Tekoälyllä datasta liiketoimintapäätöksiä

Datalla voidaan luoda merkittäviä mahdollisuuksia, kun sillä suoraviivaistetaan liiketoimintaprosesseja tai löydetään täysin uusia käyttökohteita. Tärkeintä on selkeä tavoitteen määrittely, avoin mieli ja huolellinen tiedon jalostus.

Yhä useampi yritys selvittää tällä hetkellä tekoälyn ja koneoppimisen mahdollisuuksia. Info-Tech Research Groupin tutkimuksessa selvitettiin, miten IT-päättäjät tulevat hyödyntämään tekoälyä vuonna 2024. Joka kolmas vastaajista kertoi, että generatiivisen tekoälyn työkaluja tullaan ottamaan käyttöön. Valtaosa vastaajista aikoo hyödyntää tekoälyä toistuvien tehtävien automatisointiin ja IT-prosessien tehostamiseen, kun taas kaksi viidestä vastaajasta aikoo käyttää tekoälyä liiketoimintasuunnitelmansa määrittelyyn.

Kolme maturiteettitasoa

Kevin Söderberg, HiQ:n Senior Data Scientist ja AI Tech Lead, vahvistaa nämä tavoitteet. Hänen mukaansa yritykset tutustuvat tekoälyjärjestelmiin kolmesta eri lähtökohdasta.

“Ensimmäisellä tasolla yritykset ratsastavat hypeaallolla ilman selkeää käsitystä siitä, mitä ne haluavat saavuttaa. Vielä tyypillisempi on toinen maturiteettitaso, jossa yritys on kerännyt dataa ja tutustuu sen käyttömahdollisuuksiin. Kolmas taso koostuu yrityksistä, joilla on jo strategia datan hyödyntämiselle ja siten lisäarvon luomiselle.”

Söderbergin mukaan kaikkia kolmea maturiteettitasoa näkyy yrityksissä. Tasosta riippumatta yrityksiä yhdistää tyypillisesti tekoälyn saralla inhouse-osaamisen puute, minkä vuoksi kerättyä tietoa ei pystytä hyödyntämään optimaalisesti. Osaamista on myös vaikea hankkia ulkoa, sillä alan huippuasiantuntijoita on tarjolla vähänlaisesti.

Nopea kehitys vaatii jatkuvaa osaamisen päivitystä 

Söderberg työskentelee HiQ:n Data Scientistin, Albin Sidåsin, kanssa yhdessä Toyotan tulevaisuuden projekteista, jossa keskitytään itseajavien ajoneuvojen visuaaliseen havainnointiin. Työskentely tekoälyjärjestelmien on monimutkaista ja vaatii monialaista osaamista. Meneillään olevassa Toyotan projektissa hyödynnetään muun muassa semanttista segmentointia, jolla voidaan tunnistaa rakenteita ja kohteita kuvasta sekä seurata tunnistettuja kohteita.

“Koska tekoäly on laaja ja nopeasti kehittyvä ala, on meidän päivitettävä osaamistamme omilla erikoisaloillamme samaan tahtiin”, Sidås selittää.

Oikeaa tietoa oikeaan aikaan

“Monet eivät ole tietoisia eri tyyppisen datan asettamista rajoituksista ja siitä, kuinka käyttää oikeaa dataa oikeaan aikaan”, Albin Sidås muistuttaa.

Tekoälymalleihin soveltuva data voi olla strukturoimatonta, kuten kuvia tai audiota tai puolirakenteista, esimerkiksi tapahtumaraportteja ja HTML-objekteja. Strukturoitua dataa löytyy puolestaan esimerkiksi taulukoista, relaatiotietokannoista ja sensorien tuottamasta taulukkomuotoisesta datasta.

Datan tyyppi riippuu siitä, millaista sovellusta käytetään. Visuaalisessa havainnoinnissa käytetään pääasiassa strukturoimatonta dataa kuvien muodossa, kun taas luottokorttihuijauksia havaitsevat tekoälyjärjestelmät luottavat usein strukturoituun dataan.

“Aiemmin useimmat tekoälyjärjestelmät ovat hyödyntäneet vain yhtä datatyyppiä, mutta nyt monimuotoiset mallit mahdollistavat erilaisten tyyppien hyödyntämisen ja tekevät malleista entistä joustavampia”, Söderberg selittää.

Monet eivät ole tietoisia eri tyyppisen datan asettamista rajoituksista ja siitä, kuinka käyttää oikeaa dataa oikeaan aikaan.

Senior Data Scientist & AI Tech Lead, HiQ

Albin Sidås

Priorisoi datan laatua

 Vaikka yritys olisi kerännyt suuria määriä dataa tiettyyn tarkoitukseen, ei ole takuita siitä, että data riittäisi. Esimerkkinä Sidås esittelee haasteita, joita voi syntyä reaaliaikaisesti tallennetulla tiedolla (RWD, Real World Data).

