Tekoäly – Matkaopas johtajalle

Kilpajuoksu tekoälyn hyödyntämisen edelläkävijäksi.

Tekoäly – Matkaopas johtajalle on Antti Merilehdon kirjoittama teos, joka käsittelee tekoälyn hyödyntämistä liiketoiminnassa. Vaikka kirjan kohderyhmäksi on tarkoitettu yritysjohtajat, se puhuttelee ja tarjoaa oppeja sekä avartaa näkökulmia myös kaltaiselleni opiskelijalle. Kirja tarjoaa kotimaisia ja ulkomaisia käytännön esimerkkejä siitä, miten yritykset ovat valjastaneet tekoälyn käyttöönsä ja saavuttaneet parempia tuloksia. Kirjan keskeiset teemat liittyvät tekoälyn soveltamiseen asiakaskokemuksen parantamisessa, prosessien tehostamisessa ja liiketoiminnan ennustamisessa. Kirja on rajattu kahteen osaan, josta ensimmäisessä esitellään laajasti tekoälyn perusteita. Tässä osassa syvennytään Elements of AI:hin verrattuna perusteellisemmin esimerkiksi koneoppimiseen ja datan erittäin suureen rooliin tekoälyn kehittymisessä. Toisessa osassa puidaan tekoälyn hyödyntämistä ja tässä esitelläänkin useita jo tapahtuneita kokeiluja sekä arvioidaan ja pohditaan, miten tekoälyä sisällytetään laajemmin jatkossa päätöksentekoon. Tässä osassa esiintyy erityisesti se, miten kirja on kohdistettu juuri suurten yritysten johtavissa asemissa oleville ihmisille. Kirja tarjosi mielestäni erinomaisen alustuksen ja pohjan ymmärtää tekoälyn toimintaperiaatteita taustalla, sen soveltamista liiketoiminnassa sekä antaa hyviä käytännön vinkkejä sen hyödyntämiseen.

Kertauksen vuoksi tärkeimmät käsitteet tästä kirjasta:

Algoritmi: Algoritmi on yksityiskohtainen kuvaus tai ohje siitä, miten tehtävä tai prosessi suoritetaan.

Tekoäly: Koneen suorittamaa toimintaa, joka ihmisen tekemänä olisi älykästä.

Koneoppiminen: Koneoppimisessa tietokoneelle ei ole määritelty toimintaohjetta jokaista erillistä tilannetta varten, vaan kone oppii itsenäisesti datasta. Suurin osa tekoälyn sovelluksista on koneoppimista. Koneoppimista on kolme eri laatua, Ohjattu oppiminen, ohjaamaton oppiminen ja vahvistusoppiminen. Koneoppiminen on tekoälyn osa-alue, joka käyttää dataa oppimiseen ja luokitteluun sen sijaan, että toiminta olisi ohjelmoitu valmiiksi.

Neuroverkko: Neuroverkko koostuu joukosta neuroneita, yksinkertaisia prosessoreita, jotka on kytketty toisiinsa ja joiden välillä tapahtuu kommunikaatiota.

Syväoppiminen: Syväoppiminen on syvien neuroverkkojen optimointia haastavien ongelmien ratkaisemiseksi.

Kolahdukset osa 1.

Kaikki tällä hetkellä käytössä oleva tekoäly on kapeaa tai heikkoa tekoälyä, Artificial Narrow Intelligenceä, ANIa. Termi kapea kuvaa sitä, että kyseinen tekoäly suoriutuu sille määritellystä yksittäisestä tehtävästä erittäin hyvin, mutta ei pysty laajentamaan osaamistaan muille alueille. Tekoälykehittäjät ja -tutkijat ovat siis kohdistaneet ponnistelunsa hyvin kapeiden ongelmien ratkaisemiseen, kehityksen mahdollistaessa ainoastaan kapean älykkyyden tekoälyn Artificial General Intelligencen, AGIn sijaan.

Tekoälyn kehitystyössä otetaan kuitenkin jatkuvasti suuria harppauksia, kasvu on eksponentiaalista ja tulee kiihtymään entisestään, mikäli sen kehitystyötä ei hidasteta. Kirjassa esiteltiin vuodelta 2015 tekoälyyn keskittyvän kyselytutkimuksen tuloksia, jota varten haastateltiin 352 tekoälytutkijaa ympäri maailman. Tässä muutamia ennustuksia tekoälyn merkkipaaluista matkalla kohti vuotta 2062 ja ylivertaisuutta ihmisiin verrattuna.

• Koneet kääntävät vieraita kieliä vuoteen 2024 mennessä.
• Kirjoittavat ihmisiä paremmin lukioesseitä vuoteen 2026 mennessä.
• Ajavat kuorma-autoja paremmin kuin ihminen vuoteen 2027 mennessä.
• Toimivat myyjinä vähittäismyyntityössä vuoteen 2031 mennessä.
• Ovat parempia suorittamaan kirurgisia leikkauksia vuoteen 2053 mennessä.
• Kaikkien nykyisten töiden automaation tutkijat ennustivat tapahtuvan 120 vuoden kuluttua.

