Tekoäly – Bisneksen uudet työkalut

Mitä on tekoäly?

Tekoäly on pitkälti tilastotiedettä, matematiikkaa ja ohjelmointia. Itse en (ainakaan vielä) osaa ohjelmoida tekoälyä, mutta minua kiinnostaa opetella jonkinlaiset perusteet siihen, jotta voin kokeilla ja testailla tekoälysovellusten tekemistä käytännössä. Tekoälyyn on useita eri määritelmiä eikä siihen ole yhtä oikeaa määritelmää. Kyse on kuitenkin tietokoneen toiminnasta, joka tulkittaisiin ihmisen toteuttamana älykkääksi. Konetta opetetaan toimimaan itsenäisesti niin, ettei ihmisen tarvitse määritellä jokaiseen asiaan, mitä koneen pitäisi tehdä. Lisäksi tekoäly omaa ominaisuuden kehittyä aiemman toiminnan ja havaintojen perusteella.

Näiden ominaisuuksien takia tekoäly soveltuu erittäin hyvin moniin haastaviin tehtäviin. Perinteisesti tietokoneet ohjelmoidaan sääntöpohjaisesti niin, että kun teet asian x, tapahtuu asia y. Esimerkiksi tietokoneeseen ja tähän Word-ohjelmaan, jolla tätä reflektiota kirjoitan, on koodattu, että kun painan näppäintä, jossa on merkki ”A”, näytölle tulee A-kirjain. Sääntöpohjaisen ohjelmoinnin lisäksi tässä Word-ohjelmassa on kuitenkin myös tekoälyä, sillä ohjelma tunnistaa, mikäli teen kirjoitusvirheitä ja ehdottaa siihen sopivaa korjausta. Tietokoneen pitää siis ymmärtää suomen kielen kielioppia ja kontekstia missä sanat ja lauseet esitetään. Wordin tekoäly on opetettu luultavasti valtavalla määrällä suomenkielistä tekstiä.

Tekoälyn ohjelmointi eroaa sääntöpohjaisesta ohjelmoinnista siten, että tekoälylle ei tarvitse esimerkiksi määritellä kaikkia poikkeustilanteita erikseen. Käytetään kirjan esimerkkiä kuvantunnistuksesta. Jos tietokonetta ohjelmoitaisiin perinteisellä tavalla tunnistamaan kuvista esimerkiksi koiria, ohjelmoisimme koneelle erilaisia sääntöjä, esimerkiksi: ”kuvassa on koira jos: #1: kaksi silmää, #2 kaksi korvaa, #3 neljä jalkaa, #4 karvainen turkki” ja niin edelleen. Tämä kuitenkin vaatisi todella paljon sääntöjä. Lisäksi toki koneelle pitäisi kertoa mitä tarkoittaa silmät ja korvat… Ongelma tässä on se, että jos kyseessä onkin kuva, jossa koiralta ei näy kuin yksi silmä tai puolet koirasta on kuvan ulkopuolella, ei nämä säännöt täyty. Näin ollen, jos kaikki erilaiset poikkeustilanteet pitäisi ohjelmoida käsin, tehtävästä tulisi mahdoton.

Tekoälyn avulla kuvantunnistuksen ohjelmointi on huomattavasti helpompaa. Jos esimerkiksi käyttäisimme ohjattua oppimista (Supervised Learning), syöttäisimme tietokoneelle valtavan määrän kuvia koirista sekä muista eläimistä ja antaisimme koneelle valmiit vastaukset siitä, mikä eläin on kuvassa. Koneen tehtävä on opetella ja päätellä kuvista itse säännöt, millä perusteilla se tunnistaa eri eläimet toisistaan. Kun tekoäly on oppinut nämä, voidaan sille syöttää täysin uusia kuvia ja tekoäly käyttää aiemmin koulutusvaiheessaan luomia sääntöjä uusien kuvien tunnistamisessa. Alla vielä kuvaajat, jotka osoittavat miten sääntöpohjainen ohjelmointi eroaa tekoälyn ohjelmoinnista.