“Hyvän laadun ja riittävän vaihtelun saavuttaminen tallennetulla datalla voi olla vaikeaa. Onkin tärkeää käyttää erilaisia valaistusolosuhteita, kameroita ja objektiiveja sekä tallennusympäristöjä. Muuten saatetaan kerryttää paljon päällekkäistä dataa, joka ei palvele käyttötarkoitusta. Malleja voidaan parantaa täydentämällä niitä synteettisellä datalla tai käyttämällä avoimia tietoaineistoja, joita on yleensä saatavilla yliopistoista ja korkeakouluista", hän kuvailee.

Aloita pienin askelin

Sekä Söderberg että Sidås ovat havainneet, että monet yritykset ovat kiinnostuneita ja kohtalaisen osaavia tekoälyn ja koneoppimisen omaksumisen suhteen. Samaan aikaan on epävarmuutta siitä, kuinka tekoälyjärjestelmiä voidaan hyödyntää ja maksaako se itsensä takaisin.

“Kannattaa aloittaa helpoista voitoista ja havainnollistaa tuloksia PoC:lla (Proof of Concept). Esimerkiksi tehokkuutta voidaan lisätä käyttämällä suuria kielimalleja (Large Language models, LLM) asiakirjojen tiivistämiseen. Näin organisaatiossa usein oivalletaan, että tekoälyjärjestelmiin kannattaa panostaa”, ehdottaa Söderberg.

Tekoälyä hyödynnetään enemmän tuotekehityksessä

Tekoälyä käytetään lähtökohtaisesti älykkäiden tuotteiden ja palveluiden luomisessa sekä yrityksen sisäisten prosessien tehostamisessa, jossa painopiste on usein tuotteissa ja palveluissa.

“Tekoälyhankkeen menestys riippuu yrityksen teknisestä kypsyystasosta ja sen kyvystä omaksua muutosta”, sanoo Söderberg. Hän jatkaa:

“On tyypillisempää investoida tekoälyteknologiaan tuote- ja palvelukehityksessä. Sen sijaan sisäisiin prosesseihin hyödynnetään tekoälyä harvemmin, vaikka tehostettuina ne voisivat nopeuttaa yrityksen innovointitahtia.”

Selitettävyys tekoälypohjaisissa päätöksissä 

Tekoälyjärjestelmillä on lukuisia hyötyjä, mutta myös rajoitteita ja haasteita. Ne muokkaavat työskentelytapojamme tuoden apua toistuvien tehtävien hoitamiseen. Muutos synnyttää samalla uusia tehtäviä ja vastuualueita. Malleja tulee esimerkiksi päivittää ja kouluttaa uudella datalla, mitä järjestelmät eivät vielä tee itsenäisesti.

“Meidän on ymmärrettävä, että tekoäly ei ole tarkkaa tiedettä. Se on tilastollinen malli, jonka hyödyntäminen vaatii tietynlaisen ajattelutavan”, kiteyttää Söderberg.

Tekoälyssä painotetaan todennäköisyyttä syy-seuraus-suhteiden sijaan, mikä poikkeaa totutusta tavasta. Usein tekoälyä pidetään mustana laatikkona, jonka tulokset vaikuttavat selittämättömiltä.

Tietyillä menetelmillä tekoälymalleja voidaan kuitenkin tutkia. Muun muassa selittävä tekoäly (XAI) on viitekehys, jolla analysoidaan tekoälymalleja ja lisätään ymmärrystä siitä, miten malli tekee päätöksiä.

"Voimme kokeellisesti osoittaa, miten tekoälymalli toimii ja miten se tekee päätöksiä, vaikka tulosta voikin olla haastavaa todentaa matemaattisesti”, sanoo Albin Sidås.

Tiettyjen tulosten, kuten luottoluokituksien, on oltava selitettävissä. Yleistä avoimuutta algoritmien ja mallien suhteen varmistaa Euroopan algoritmisen läpinäkyvyyden keskus.

“Meidän on ymmärrettävä, että tekoäly ei ole tarkkaa tiedettä. Se on tilastollinen malli, jonka hyödyntäminen vaatii tietynlaisen ajattelutavan” - Kevin Söderberg

Onnistumisen edellytykset tekoälyhankkeessa:

• Pääsy dataan ja laitteistoihin mallien kouluttamiseksi sekä laajojen tietoaineistojen analysointi on perustavanlaatuinen edellytys

• Strategian luominen sille, kuinka yritys ohjaa dataa ja tekoälyä, tarjoaa suunnan ja varmistaa vastuulliset menetelmät

• Räätälöidyn prosessin käyttöönotto projekteissa, sillä tekoälyjärjestelmät vaativat epäsuorempaa lähestymistapaa kuin ohjelmistokehitys perinteisesti

• Organisaation avoimuuden edistäminen, jotta voidaan omaksua mallien ja analyysien pohjalta syntyvät muutokset