12.05.2023 kirjoittaessani tätä on jo useampi näistä mielestäni toteutunut, etenkin ChatGPT:n toimiessa kaikille saatavilla olevana erittäin tehokkaana kääntäjänä. Kirjassa esitellään tapoja, joilla tekoälyä hyödynnetään nykypäivänä, näistä yksi esimerkki on suomalaisen Fimmic Oyn kehittämä mikroskopiadiagnostiikkapalvelu WebMicrosope. WebMicrosopea käytetään lääketieteessä kuvien analysoinnissa ja se hyödyntää syväoppivaa konenäköä, joka suoriutuu esimerkiksi kudospoikkeamien tunnistamisessa ihmisiä tasaisemmin ja varmemmin. WebMicrosopen kaltainen syväoppivia neuroverkkoja hyödyntävä palvelu tarvitsee laadukasta, tarkkaan merkittyä opetusaineistoa toimiakseen. Tässäkin asiassa laatu on tärkeämpää kuin määrä. Fimmicin toimitusjohtaja Kaisa Helminen toteaakin ”Laadukkaat merkinnät, kattava opetusaineisto ja hyvä käyttöliittymä vaikuttavat kaikki siihen, miten tehokas ratkaisu on sitä käyttävien arjessa.”

Vähän koneoppimisesta.

”Koneoppimisen perusasioiden ymmärtäminen on jatkossa jokaisen tulosvastuussa olevan ihmisen perusosaamista. Ei ole tarvetta ymmärtää syvällisesti algoritmeja ja niiden takana olevaa matematiikkaa, mutta perusteet on syytä hallita. Tavoitteena on pystyä perustellusti vastaamaan kysymykseen: Voinko minä käyttää koneoppimista ongelman x ratkaisemiseen?”

Mitä koneoppiminen voi tehdä?

Syöte	Vaste	Sovellus
Ääninauhoite	Litteroitu teksti	Puheentunnistus
Historiallinen markkinadata	Tulevat kurssit	Treidausbotit
Valokuva	Kuvateksti	Kuvien merkintä
Lääkkeen koostumus	Hoidon vaikuttavuus	Lääkkeiden kehittäminen
Luottokorttiosasto	Petos tai ei?	Petosten esto
Reseptin ainesosat	Asiakasarviot	Ruokasuositukset
Ostohistoria	Tulevat ostot	Asiakaspito
Autojen sijainnit	Liikennevirta	Liikennevalojen ohjaaminen
Kuvia kasvoista	Nimiä	Henkilön tunnistaminen

Koneoppimisessa data jaetaan opetusdataan ja testidataan. Suurin osa käytetään opetusdatana ja loput testidatana. Ideana on, että malli opetetaan opetusdatalla ennustamaan jotain tiettyä lopputulosta ja testidata selvittää miten hyvin opetus onnistui. Kerätyn datan laatu on paljon tärkeämpää kuin sen määrä, joten jos mahdollista niin keskity selvittämään miten saat laadukasta dataa mahdollisimman paljon.

Seuraavassa taulukossa on esitelty koneoppimisen malleja.

Malli	Tarkoitus	Käyttö
Luokittelu	Luokitellaan kohde ennalta määrättyihin kahteen tai useampaan kategoriaan	Kohdennettu markkinointi asiakastyypin perusteella.Kuvan tunnistaminen.
Ryhmittely	Analysoidaan luokittelematon data ja tunnistetaan siitä erilaiset ryhmät	Asiakaskannan ryhmittely pysyvien ja vaihtuvien muuttujien perusteella.Nettisivustojen/dokumenttien sisällön analysointi.
Regressio	Ennustetaan numeerista arvoa	Kannattavuuden kehityksen ennustaminen.Teollisuuskoneen huoltoajankohdan ennakointi.
Suosittelu	Arvioidaan mistä tuotteista asiakas pitää	Verkkokaupan ostosuositukset.CRM:n up- ja cross-sell-suositukset asiakkaalle.
Poikkeamien etsiminen	Löydetään selkeästi normaalista poikkeava data aineistosta	Laitteistojen lokien tarkkailu ja toimenpidesuositusten tuottaminen.Luottokorttien väärinkäytön havaitseminen.

Koneoppimisen arvo tulee siitä, että se pystyy jatkuvasti huomioimaan uutta dataa ja tätä kautta ennustamaan tulevaa.

Kolme askelta koneoppimisen hyödyntämiseen.