Data on tärkein

Tekoälyn tärkein raaka-aine on data. Dataa tarvitaan tekoälyn kouluttamiseen. Dataa voi olla hyvin monessa muodossa, esimerkiksi tekstinä, numeroina, kuvina, videoina. Pelkällä datalla ei ole arvoa, vaan sen lisäksi tarvitaan siihen liitetty merkitys. Siten saadaan informaatiota, jota tulkitsemalla saadaan tietoa, joka sitomalla ympäröivään kokonaisuuteen auttaa meitä saamaan tietämystä. Datan lisäksi siis tarvitaan myös asiantuntemusta, jotta data voidaan muuttaa arvoksi.

Datan pitää olla myös laadukasta, jotta voidaan kouluttaa arvoa tuottava tekoäly. Laadukas data on yhdenmukaista ja yksiselitteistä. Monesti dataa joudutaan ensin jalostamaan, jotta sitä voidaan hyödyntää tehokkaasti.

Tällä hetkellä maailman suurimpien yritysten liiketoiminta perustuu hyvin suuresti dataan. Jos tarkastellaan maailman kymmentä suurinta yritystä markkina-arvon mukaan, listalta löytyy mm. Apple, Microsoft, Google, Amazon, Meta, Tesla. Näiden yritysten liiketoiminta nojaa hyvin paljon datan keräämiseen ja hyödyntämiseen. Etenkin jos mietimme Googlea. Harvat meistä maksavat rahallisesti googlen eri palveluista. Itse maksan yhteensä noin 10 euroa kuukaudessa Google Drive -pilvitallennustilasta, mutta sitäkin tarjotaan ilmaiseksi 15Gt per Google tili. Syy miten Google on silti listalla sijalla 4 on datassa Google kerää ja omistaa valtavan määrän käyttäjädataa, jonka avulla se pystyy kehittämään omia hakukoneitaan ja muita sovelluksiaan.

”If you don’t pay for the product you are the product.”

Miten ja mitä dataa voisimme hyödyntää?

Oikeaa dataa keräämällä ja sitä oikein hyödyntämällä voidaan saada merkittävää kilpailuetua. Datan pitää olla laadukasta, mutta sitä tarvitaan myös paljon.

Omissa projekteissani minulle ei kerry kovinkaan paljoa sellaista dataa, jota olisin ainakaan tajunnut hyödyntää. Markkinointiprojekteissa erilaista dataa on saatavilla paljonkin liittyen eri alustojen postausten kattavuuteen. Tämän datan avulla olemme tehneet myös muutoksia toimintaamme mm. siirtäneet markkinoinnin painopistettä alustalta toiselle. Yleinen tapa hyödyntää somekanavien dataa on katsoa milloin oma kohderyhmä käyttää somea aktiivisimmin ja postata tähän aikaan omat sisällöt. Myös edellisten sisältöjen datan tarkasteleminen voi antaa kuvaa siitä, mihin kannattaa panostaa. Tässä on hyvä huomioida kuitenkin se datan määrä. Muutaman postauksen datan perusteella on vaikea tehdä oikeasti päteviä johtopäätöksiä. Jos tarkastelussa on kuitenkin esim. kymmeniä tai satoja postauksia, voidaan tehdä jo huomattavasti parempia päätelmiä. Tällöin datasta voidaan löytää jonkinlaisia trendejä.

Somealustat ja erilaiset markkinointivälineet kuten sähköpostimarkkinointialustat keräävät siis paljon dataa asiakkaiden tai yleisön käyttäytymisestä. Tätä dataa kertyy paljon ja sen raakadatan tulkitseminen voisi olla aika haastavaa, ellei omaa hyviä tilastotieteen taitoja. Onneksemme nämä alustat tarjoavat datan meille helpommin luettavassa muodossa. Lisäksi näiltä alustoilta löytyy myös tekoälyä, joka antaa konkreettisia ehdotuksia datan pohjalta tehokkuuden parantamiseksi. Kaikkea dataa emme näiltä alustoilta itsellemme edes välttämättä saa sillä emme omista kyseistä dataa.

