Erään hankkeemme tavoitteena oli automatisoida asiakkaista tehtävät riskiarviot. Teimme koneoppimismallin asiakasriskien ennustamiseksi. Odotukset olivat korkealla. Lue mitä opimme.
Ihmisen tekemillä riskiluokituksilla opetetun koneoppimismallin ennusteet tuottivat pettymyksen, sillä kävi ilmi, että ihmisten tekemät riskiarvioinnit eivät olleet säännönmukaisia. Tutkimme aihetta lisää dataa analysoimalla ja haastattelemalla riskiarviointiin osallistuvia työntekijöitä. Ymmärsimme, että yhtä hyvin olisi voitu valita kaikille asiakkaille keskimääräinen riskiluokitus.
Hoksattuamme ongelman koskevan koko riskiarviointiprosessia, lähestymistapaan otettiin täyskäännös. Päätimme luoda merkittävimpiin riskitekijöihin perustuvan riskipisteytysjärjestelmän, jolloin arviointi on selkeä, automatisoitavissa, riippumaton arvioijasta, ja oikeudenmukainen arvioitavaa kohtaan.
Ilman tekoälyllä tehdyn kokeilun “epäonnistumista” emme olisi päätyneet keskustelemaan riskiarviointiprosessista kokonaisuutena.
Koneoppimismallin antamaa ennustetarkkuutta tärkeämpää on, mitä ensimmäisen kokeilun jälkeen tapahtuu. Usein vastaavassa kokeilussa todetaan tulokset, eikä mitään konkreettista tapahdu. Parempi vaihtoehto on oppia tuloksista, olivat ne mieluisia tai eivät.
Tekoälykokeilut tarjoavat alustan keskustelulle
Data ei vastannut suoraan alkuperäiseen kysymykseen, mutta tekoälykokeilu tarjosi oivallisen keskustelualustan koko organisaatiolle.
Tekoälyn ennustetarkkuus ei ollut ensimmäinen huomion aihe, kun tuloksia esiteltiin työntekijöille. Henkilöstö oli joka tapauksessa kiinnostunut löydöksistä ja heiltä löytyi tekoälylle loputtomasti uusia kohteita, jotka säästäisivät enemmän turhaa työtä kuin alkuperäisen ongelman ratkaiseminen.
Tekoälykokeilun aikana huomattiin myös, että datan hyödyntäminen laajassa mittakaavassa vaatii muutoksia datan varastointiin ja keräämiseen.
Näitä ideoita huomioidaan tulevaisuudessa järjestelmää kehitettäessä.
Koska kyseessä oli oikeaan datan perustuva kokeilu eikä fläppitauluharjoitus, keskustelun tueksi saatiin tunnuslukuja, kuvaajia ja laskelmia ilman ylimääräistä työtä. Näin ollen argumentointi käytiin arvailujen sijasta faktoilla.
Tekoälyn virittäminen huipputuloksiin on vasta viimeinen vaihe
Jokainen tekoälyn hyödyntämiseen tähtäävä kokeilu ei tuota odotettuja tuloksia. Siksi niitä täytyy tehdä paljon ja ketterästi. Tusinaan mahtuu yksi epäonnistuminen, useita keskinkertaisia ja yksi iso voitto. Maalia ei kannata lukita liian tiukasti, vaan edetä askel kerrallaan, ja vaihtaa tarvittaessa suuntaa.
Tekoälyn vakiinnuttaminen kiinteäksi osaksi liiketoimintaa vaatii kahta asiaa:
- Ennen kuin liiketoimintaa voidaan kehittää tekoälyllä, perusasioiden täytyy olla hanskassa. Tekoälyllä pyritään tekemään liiketoiminnasta ennustavaa, automatisoitua, optimoitua, oikea-aikaista, resurssitehokasta tai kohdennettua. Joskus näitä kaikkia. Niinpä perusasioiden täytyy olla hanskassa, kuten tuotteen, prosessien ja työntekijöiden vastuualueiden ennen kuin liiketoimintaa voidaan kehittää tekoälyllä.
- Laadukas data on kaiken perusta. Puuttuva, vääränlainen tai vaikeasti saatavilla oleva data ei tee pelkästään tuloksista epäluotettavia, vaan myös estää nopeatempoiset kokeilut.
Tekoälykokeiluiden etuna on, että tulosten lisäksi, kokeilut paljastavat pehmeät kohdat liiketoiminnassa ja datainfrastruktuurissa. Vasta perustusten kestäessä päästään viilaamaan tekoälyalgoritmien tuottamien tulosten kymmenyksiä.
Mikäli tekoälyn hyödyntäminen kiinnostaa, lataa itsellesi maksuton tekoälyopas How to use AI in business. Lisäksi olemme julkaisemassa pian tekoälyn etiikkaa käsittelevän raportin. Tilaa AI Ethics -raportti ennakkoon jo täältä.
