Tekoälysovellukset eivät synny johdon kabineteissa – koko organisaation tulisi ymmärtää tekoälyn perusteet
Kasvojen tunnistukseen perustuvia maksutapahtumia, tekoälylääkäreitä ja hallituksen jäseniä, henkilökohtaisia assistentteja, parempia ennusteita ja päätöksentekoa, automatisoituja tehtaita sekä liikennettä.
Tekoälyn lupaus on suuri, ja tutkimuksen* mukaan 71 prosenttia yritysten ylimmästä johdosta pitää tekoälyä tärkeänä aiheena. Suomi on tekoälykehityksessä kansainvälisesti vertailtuna hyvässä asemassa – nyt pitäisi vain keksiä, miten tekoälyä kannattaa soveltaa omassa organisaatiossa. Lähdimme ottamaan tästä selvää Maria Ritolan opastuksella.
Ritola on yksi tekoäly-yritys Iris.ai:n perustajista. Iris.ai:ta voisi kuvailla tekoälypohjaiseksi tutkimusassistentiksi, joka auttaa tutkijoita sekä opiskelijoita löytämään oikeita sisältöjä tehokkaammin ja nopeammin. Sovellus vähentää manuaalista työtä ja toisaalta osaa ehdottaa myös sellaisia sisältöjä, joita tiedonhakija ei välttämättä itse osaisi hakea. Iris.ai voi karsia esimerkiksi kirjallisuuskatsaukseen käytettyä aikaa jopa 80 prosentilla.
Iris.ai onkin hyvä esimerkki siitä, miten tekoäly voi puoliksi automatisoida työtehtäviä sekä auttaa ihmistä rutiininomaisessa työssä. Tyypilliset neuroverkkopohjaiset tekoälysovellukset perustuvat kuvien, puheen ja tekstin tunnistukseen ja ratkovat erilaisia optimointiongelmia: ”Esimerkiksi neuroverkkoihin pohjautuva Googlen Smart Compose -sovellus tekee Gmail-sähköpostiohjelman käyttäjille ehdotuksia lauseen päättymisestä sähköpostin kirjoittamisen aikana. Tekoäly voidaan myös treenata taitavaksi tunnistamaan kuvia – hyperspektrisillä kameroilla otetuista kuvista voidaan koneälyn avulla tunnistaa esimerkiksi pilaantunut ruoka ihmissilmää tarkemmin”, Ritola kuvailee.
Työtehtävien lisäksi tekoälyn vaikutukset ulottuvat myös prosesseihin sekä liiketoimintamalleihin. Prosesseista Ritola mainitsee esimerkkinä suunnittelutyön, jossa tekoäly voi auttaa uusien mallien rakentamisessa: ”Suunnittelija voi vaikkapa määritellä, että tuolin täytyy kantaa 300 kiloa, ja istuimen on oltava 50 senttiä korkea. Annettujen kriteerien perusteella tekoälysovellus voi luoda suunnittelijalle tuhansia erilaisia vaihtoehtoja.”
Liiketoimintamallien Ritola povaa kasvavassa määrin pohjautuvan ennusteisiin, jotka tänä päivänä usein perustuvat käyttäjädataan. ”Yksi esimerkki on Netflixin suositukset, jotka muuten ovat yllättävän hyviä. Vastaavat, suosituksiin perustuvat palvelut tulevat yleistymään.”
Datan heittäminen neuroverkkoihin ei ole ratkaisu
Kun yritys tai organisaatio miettii tekoälyn hyödyntämistä, olennaista on, että ihmiset ymmärtävät tekoälyn peruskäsitteet.
”Kannattaa kouluttaa myös ne ihmiset, jotka tekevät töitä IT:n ulkopuolella”, Ritola vinkkaa. ”Heille tulisi muun muassa täsmentää, mihin vaikkapa neuroverkkoja voidaan käyttää. Kun ihmiset ymmärtävät paremmin tekoälyn logiikkaa ja sovelluskohteita, he alkavat hahmottaa, millaisia asioita heidän yksikössään voitaisiin ratkoa tekoälyn avulla. Ihmiset tuntevat omat työtehtävänsä parhaiten itse.”
Kun ideoita alkaa syntyä, IT pystyy edistämään niitä ja miettimään, millaista dataa ja millaisia malleja tarvitaan tekoälyn käyttöönottamiseksi. Ritolan mukaan usein tarvitaan myös organisaation ulkopuolista osaamista. Ensin tulee kuitenkin synnyttää käsitys tehtävistä ja prosesseista, joissa tekoälyä voidaan hyödyntää. (Artikkeli jatkuu kuvan alla.)
Data on tietenkin olennainen osa tekoälysovelluksia. Datan heittäminen neuroverkkoihin ei kuitenkaan ole mikään taikanappi.