Verkkokaupat ja nettisivustot yleisemminkin keräävät myös paljon dataa. Tämän datan avulla nettikauppaa voidaan optimoida ja myyntiä tehostaa huomattavasti. Asiakkaiden käyttäytymisdatan perusteella voidaan myös liiketoimintaa ja palveluita kehittää.

Tuntikirjaukset

Jokainen tiimiakatemialainen kerää myös dataa omasta ajankäytöstään. Keräämme dataa opintojenkirjaustaulukkoomme siitä, mihin käytämme aikaamme ja kuinka paljon. Kuinka paljon tätä dataa käytetään? Ongelma toki tuossa datassa on se, että joskus tuntikirjauksia saatetaan pyöristellä, aina kaikkia tunteja ei muista merkata ja kirjaukset saattavat olla muodossa, josta niiden hyödyntäminen on hankalaa. Aiemmassa kappaleessa kerroin, että datan pitää olla laadukasta eli mm. yhdenmukaista, jotta sitä voidaan hyödyntää tehokkaasti.

Otin itse kesäksi käyttöön Clockify-aikaseurantasovelluksen. Halusin seurata omaa ajankäyttöäni kesän projekteihin liittyen tarkasti ja helposti. Tuonne sovellukseen määrittelin eri asiakkaat ja näiden asiakkaiden alle eri projektit. Kesällä teen paljon erilaisia videotuotantoja, joten jokaisen videoprojektin merkitisin omaksi projektikseen. Kun teen töitä merkitsen aina, että mitä projektia ja tehtävää olen tekemässä ja laitan ajastimen päälle. Tämä voi kuulostaa vaivalloiselta, mutta todellisuudessa kun siitä tuli tapa, se ei ole ollenkaan vaiva. Tämän sovelluksen avulla olen pystynyt seuraamaan, paljonko aikaa käytän eri projekteihin. Minusta tuntuu, että itsessään ajankäytön seuraaminen tuolla sovelluksella on tehostanut työtäni. Syy miksi kerron tästä on se, että verrattuna Tiimiakatemian opintojenkirjaustaulukkoon, Clockifyn kautta datan seuraaminen ja tarkastelu on huomattavasti parempaa. Itselläni on käytössä kyseisen palvelun ilmaisversio, eli minulla ei ole kaikkia ominaisuuksia käytössä. Nämä ominaisuudet olisivat juuri niitä, joissa tekoäly toimisi. Sovelluksessa voisi tehdä erilaisia ennusteita miten paljon aikaa erilaisiin projekteihin menee aiempien projektien tai tehtyjen tuntien perusteella. Tämä konkretisoi minulle sitä, että miten myös dataa tehdyistä työtunneista eri projektien eteen voidaan hyödyntää prosessien ja projektien tehostamiseen.

Luonnollisen kielen käsittely ja ChatGPT

Luonnollisen kielen käsittely (NLP = Natural Language Processing) tarkoittaa kykyä käsitellä ja tuottaa puhuttua ja kirjoitettua kieltä. Yksi esimerkki tekoälyjärjestelmästä, joka käyttää luonnollisen kielen käsittelyä on ChatGPT. Se on suunniteltu ymmärtämään käyttäjän kirjoittamia viestejä ja vastaamaan niihin relevanteilla tavoilla ja ihmisten kielellä. ChatGPT pystyy tuottamaan tekstiä, joka noudattaa kieliopin sääntöjä, ja se kykenee myös luomaan uusia lauseita ja ideoita annetun syötteen pohjalta.