1. Ensimmäinen askel koneoppimiseen on liiketoimintaprosessien läpikäynti ja luetteloiminen; mitä päätöksiä ja päätöspisteitä prosesseissa tehdään toistuvasti samassa ympäristössä. Finanssitaloissa tällainen voi olla vaikkapa autolainan myöntäminen.  Päätöksestä pitää saada mahdollisimman paljon datapisteitä siitä, mikä vaikuttaa lopputulokseen: mitkä tekijät vaikuttavat myöntävään päätöksen ja vastaavasti lainan epäämiseen.
2. Toiseksi on tärkeää keskittyä mahdollisimman selkeisiin haasteisiin. Kapea tekoäly ja koneoppiminen toimivat hyvin, kun ongelma on tarkkaan määritelty ja ymmärretty.
3. Kolmas askel on ottaa kone päätöksenteon tueksi monimutkaisiin ongelmiin. Ihminen hahmottaa yrityksen menestykselle olennaisia asioita, joista ei ole käytössä dataa, kun taas kone hoitaa rutiineja ja varmistaa, että olemassa olevaa dataa käytetään päätöksentekoon. Päätökset, jotka vielä toistaiseksi ovat ihmisen vastuulla, hyötyvät merkittävästi siitä, että ongelmanratkaisun komponentit automatisoidaan ja päätöksenteon tueksi tuotetaan ajantasaista tietoa.

Koneen ja ihmisen yhteistoiminta tulee auttamaan edelläkävijäyrityksiä saavuttamaan tavoitteet kilpailijoita nopeammin ja parantamaan markkina-asemaa.

”Jos haluaa olla niiden yritysten joukossa, jotka juoksevat tekoälyn avulla muita nopeammin jo kahden vuoden päästä, juuri tänään on hyvä päivä alkaa opetella konttaamaan.”

Datan hyödyntämisen tasot yksinkertaisessa esimerkissä:

Kuvaileva analytiikka	”Paljonko jäätelöä myytiin viime viikolla?”
Diagnosoiva analytiikka	”Miten sää vaikutti myyntiin?”
Ennakoiva analytiikka	”Pitääkö ensi viikon helteisiin tilata lisää jäätelöä?”
Ohjaileva analytiikka	”Tilaa 30 pakettia lisää.” Järjestelmä tilasi 30 pakettia jäätelöä.”

Jos ei tekoäly vielä kiinnostanut, niin tässä yksi kolahdus toivottavasti sinulle!

Hyvä mittari on ostetuista yrityksistä maksettu hinta muutettuna hinnaksi per työntekijä. Teknologia-alalla näiden ”acqui-hire” tai ”buy-hire”-yritysostojen, joissa oston tosiasiallinen hankintakohde on startup-tiimi eikä välttämättä teknologia, hinnat liikkuvat noin miljoonassa dollarissa työntekijää kohden. Hinta luonnollisesti on sitä suurempi, mitä harvinaisempaa tai erikoisempaa osaamista tiimillä on. Juuri nyt kysyntää on koneoppimisen, neuroverkkojen ja tekoälyn osaajista.

Todettakoon kuitenkin, että tekoälyn osaajilla tuskin tarkoitetaan ChatGPT-velhoa, vaan esimerkiksi ihmistä, jolla on kokemusta koneoppimisen perusmallien rakentamisesta, data-arkkitehtuurista tai yllä mainittujen osaajien johtamisesta.

Kolahdukset osa 2 ja teorian soveltaminen käytäntöön (sen suunnittelu)

Mitä lähempänä kokeilut ovat asiakkaiden arkisia ongelmia, sitä todennäköisempää on, että ratkaisut ovat tarpeellisia ja ne otetaan käyttöön nopeasti. Hyviä lähtökohtia ovat sisäisten asiakkaiden palveleminen ja liiketoiminnan tehostaminen. Tärkeintä jälleen on aloittaminen ja kokeilujen aloittaminen omissa projekteissa tai esimerkiksi kesätöissä nyt kesäloman alkaessa.

Kirja oli hyvä ja sopiva jatko Elements of AI-verkkokurssille, antoi paljon kertausta mutta myös paljon uutta tietoa. Esimerkit toivat käsiteltävät aiheet ja toimintaperiaatteet lähemmäksi, lisäten ymmärrystä ja tietoisuutta mitä termit todellisuudessa tarkoittavat. Paljon on opittavaa vielä mutta jatkuvien kokeilujen sekä teoriatiedon keräämisen avulla olen jo ottanut askeleita oikeaan suuntaan. Kesätyöt tarjoavat hyvän mahdollisuuden lähteä kokeilemaan esimerkiksi data-arkkitehtuurin rakentamista ja luomaan lisäarvoa yritykselle sekä itselleni. Relevantin datan tunnistaminen ja sen jälkeen keräystavan pohtiminen ovat ensimmäiset askeleet, joiden avulla voi aloittaa syventymisen. Tähdätessä positiivisen noidankehän rakentamiseen, on hyvä palata pohtimaan suuruuden ekonomiaa ja esimerkkiä joka kirjassa esitettiin. Luomalla tuotteita, joita ihmiset haluavat käyttää, yhtiöt saavat kerättyä suuren määrän aktiivisia käyttäjiä. Kun palvelu on digitaalinen, käyttäjistä saadaan jatkuvasti dataa jonka avulla palvelua voidaan kehittää.