”Tätä voisi verrata siihen, miten internetiä hyödynnettiin 20 vuotta sitten. Digitalisaation edelläkävijäyritykset eivät olleet niitä, jotka pistivät pystyyn nettisivut. Ne tekivät kaikkea tuotteiden A/B-testauksesta tuotesyklien lyhentämiseen ja uusien markkinoiden tunnistamiseen.
10 IoT-trendiä - näin esineiden internet kehittyy. Lue maksuttomasta asiakaslehdestämme lisää mielenkiintoisia artikkeleita uudesta teknologiasta. Lataa lehti tästä!
”Vastaavasti dataa tulee nyt käsitellä strategisella tasolla. Organisaatioiden kannattaa miettiä, kuinka sitä voidaan kerätä nykyisten toimintojen sivutuotteena, kumppanuuksien kautta tai muuten yhdistelemällä. Dataahan ei välttämättä tarvitse olla paljon. Tämä tulee monille yllätyksenä. Melko pienillä määrillä pääsee hyvin alkuun, jos laatu on kunnossa. Tulevaisuudessa, kun uudet oppimismenetelmät vakiintuvat, small data -tyyppiset ratkaisut todennäköisesti yleistyvät etenkin B2B-puolella, Ritola pohtii.
Aallon harjalle on helpompi päästä, kun ei odota virheetöntä lopputulosta
Tekoälypiloteissa odotukset saattavat olla liian suuria. Realistisempi lähestymistapa auttaa oikeille raiteille.
”Oletus saattaa olla, että pilotissa on mukana kaikki mahdollinen netistä löytyvä aineisto, johon päästään käsiksi älykkään sovelluksen kautta ja joka voi tehdä kaikki mahdolliset analyysit. Testauksessa odotukset kannattaa asettaa realistisesti sekä määritellä kriittiset tekijät, joiden tulee täyttyä. Jos mukana on organisaation ulkopuolista osaamista, tulisi varmistaa, että kaikki osapuolet tietävät, mitä yhteistyön tuloksena syntyy ja toisaalta mitä ei synny”, Ritola neuvoo.
”Pilotin jälkeen se kaikista haastavin työ liittyy kokeilun skaalaukseen, eli uusien toimintamallien rakentamiseen organisaatiotasolla.” (Artikkeli jatkuu videon alla.)
Silo.AI:n kaupallinen johtaja Ville Hulkko keskustelee webinaaritallenteella Telian asiantuntijoiden kanssa siitä, mitä päätöksiä tekoälyn suhteen pitää tehdä tänään, jotta liiketoiminta menestyy huomennakin.
Viime kädessä ihminen on vastuussa päätöksistä
Yksi tekoälysovellusten haaste on eettiset kysymykset, joista on keskusteltu myös julkisuudessa.
”On hyvä, että tekoälyn etiikasta puhutaan ja viitekehyksiä eettisten kysymysten hahmottamiseen rakennetaan. Vinoumien välttämiseksi yritysten ja organisaatioiden tulisi ymmärtää, millaisella datalla malleja on treenattu ja millaista dataa mahdollisesti puuttuu. Täysin kattavaa dataa voi olla mahdotonta saada, mutta kun puutteet tiedostetaan, ne osataan ottaa huomioon päätöksenteossa. Toki objektiivisuuden käsite on filosofinen kysymys, sillä korviemme välissä on jo lähtökohtaisesti paljon vinoumia, joista emme edes itse ole tietoisia”, Ritola toteaa.
Näin lohkoketjuratkaisut tehostavat kuljetuksia - lue maksuttomasta asiakaslehdestämme lisää artikkeleita uuden teknologian mahdollisuuksista. Lataa lehti tästä!
Tekoälyn ongelmat liittyvät muun muassa vallan keskittymiseen sekä riskiin syrjinnän lisääntymisestä: ”Kiinassa otetaan asteittain käyttöön pistelaskujärjestelmä, joka palkitsee tai rankaisee ihmisiä heidän tekojensa ja puheidensa pohjalta. Sosiaalisen median yritys on hakenut patenttia teknologialle, joka tekisi lainapäätöksiä hakijan Facebook-ystävien luottoluokituksen perusteella. HR-käytössä on ollut sovellus, joka vertaa parhaiden työntekijöiden kasvonliikkeitä työnhakijoiden kasvonliikkeisiin.”
Ritola muistuttaa, että ihmisen tulee aina päätöksiä tehdessä osata soveltaa kerättyä dataa, ymmärtää, mistä siinä on kyse sekä tehdä henkilökohtainen arvio tilanteesta. ”Vastuuta päätöksenteossa ei voi ulkoistaa koneelle.”
”Parhaassa tapauksessa tulemme algoritmien avulla tietoisiksi vinoumista omassa ajattelussamme. Läpinäkyvyys, yhdessä asetetut tavoitteet ja avoin keskustelu auttavat rakentamaan teknologian avulla sellaisen maailman, kuin todella haluamme.”
* Artificial Intelligence in Europe, Finland, Outlook for 2019 and Beyond, EY
Teksti: Mari Rihti