ChatGPT:tä on hyödynnetty jo paljon Tiimiakatemialla. Itse olen pyrkinyt hyödyntämään sitä mahdollisimman laajasti ja tehokkaasti. Suurin apu siitä on ollut sisältömarkkinoinnissa. Olen käyttänyt sitä apuna sisältöjen ideoinnissa, videoiden käsikirjoituksessa, asiapohjaisten artikkelien ja postausten luomisessa, oikeinkirjoituksen ja kieliasun tarkistamisessa sekä sisältöjen muokkaamisessa eri alustoille. Markkinoinnin lisäksi olen huomannut siitä huomattavaa hyötyä myös mm. sopimuspohjien luomisessa ja sopimusten tarkistamisessa, erilaisissa synnytysprosesseissa, opinnäytetyön aiheen kiteyttämisessä ja suunnittelussa, esseiden rakenteen ja kirjoituksen tarkistamisessa sekä oman ajatustyön tukena eri projekteissa. Olen kokeillut ChatGPT:n avulla myös koodata ja onnistuinkin koodaamaan Google Chrome -selaimeen pari lisäosaa. Nämä olivat hyvin alkeellisia eivätkä lopulta jääneet käyttööni. Oli kuitenkin hienoa huomata, miten pystyin suunnittelemaan ja toteuttamaan tällaiset kevyet lisäosasovellukset vain ChatGPT:n avulla ilman koodaamisosaamista. Tärkeintä ChatGPT:n käytössä on muistaa se, että se ei ole täydellinen. ChatGPT tekee asiavirheitä ja vastuu kaikesta on kuitenkin käyttäjällä itsellään. Minulla on mennyt lukuisat kerrat hermo kokonaan ChatGPT:hen sillä vaikka se pystyy hyvin taitavasti moniin eri tehtäviin, välillä se unohtaa täysin mitä olimme tekemässä ja sekoaa. Tämä on pakottanut minua opettelemaan paremmaksi ChatGPT:n käytössä.

ChatGPT:n maksullinen versio

Jos ChatGPT:tä haluaa käyttää työssään tai projekteissaan eikä vain silloin tällöin huvikäytössä, suosittelen ehdottomasti ottamaan käyttöön maksullisen version, joka mahdollistaa GPT-4 -kielimallin käytön. ChatGPT:n ilmaisversio käyttää vanhempaa GPT 3.5 -mallia. GPT-4 on huomattavasti parempi monissa tehtävissä. Tuo maksullinen versio mahdollistaa myös nykyään erilaisten plug-in:ien käytön ChatGPT:ssä, joka mahdollistaa ChatGPT:n pääsyn mm. Bing hakukoneeseen tai yhteistyön erilaisten sovellusten kanssa. Toki tuo maksullinen versio maksaa 25 dollaria kuukaudessa, mutta itse totesin, että jos ChatGPT tehostaa työtäni esim. markkinointiprojektissa yhden tunnin kuukaudessa, niin silloin se maksaa itsensä takaisin. Jos markkinointiprojektissa on useamman sadan tai tuhannen euron kuukausibudjetti, on 25 dollaria mielestäni hyvin kohtuullinen kulu tuollaisesta työkalusta.

Tekoäly omassa yritystoiminnassani

Tekoälyä voidaan hyödyntää siis lukuisilla tavoilla yritystoiminnassa. Sen avulla voidaan tehostaa prosesseja ja luoda huomattavia säästöjä. Rutiinimaisten tehtävien automatisointi vähentää yrittäjien työtaakkaa ja mahdollistaa ajan käyttämisen muihin tehtäviin.

Omat projektini tällä hetkellä koostuvat nyt pelkästään video- ja valokuvaustuotannoista. Pohdin siis nyt, miten hyödynnän ja voin hyödyntää tekoälyä video- ja valokuvausliiketoiminnassa.

