaa kauniita tuloksia – se on sellainen, joka tuottaa tuloksia, jotka ovat arvokkaita, hallittavia ja kontekstissaan riittävän turvallisia.
Hyvässä versiossa on yleensä:
-
Johdonmukaisuus – se ei ole ristiriidassa itsensä kanssa joka toinen lause
-
Maadoitus - se voi sitoa tuotokset totuuden lähteeseen (dokumentit, viittaukset, tietokannat) 📌
-
Hallittavuus – voit ohjata sävyä, muotoa ja rajoituksia (ei vain tunnelman luomista)
-
Luotettavuus – samankaltaiset kehotteet tuottavat samanlaista laatua, eivät rulettitulokset
-
Turvakaiteet - ne välttävät vaarallisia, yksityisiä tai kiellettyjä ulostuloja suunnittelunsa ansiosta
-
Avoimuuskäyttäytyminen – se voi sanoa "en ole varma" keksimisen sijaan
-
Työnkulkuun sopiva – se sopii ihmisten työskentelytapoihin, ei kuvitelmaan
NIST kehystää koko keskustelun pohjimmiltaan "luotettavuus + riskienhallinta" -periaatteella, mikä on... epäseksikäs asia, jonka kaikki toivoisivat tehneensä aiemmin. [1][2]
Epätäydellinen metafora (valmistaudu): hyvä generatiivinen malli on kuin erittäin nopea keittiöapulainen, joka osaa valmistaa mitä tahansa... mutta joskus sekoittaa suolan sokeriin, ja tarvitset merkintöjä ja makutestejä, jotta et tarjoile jälkiruokapataa 🍲🍰
Nopea arkipäivän mini-tapaus (komposiitti, mutta hyvin tavallinen) 🧩
Kuvittele tukitiimi, joka haluaa GenAI:n laativan vastauksia luonnoksina:
-
Viikko 1: ”Anna mallin vastata tukipyyntöihin.”
-
Tuloste on nopeaa, varmaa… ja joskus kalliilla tavalla virheellistä.
-
-
Viikko 2: He lisäävät tiedonhaun (hakee tiedot hyväksytyistä dokumenteista) + mallit (”kysy aina tilitunnusta”, ”älä koskaan lupaa hyvityksiä” jne.).
-
Vääryys vähenee, johdonmukaisuus paranee.
-
-
Viikko 3: He lisäävät arviointikaistan (ihmisen hyväksyntä korkean riskin kategorioille) + yksinkertaiset arvioinnit (”käytäntöön viitattu”, ”hyvityssääntöä noudatettu”).
-
Nyt järjestelmä on käyttöönottokelpoinen.
-
Tuo eteneminen on pohjimmiltaan NISTin käytännön tarkoitus: malli on vain yksi kappale; sitä ympäröivät säädöt tekevät siitä riittävän turvallisen. [1][2]
Vertailutaulukko - suosittuja generatiivisia vaihtoehtoja (ja miksi ne toimivat) 🔍
Hinnat muuttuvat jatkuvasti, joten tämä pysyy tarkoituksella epämääräisenä. Lisäksi: kategoriat menevät päällekkäin. Kyllä, se on ärsyttävää.
