14.03.2017 | Blogi

Kuinka haluat tekoälysi – päälle liimattuna vai sisäänrakennettuna?

Tekoäly on jalkautumassa teknologiajättien keihäänkärkien laboratorioista luonnolliseksi osaksi pieniä kasvuyrityksiä kuin suurten organisaatioiden kilpailuvaltiksi. Yksi ilmentymä on Slushissa alati kasvava määrä tekoälyyn pohjautuvia start-up -yrityksiä. Tekoälystähän on kuitenkin puhuttu jo useamman vuosikymmenen – miksi tällä kertaa tapahtuu asioita, joista liiketoiminnan kehittäjän tulisi tietää? 

Tekoälyssä on kysymys näennäisesti älykkäiden järjestelmien rakentamisesta, jotka osaavat toimia ennalta määrätyn viitekehyksen sisällä tilanteissa, joissa ne eivät ole aikaisemmin olleet. Tekoälykonseptit soveltuvat parhaiten esimerkiksi sellaisiin tilanteisiin, jotka ovat:

  • ihmisen suorittamia tehtäviä, joissa ihmisen prosessointinopeus on pullonkaulana.
  • kompleksisia kokonaisuuksia, joita ihminen ei pysty tehokkaasti hahmottamaan.

Ihmisen prosessointiteho niin sisään kuin ulospäin on usein pullonkaulana eri ratkaisuissa. Jos markkinoinnin ammattilainen kävisi läpi jokaisen asiakkaan datan yksityiskohtaisesti, hän varmasti osaisi tehdä fiksuja päätöksiä personoituun markkinointiviestintään. Valitettavasti kaiken tämän datamäärän läpikäyminen yksityiskohtaisesti – puhumattakaan sen viestimisestä loppukäyttäjille – on meidän prosessointitehollemme mahdoton tehtävä.

Vastaavasti kompleksisia kokonaisuuksia voivat olla esimerkiksi resurssien ja työjonojen optimointi. On pystyttävä ottamaan huomioon kaikki mahdolliset rajoittavat tekijät, kuten toivetyölistat, työn suorittamispaikkojen sijainnit, työntekijöiden sijainnit, työn prioriteetit, työntekijöiden ammatilliset osaamiset ja kalustoon liittyvät huoltoaikataulut. Listaa olisi helppoa jatkaa. Tässä esimerkissä kyseessä on monitavoiteoptimointiongelma; tehtävänä on järjestää asiat siten, että saadaan maksimoitua sekä mm. asiakaskokemus, kate ja työntekijöiden hyvinvointi. Ihmiset ovat luonnostaan hitaita näiden kokonaisuuksien optimoinnissa.

Tekoälyn tarjoaman potentiaalin valjastaminen vaatii ytimen ymmärtämistä

Tekoälyratkaisut mielletään usein vain pelkästään personointiin ja ihmisten vuorovaikutuksessa toimiviin ratkaisuihin, kuten esimerkiksi asiakaspalvelun chat-botteihin. Näinhän se ei toki ole. Esimerkkinä Google pudotti datakeskuksensa energiakulutusta 15% säätelemällä älykkäästi 120 eri tekijää, kuten tuulettimia, pumppuja ja ikkunoita. Pudotus tuntuu hurjalta, varsinkin kun referenssinä jäähdytysjärjestelmää on ollut rakentamassa Googlen palkkalistoilla olevat huippuinsinöörit.

Tekoälyä yritetään laittaa valitettavan usein valmiin ratkaisun kylkeen, jotta päälle voidaan lätkäistä ’tekoälytetty’-tarra.

Suurin haaste tuntuukin majailevan usein tekoälyn hyödyntämisessä olemassa oleviin liiketoimintoihin. ”Miten pitäisi lähteä liikkeelle?” on hyvin yleinen keskusteluaihe nykypäivänä. Usein ratkaisuksi tunnistetaan yksittäisen tai muutaman datatieteilijän palkkaus rakentamaan ennustavia malleja erilaisiin liiketoimintoihin. Tästä seuraa valitettavan usein, että tekoälyä yritetään laittaa valmiin ratkaisun kylkeen, jotta päälle voidaan lätkäistä ’tekoälytetty’-tarra.

Tekoälykonseptit tarvitsevat useaa eri roolia

Kehittyneen data-analytiikan upottaminen sujuvaksi osaksi eri liiketoiminnan prosesseja ei ole yksinkertaista. Tekoälyn hyödyntämistä onkin merkittävästi helpompaa lähestyä, kun ensin ymmärretään mistä kokonaisuuden kompleksisuus syntyy. Seuraavat kolme kohtaa avaavat hieman sitä, mistä monimutkaisuus oikein syntyy.

1. Menetelmät ovat luonnollisesti monimutkaisia.

Tämä ei kuitenkaan riitä, vaan monimutkaisuus jakautuu vielä kahdelle eri tasolle. Ensinnäkin, matalalla tasolla tilastolliset mallit ja menetelmät ovat monimutkaisia. Vaikka kuvantunnistusta voi ostaa esimerkiksi AWS:ltä palveluna, silti usein ratkaisuissa päädytään siihen, että syvää ymmärrystä menetelmätieteistä ja sen lainalaisuuksista tulee olla mukana ratkaisua tehdessä.

Toisekseen, korkeammalla tasolla koneoppimisratkaisuissa monimutkaisuutta syntyy myös luovasta ajattelusta hyödyntää erilaisia datalähteitä. On pystyttävä luomaan olemassa olevista datapisteitä oivaltavia yhdistelmiä, jotka selittävät haluttua ilmiötä.