Tuotannot

Itse video- ja valokuvaustuotannoissa tekoälyä tulee käytettyä tiedostamattakin. Nykypäivän kamerat hyödyntävät paljon tekoälyä esim. automaattitarkennuksessa. Kamerat tunnistavat kuvasta henkilöt ja niiden silmät ja tarkentavat automaattisesti kameraa lähempään silmään. Ihmisten lisäksi ne kykenevät tunnistamaan kuvista myös eläimet ja niiden silmät. Kuvausten jälkeen editoidessa videoita ja kuvia tekoäly on suuressa roolissa. Editointiohjelmistoista löytyy nykyään paljon ominaisuuksia, jotka käyttävät tekoälyä. Videoeditointisovelluksissa näitä ominaisuuksia ovat muun muassa puheentunnistus, automaattiset ääniasetukset ääniraidoille ja automaattiset kuvan värimäärittelyt. Itse en näitä kaikkia ominaisuuksia käytä sillä edelleen monissa tapauksissa koen saavani paremman lopputuloksen tekemällä asioita enemmän manuaalisesti editointivaiheessa. Niille on kuitenkin oma paikkansa esim. aloittelijoilla tai jos halutaan tehdä editoinnista mahdollisimman kevyt ja tehokas. Näiden ominaisuuksien lisäksi tekoäly on nyt mahdollistanut myös automaattisen leikkauksen ja editoinnin. Tästä olen nähnyt esimerkkejä mm. podcastien editoinnissa. Jos podcast on kuvattu useammalla kameralla niin tekoäly on tunnistanut missä kohtaa kumpikin podcastin henkilöistä puhuu ja leikannut tämän mukaan eri kuvakulmia. Jos nuo ominaisuudet toimivat todella hyvin, ne voivat säästää huomattavasti aikaa.

Tekoälyominaisuuksia käytän huomattavasti enemmän valokuvien editoimisessa. Kuvan kohteiden ja henkilöiden automaattinen tunnistus ja eri kohteiden poisto on nykyään hyvin tehokasta tekoälyn ansiosta. Kokeilin Photoshopin beta:n ominaisuutta, jossa kuvaan pystyy tehdä muokkauksia generatiivisen tekoälyn avulla. Tässä alla esimerkki todellisesta asiakasprojektista:

Oikeanpuolinen kuva on alkuperäinen RAW-kuva kamerasta ja vasemmalla on käsitelty ja valmis kuva. Tähän kuvaan on tehty perusmuokkausten kuten värien, kirkkauden ja kontrastin säädön lisäksi myös kohteen poisto Photoshopin tekoälyominaisuuksien avulla. Tekoälyn avulla pystyin poistamaan kuvasta auton niin, ettei katsoja tiedä, että alkuperäisessä kuvassa oli auto. Sen lisäksi, että auto on poistettu, tekoäly loi poistetun auton tilalle kuvaan sopivan taustan. Tekoäly tunnisti, että auton takana menee aita ja osasi rakentaa auton tilalle aidan. Lisäksi se tunnisti myös nurmikon, katukivetyksen, ja varjot asfaltissa. Aiemmin tällainen auton poisto kuvasta olisi ollut hyvin vaikeaa juuri sen takia, että auton taustalla on niin montaa erilaista tekstuuria. Tekoälyn avulla tämä tapahtui alle minuutissa.

Myynti & Asiakaspalvelu

Suurin osa media-alalla työskentelevistä yrittäjistä työskentelee yksin tai muutaman henkilön yrityksissä. Itse olen tehnyt yksinyrittäjänä video- ja valokuvausprojekteja jo lähes 8 vuoden ajan. Yksinyrittäessä lähes kaikki asiat yritystoimintaan liittyen täytyy tehdä yksin. Toki osan hommista voi helposti ulkoistaa, kuten kirjanpidon. Tämän olen itsekin ulkoistanut OP-kevytyrittäjä palveluun. Myynti on yksi yrittämisen välttämättömistä asioista, jota täytyy jotenkin hoitaa, jotta yritystoiminta on kannattavaa. Välillä toki on tilanteita, jossa myyntiä ei tarvitse tehdä itse aktiivisesti. Näin on itselläni ollut jo parin vuoden ajan. Kaikki projektini ovat tulleet inboundina. Tämä tilanne on toki vaatinut useiden vuosien ajan tehtyjä videotuotantoja, verkostoitumista sekä tyytyväisiä asiakkaita, jotka haluavat tehdä ostoksia uudelleen. Siitä huolimatta myyntiin menee aikaa. Ja tulevaisuudessa, jos haluan toimintaani kasvattaa, myyntiin tulee käyttää huomattavasti enemmän aikaa.