| Työkalu / lähestymistapa | Yleisö | Hinta (noin) | Miksi se toimii (ja pieni omituisuus) |
|---|---|---|---|
| Yleiset LLM-chat-avustajat | Kaikki, joukkueet | Ilmainen taso + tilaus | Loistava luonnosteluun, yhteenvetoon ja ideointiin. Joskus itsevarmasti väärässä... kuin rohkea ystävä 😬 |
| API LLM -ohjelmat sovelluksille | Kehittäjät, tuotetiimit | Käyttöön perustuva | Helppo integroida työnkulkuihin; usein yhdistettynä hakutoimintoihin ja työkaluihin. Tarvitsee kaiteita tai homma kärjistyy |
| Kuvageneraattorit (diffuusiotyyliset) | Luojat, markkinoijat | Tilaus/krediitit | Vahva tyylissä + variaatiossa; perustuu denoising-tyylisiin generointimalleihin [5] |
| Avoimen lähdekoodin generatiiviset mallit | Hakkerit, tutkijat | Ilmainen ohjelmisto + laitteisto | Hallinta + mukauttaminen, yksityisyyttä suojaavat asetukset. Mutta maksat asennuksen vaivan (ja näytönohjaimen lämmön) muodossa |
| Ääni-/musiikkigeneraattorit | Muusikot, harrastajat | Krediitit/tilaus | Nopea ideointi melodioista, sävellajeista ja äänisuunnittelusta. Lisensointi voi olla hämmentävää (lue ehdot) |
| Videogeneraattorit | Tekijät, studiot | Tilaus/krediitit | Nopeat kuvakäsikirjoitukset ja konseptiklipit. Kohtausten välinen yhdenmukaisuus on edelleen ongelma |
| Haku-laajennettu sukupolvi (RAG) | Yritykset | Infra + käyttö | Auttaa yhdistämään luomisen dokumentteihisi; yleinen tapa vähentää "keksittyä tavaraa" [2] |
| Synteettiset datageneraattorit | Datatiimit | Yritysmainen | Kätevä, kun dataa on niukasti/arkaluonteista; vaatii validoinnin, jotta luotu data ei hämää sinua 😵 |
Konepellin alla: generointi on pohjimmiltaan "kuvion viimeistelyä" 🧩
Epäromanttinen totuus:
Suuri osa generatiivisesta tekoälystä on "ennustaa, mitä seuraavaksi tapahtuu", skaalattuna suuremmaksi, kunnes se tuntuu joltain muulta.
-
Tekstissä: seuraavan tekstipätkän (merkkimäisen) tuottaminen sekvenssissä - klassinen autoregressiivinen asetelma, joka teki modernista kehotteista niin tehokkaita [4]
-
Kuvissa: aloita kohinalla ja poista siitä iteratiivisesti kohinaa rakenteeksi (diffuusioperheen intuitio) [5]
Siksi kehotteilla on merkitystä. Annat mallille osittaisen kuvion, ja se täydentää sen.
Tästä syystä generatiivinen tekoäly voi olla loistavaa myös seuraavissa asioissa:
-
"Kirjoita tämä ystävällisemmällä sävyllä"
-
"Anna minulle kymmenen otsikkovaihtoehtoa"
-
"Muunna nämä muistiinpanot siistiksi suunnitelmaksi"
-
"Luo tukirakenteiden koodi + testit"
...ja myös miksi sillä voi olla vaikeuksia seuraavien kanssa:
-
ehdoton tosiasiallinen tarkkuus ilman perusteluja
-
pitkät, hauraat päättelyketjut
-
yhtenäinen identiteetti useissa eri tuotoksissa (hahmot, brändiääni, toistuvat yksityiskohdat)
Se ei ole ihmisen "ajattelemista". Se luo uskottavia jatkojalosteita. Arvokkaita, mutta erilaisia.
Luovuuskeskustelu - "luominen" vs. "remiksaus" 🎨
Ihmiset kuumenevat täällä suhteettoman paljon. Ymmärrän sen tavallaan.
Generatiivinen tekoäly tuottaa usein luovia tuloksia, koska se voi:
-
yhdistää käsitteitä
-
tutkia variaatiota nopeasti
-
yllättäviä assosiaatioita
-
matkivat tyylejä aavemaisella tarkkuudella
Mutta sillä ei ole tarkoitusta. Ei sisäistä makua. Ei "Tein tämän, koska sillä on minulle merkitystä"
Pieni takaisku kuitenkin: ihmisetkin remiksaavat jatkuvasti. Teemme sen vain elettyjen kokemusten, tavoitteiden ja maun pohjalta. Joten nimike voi pysyä kiistanalaisena. Käytännössä se on luova vipuvarsi ihmisille, ja se on se osa, jolla on eniten merkitystä.