2. Palvelumuotoilu on avainasemassa tekoälyn hyödyntämisessä.

Ratkaisun täytyy olla luonnollisesti sulautettuna kokonaisuuteen, jotta se ei tunnu päälleliimatulta. Toisin sanoen, sen tulee olla sulautettuna olemassa oleviin liiketoimintaprosesseihin ja konsepteihin. Tämä on juurikin yleinen dilemma, sillä jos analytiikkaa yritetään hyödyntää jälkikäteen ilman että sidosryhmät ovat vahvasti mukana, kopmastuvat monet yritykset usein siihen, että ratkaisu ei päädy osaksi kokonaisuutta.

Tästä syystä onkin ensiarvoisen tärkeää, että liiketoiminnan kehittäjät ja palvelumuotoilijat tunnistavat koneoppimisen ja käyttävät vaikkapa monitavoiteoptimointia omassa työkalupakissaan, jotta tekoäly tulee jo luonnolliseksi osaksi kokonaisuutta. Jälkikäteen tekoälyn upottaminen ratkaisuun aiheuttaa usein myös, että kokonaispotentiaali on pienempi, kuin jos se olisi jo lähtökohtaisesti pöydällä silloin kun konseptia suunnitellaan.

3. Teknologian näkökulmasta kokonaisuus on alati haastavampi.

Dataa on merkittävästi aiempaa enemmän, joka luo informaationhallinnan kannalta haasteita. Kyse ei ole myös pelkästä datan määrästä, vaan myös siitä, että kapitalisoidakseen datan näkökulmasta koko potentiaalin, ratkaisun tulisi toimia useissa eri ratkaisuissa mahdollisimman reaaliaikaisesti.

Ratkaisun täytyy olla myös sujuvasti yhdistettynä yrityksen muuhun arkkitehtuuriin, minkä johdosta sidosryhmien lukumäärä kasvaa – eli kokonaisuuden monimutkaisuus kasvaa. Irrallinen ratkaisu johtaa hyvin usein päälle liimattuun, joka ei toimi sujuvasti yhdessä organisaation muiden palveluiden ja konseptien kanssa.

Lisäksi, vain harvoin ympäristöstä kerätään riittävästi dataa jo alkuvaiheessa, koska se vaatii luovaa ajattelua siitä, kuinka ilmiöstä voidaan kerätä lisää tietoa. Luova ajattelu taas erilaisilla sensoriteknologioilla edellyttää, että on pysyttävä viimeisimpien kehitysaskelien saralla.

Yhdessä henkilössä harvoin tiivistyy yllämainitut osa-alueet, joten on selvää, että lähestymistapa vaatii poikkileikkaavaa tiimityöskentelyä.

Jos et voi näyttää jotain arvoa pienellä osalla datasta, tuskin isokaan data ratkaisee ongelmiasi

Jos data scientistilta kysytään: ”haluatko kaiken datan halutusta ilmiöstä”, on vastaus todennäköisesti kyllä. Jos taas kysyt: ”tarvitsetko kaiken datan osoittaaksesi, että ratkaisun soveltuvuutta voi testata”, vastaus on todennäköisesti ei.

Hyvin usein ratkaisusta voi näyttää lisäarvoa jo ennen kuin maailma on täydellinen.

Liikaa aikaa ja rahaa heitetään siihen, että tehdään asioita etupeltoon kyvykkyyksien kasvattamiseksi ja kaiken mahdollisen datan keräämiseen ennen kuin lähestymistapaa päästään validoimaan. Maailma muuttuu nopeaa vauhtia ja ratkaisut happanevat suunnittelupöydällä nopeaa vauhtia.

Tekoäly on jo nyt konkretiaa

Ratkaisut eivät ole enää pelkästään huippusalaisten laboratorioiden eksklusiivisia harjoitteita, vaan tekoälyn hyödyntäminen on jo konkretiaa eri organisaatioissa.

Esimerkiksi asiakkaamme DNA on onnistunut kasvattamaan yksittäisiä segmenttikohtaisia konversioita jopa sadoilla prosenteilla, kun he ovat ohjanneet kampanjointia tekoälyn avulla. Voit tutustua tarkemmin tähän tekoälyä hyödyntävään unelmien data-alustaratkaisuun verkkosivuillamme.

Jos tekoäly kiinnostaa ja haluat tietää aiheesta enemmän, niin suosittelen lukemaan kollegani Tekoälyn hypevuosi 2017 -blogipostauksen. Mikäli haluat päästä nopeasti liikkeelle, otarohkeasti minuun yhteyttä, niin sparrataan miten voisitte lähteä hyödyntämään tekoälyä liiketoimintanne kehittämisessä. Lisäksi, mikäli data, asiakaskokemus ja ketteryys kiinnostavat, ilmoittaudu nopeasti mukaan vuoden suosituimman tapahtumamme suoran lähetyksen seuraajaksi: Solita Frontline Summit 2017. Lavalla nähdään mm. caset Finnair, Laattapiste, Posti ja Fortum sekä palkittu johtamisguru ja kirjailija Jonas Ridderstråle.

Jonne Heikkinen työskentelee Solitalla Data Science Managerin tehtävissä. Hän auttaa organisaatioita hyödyntämään kehittynyttä data-analytiikkaa aina strategiasta osaamisen kehittämiseen ja lopulta analytiikkaratkaisujen toteutukseen saakka.