Tämä sai minut pohtimaan, miten tekoäly voisi auttaa minua ja samassa tilanteessa olevia yrittäjiä. Aidon myyjän palkkaaminen voisi olla vaihtoehto myynnin tehostamiseksi, mutta se voi olla myös liian suuri riski monelle yrittäjälle. Voisiko tekoäly ollakin ensimmäinen työntekijäni, assistenttini ja myyjäni?

Tämä aihe kiinnosti minua niin, että valitsin sen opinnäytetyöni aiheeksi. Opinnäytetyössäni tulen syventymään aiheeseen ja pyrin saamaan vastauksia siihen mihin tekoälyä voitaisiin käyttää ja miten videotuotantoyritysten myynnin tehostamiseksi. Tässä reflektiossa kuitenkin pohdin omia ajatuksiani ja kokemuksiani tähän liittyen.

Olen hyödyntänyt ChatGPT:tä myynnissä mm. tarjousten laatimisessa ja kontaktointiviestien kirjoittamisessa. Koen, että ne ovat helpottaneet ja nopeuttaneet monesti näitä tehtäviä. Tähän mennessä olen hyödyntänyt ChatGPT:tä myynnissä ja asiakaspalvelussa vain suoraan ChatGPT:n oman selainchatin ja sovelluksen avulla. GPT-kielimallit o kuitenkin mahdollista integroida myös esim. Outlook-sähköpostisovellukseen. Tämä mahdollistaisi automaattisen asiakaspalvelun tai ainakin tehokkaamman viestinnän asiakkaiden kanssa, kun sovelluksessa olisi suoraan käytössä ChatGPT. Microsoft aikoo myös lisätä GPT-mallin kaikkiin Office-ohjelmistoihin tulevaisuudessa.

Erilaisten tekoälypohjaisten ohjelmien avulla voidaan myös automatisoida prospektointi ja kylmäkontaktointi, eli myynnin alkupään voisi ainakin ulkoistaa tekoälyn hoidettavaksi. Etenkin suuremmissa projekteissa ja kauppojen klousaaminen vaatii varmasti edelleen inhimillistä lähestymistä ja kontaktia oikean ihmisen kanssa. On toki mahdollista, että ”bottien” kanssa toimiminen muuttuu normiksi, emmekä välttämättä tulevaisuudessa tarvitse samalla tavoin kontaktia oikeaan ihmiseen palveluita ostettaessa.

Lopuksi

Kuten tämän reflektion pituudesta huomaa, tekoälyn ja sen hyödyntäminen yritystoiminnassa on minulle erittäin kiinnostava aihe. Tämä kirja antoi paljon hyvää perustietoa siitä, miten tekoäly toimii, miten tekoälyratkaisuja rakennetaan ja miten niitä voidaan hyödyntää yritystoiminnassa. Kaikki tämän reflektion ajatukset eivät toki tulleet kirjasta, sillä olen lukenut paljon artikkeleita, kuunnellut podcasteja ja katsonut videoita aiheeseen liittyen. Aion jatkaa aiheeseen syventymistä ja ottaa erilaisia tekoälysovelluksia haltuun ja käyttöön omassa yritystoiminnassani. Ehkä tulevaisuudessa minun yritykseni toimitusjohtaja voisi olla tekoäly, se jää nähtäväksi.