Synteettinen data - hiljaa aliarvostettu tavoite 🧪
Yksi yllättävän tärkeä generatiivisen tekoälyn haara on sellaisen datan luominen, joka käyttäytyy kuin oikea data, paljastamatta oikeita yksilöitä tai harvinaisia arkaluonteisia tapauksia.
Miksi se on arvokasta:
-
yksityisyyden ja vaatimustenmukaisuuden rajoitukset (vähemmän paljastumista todellisiin tietoihin)
-
harvinaisten tapahtumien simulointi (petosreunatapaukset, niche-putkilinjan viat jne.)
-
testausputket ilman tuotantodataa
-
datan lisäys, kun todelliset datajoukot ovat pieniä
Mutta ongelmana on se, että synteettinen data voi hiljaisesti toistaa samat vinoumat ja sokeat pisteet kuin alkuperäinen data – minkä vuoksi hallinta ja mittaaminen ovat yhtä tärkeitä kuin datan generointi. [1][2][3]
Synteettinen data on kuin kofeiinitonta kahvia – se näyttää hyvältä, tuoksuu oikealta, mutta ei aina tee sitä työtä, mitä luulit sen tekevän ☕🤷
Rajat - missä generatiivinen tekoäly on huono (ja miksi) 🚧
Jos muistat vain yhden varoituksen, muista tämä:
Generatiiviset mallit voivat tuottaa sujuvaa hölynpölyä.
Yleisiä vikaantumistyyppejä:
-
Hallusinaatiot - faktojen, viittausten tai tapahtumien itsevarma väärentäminen
-
Vanhentunut tieto – tilannekuvien avulla koulutetut mallit voivat menettää päivityksiä
-
Pikahauraus - pienet sanamuotomuutokset voivat aiheuttaa suuria tuotosmuutoksia
-
Piilotettu vinouma - vääristyneestä datasta opitut kaavat
-
Liiallinen tottelevaisuus – se yrittää auttaa silloinkin, kun sen ei pitäisi
-
Epäjohdonmukainen päättely – erityisesti pitkissä tehtävissä
Juuri tästä syystä puhutaan "luotettavasta tekoälystä": läpinäkyvyys, vastuullisuus, kestävyys ja ihmiskeskeinen suunnittelu eivät ole "kiva saada" -ominaisuuksia; ne ovat tapoja välttää luottamustykin lähettäminen tuotantoon. [1][3]
Menestyksen mittaaminen: tiedä milloin tavoite on saavutettu 📏
Jos generatiivisen tekoälyn päätavoitteena on "luoda arvokasta uutta sisältöä", menestysmittarit jakautuvat yleensä kahteen ryhmään:
Laadun mittarit (ihmis- ja automatisoidut)
-
oikeellisuus (tarvittaessa)
-
johdonmukaisuus ja selkeys
-
tyylin yhteensopivuus (sävy, brändin ääni)
-
täydellisyys (kattaa sen, mitä pyysit)
Työnkulun mittarit
-
säästetty aika tehtävää kohden
-
tarkistusten väheneminen
-
suurempi läpivirtaus ilman laadun heikkenemistä
-
käyttäjätyytyväisyys (paljastava mittari, vaikka sitä on vaikea mitata)
Käytännössä joukkueet törmäsivät kiusalliseen totuuteen:
-
malli pystyy tuottamaan "riittävän hyviä" luonnoksia nopeasti
-
mutta laadunvalvonnasta tulee uusi pullonkaula
Joten todellinen voitto ei ole pelkkä generointi. Kyse on generoinnista ja arviointijärjestelmistä – hakujen maadoitus, arviointijärjestelmät, lokitiedot, red teaming, eskalointipolut… kaikki se epäseksikäs juttu, joka tekee siitä totta. [2]
Käytännön vinkkejä "käytä sitä ilman katumusta" 🧩
Jos käytät generatiivista tekoälyä mihin tahansa muuhun kuin satunnaiseen hauskanpitoon, muutamat tavat auttavat paljon:
-
Pyydä rakennetta: ”Anna minulle numeroitu suunnitelma ja sitten luonnos.”
-
Pakota rajoitukset: ”Käytä vain näitä tietoja. Jos puuttuu, kerro, mitä puuttuu.”
-
Pyydä epävarmuutta: ”Listaa oletukset + luottamus.”
-
Käytä maadoitusta: yhdistä dokumentteihin/tietokantoihin, kun faktoilla on merkitystä [2]
-
Käsittele tuotoksia luonnoksina: jopa erinomaisia
Ja yksinkertaisin kikka on inhimillisin: lue se ääneen. Jos se kuulostaa siltä kuin joku robotti yrittäisi tehdä vaikutuksen esimieheesi, se luultavasti kaipaa editointia 😅
Yhteenveto 🎯
Generatiivisen tekoälyn päätavoitteena on luoda uutta sisältöä, joka sopii kehotteeseen tai rajoitteeseen , oppimalla datasta kaavoja ja tuottamalla uskottavia tuloksia.
Se on voimakas, koska se:
-
nopeuttaa suunnittelua ja ideointia
-
moninkertaistaa variaatiot edullisesti
-
auttaa kuromaan umpeen osaamisvajeita (kirjoittaminen, koodaus, suunnittelu)
Se on riskialtista, koska se:
-
osaa sujuvasti sepittää faktoja
-
perii ennakkoluuloja ja sokeita pisteitä
-
tarvitsee maadoitusta ja valvontaa vakavissa tilanteissa [1][2][3]
Hyvin käytettynä se on vähemmän "korvaavaa aivoa" ja enemmän "vetomoottoria turbolla".
Huonosti käytettynä se on itseluottamuksen tykki, joka on suunnattu työnkulkuusi... ja se tulee nopeasti kalliiksi 💥
Usein kysytyt kysymykset
Mikä on generatiivisen tekoälyn päätavoite arkikielessä?
Generatiivisen tekoälyn päätavoitteena on tuottaa uutta, uskottavaa sisältöä – tekstiä, kuvia, ääntä tai koodia – olemassa olevasta datasta oppimiensa mallien perusteella. Se ei hae "totuutta" tietokannasta. Sen sijaan se tuottaa tuloksia, jotka ovat tilastollisesti yhdenmukaisia aiemmin näkemiensä kanssa, ja joita muokkaavat kehotteesi ja antamasi rajoitteet.
Miten generatiivinen tekoäly luo uutta sisältöä kehotteesta?
Monissa järjestelmissä generointi toimii kuten kuvion täydentäminen skaalautuvasti. Tekstin tapauksessa malli ennustaa, mitä seuraavaksi tapahtuu sekvenssissä, luoden yhtenäisiä jatkumoita. Kuvien tapauksessa diffuusiotyyppiset mallit alkavat usein kohinalla ja iteratiivisesti "poistavat kohinaa" kohti rakennetta. Kehotteesi toimii osittaisena mallina, ja malli täydentää sen.
Miksi generatiivinen tekoäly joskus keksii faktoja niin varmasti?
Generatiivinen tekoäly on optimoitu tuottamaan uskottavia ja sujuvia tuloksia – ei takaamaan tosiasioiden oikeellisuutta. Siksi se voi tuottaa itsevarmalta kuulostavaa hölynpölyä, tekaistuja viittauksia tai virheellisiä tapahtumia. Kun tarkkuudella on merkitystä, tarvitaan tyypillisesti perusteita (luotettavat dokumentit, viittaukset, tietokannat) sekä ihmisen suorittamaa tarkistusta, erityisesti riskialttiissa tai asiakaskohtaamisessa työssä.
Mitä "maadoitus" tarkoittaa ja milloin sitä tulisi käyttää?
Maadoitus tarkoittaa mallin tuotoksen yhdistämistä luotettavaan totuuden lähteeseen, kuten hyväksyttyyn dokumentaatioon, sisäisiin tietokantoihin tai strukturoituihin tietokantoihin. Maadoitusta tulisi käyttää aina, kun tosiasioiden oikeellisuudella, käytäntöjen noudattamisella tai johdonmukaisuudella on merkitystä – tukivastauksissa, laki- tai talousluonnoksissa, teknisissä ohjeissa tai missä tahansa, mikä voisi aiheuttaa konkreettista vahinkoa, jos se on väärin.
Miten teen generatiivisen tekoälyn tuotoksista johdonmukaisempia ja hallittavampia?
Hallittavuus paranee, kun lisäät selkeitä rajoituksia: vaadittu muoto, sallitut faktat, sävyohjeet ja selkeät "tee/älä"-säännöt. Mallit auttavat ("Kysy aina X", "Älä koskaan lupaa Y"), samoin kuin strukturoidut kehotteet ("Anna numeroitu suunnitelma ja sitten luonnos"). Mallin pyytäminen luettelemaan oletuksia ja epävarmuustekijöitä voi myös vähentää ylivarmaa arvailua.
Onko generatiivinen tekoäly sama asia kuin agentti, joka voi suorittaa toimia?
Ei. Sisältöä luova malli ei automaattisesti ole järjestelmä, jonka pitäisi suorittaa toimintoja, kuten sähköpostien lähettämistä, tietueiden muuttamista tai koodin käyttöönottoa. ”Voi luoda ohjeita” on eri asia kuin ”niiden turvallinen suorittaminen”. Jos lisäät työkalujen käytön tai automaation, tarvitset yleensä ylimääräisiä suojakaiteita, käyttöoikeuksia, lokinnusta ja eskalointipolkuja riskien hallitsemiseksi.
Mikä tekee generatiivisesta tekoälyjärjestelmästä "hyvän" todellisissa työnkuluissa?
Hyvä järjestelmä on arvokas, hallittavissa ja kontekstissaan riittävän turvallinen – ei vain vaikuttava. Käytännön signaaleihin kuuluvat johdonmukaisuus, luotettavuus samankaltaisten kehotteiden välillä, maadoitus luotettaviin lähteisiin, turvakaiteet, jotka estävät luvattoman tai yksityisen sisällön, ja avoimuus epävarmoissa tilanteissa. Ympäröivä työnkulku – arviointikaistat, seuranta ja seuranta – on usein yhtä tärkeä kuin malli.
Mitkä ovat suurimmat rajoitukset ja vikaantumistyypit, joita kannattaa seurata?
Yleisiä epäonnistumistyyppejä ovat hallusinaatiot, vanhentunut tieto, tiedon hauraus, piilevä vinouma, liiallinen tottelevaisuus ja epäjohdonmukainen päättely pitkissä tehtävissä. Riski kasvaa, kun tuotoksia käsitellään valmiina töinä luonnosten sijaan. Tuotantokäyttöön tiimit lisäävät usein haun maadoituksen, arvioinnit, lokitiedot ja ihmisen tekemän tarkistuksen arkaluontoisille luokille.
Milloin synteettisen datan generointi on hyvä esimerkki generatiivisen tekoälyn käytöstä?
Synteettinen data voi auttaa, kun todellista dataa on niukasti, se on arkaluontoista tai sitä on vaikea jakaa, ja kun tarvitaan harvinaisia simulaatioita tai turvallisia testausympäristöjä. Se voi vähentää todellisten tietueiden paljastumista ja tukea testiputken testausta tai augmentaatiota. Se tarvitsee kuitenkin silti validointia, koska synteettinen data voi toistaa alkuperäisen datan vinoumia tai sokeita pisteitä.
Viitteet
[1] NISTin tekoälyn RMF - tekoälyriskien ja -kontrollien hallintakehys. Lue lisää
[2] NIST AI 600-1 GenAI Profile - ohjeita GenAI-kohtaisiin riskeihin ja niiden lieventämiseen (PDF). Lue lisää
[3] OECD:n tekoälyperiaatteet - korkean tason periaatteet vastuulliselle tekoälylle. Lue lisää
[4] Brown ym. (NeurIPS 2020) - perusteellinen artikkeli muutaman laukauksen kehotteista laajoilla kielimalleilla (PDF). Lue lisää
[5] Ho ym. (2020) - diffuusiomalliartikkeli, joka kuvaa kohinanpoistoon perustuvaa kuvan generointia (PDF). Lue lisää