- Aiheet
Tekoälyn hyödyntäminen haastaa perinteistä ajattelua
Tekoälyn arvioidaan mahdollistavan Suomessa noin 20 miljardin euron lisäpotkun vuoden 2023 bruttokansantuotteeseen. Tämä siis verrattuna tilanteeseen, jossa tekoälyä ei lähdettäisi soveltamaan suomalaisessa liike-elämässä ja yhteiskunnassa. Summana tämä vastaa kymmenesosaa vuoden 2017 bruttokansantuotteesta.
Tekoälyn mahdollistaman arvopotentiaalin suuruusluokkaa kuvaa se, että se vertautuu tällä hetkellä
- 7-kertaisesti Suomen puolustusbudjettiin
- 4-kertaisesti työttömyyskassojen ja Kelan maksamiin työttömyysturvaetuuksiin
- 1-kertaisesti Suomen vuotuisiin terveydenhuoltomenoihin.
Viime perjantaina yhdessä Microsoftin kanssa julkaisemamme selvitys, Uncovering AI in Finland: 2018 field guide to AI, nostaa kuitenkin esiin kourallisen merkittäviä haasteita, jotka meidän on taklattava päästäksemme nauttimaan tekoälyn varsin merkittävistä hyödyistä.
Haastattelimme selvityksessämme 20 organisaation edustajia ja heistä
- 80 % kokee datan luotettavuuden merkittävimmäksi haasteeksi tekoälyn hyödyntämiselle,
- 55 % kokee saatavilla olevan AI-teknologian epäkypsäksi,
- 55 % kantaa huolta ihmisten AI-osaamisesta, ja
- 40 % pitää AI-investointien hyötyjä epävarmoina.
Tekoäly vaatii uudenlaisen lähestymistavan
Nyt viikonlopun yli näitä haasteita pohdiskelleena mieleeni nousee yksi kattava yleisajatus, jonka avulla lähdin niputtamaan näitä haasteita yhteen:
Tekoälyn käyttöönotto poikkeaa merkittävästi perinteisestä softaprojektista.
Tekoälyn tuottama arvo syntyy sen kyvystä tehdä päätöksiä ja käynnistää toimenpiteitä perustuen kerättyyn dataan, käyttöanalyyseihin, ympäröiviin olosuhteisiin ja muihin dynaamisiin havaintoihin – ilman, että sitä on nimenomaisesti ohjelmoitu tekemään niin.
AI-teknologian käyttöönotto
Perinteisessä softaprojektissa ennalta koodattu logiikka vastaa suoraan kaupan hyllyltä poimittuna niiden käyttötapausten tarpeisiin, joita varten se on koodattu. Tekoälyn käyttöönotto puolestaan edellyttää käyttökohteen mukaisen logiikan oppimista tai opettamista. Oli kyseessä sitten sairauksien diagnosointi, tarjousten personointi tai kunnossapitotarpeen ennakointi, tulee tekoälylle opettaa datan avulla, miten luoda arvoa kyseisessä käyttötapauksessa. Ja miten oppia edelleen uuden datan ja syntyneen kokemuksen myötä.
Tekoälyn käyttöönoton kriittisin vaihe on sen liiketoiminnallisen kontekstin omaksuminen. Se on se asia, joka määrittelee tekoälyn synnyttämän kilpailuedun ja arvontuotantokyvyn. Toki tekoälymoottorin itsessään tulee tukea niitä tarvittavia algoritmeja ja metodeja, joita käsillä olevat käyttötapaukset vaativat, mutta itse erilaistava arvo syntyy nimenomaan käyttötapauskohtaisen kontekstin omaksumisen ja jatkuvan oppimisen kautta. Ja sitä ei pysty ostamaan suoraan kaupan hyllyltä. Tai jos pystyy, niin kilpailijasi käyttävät sitä jo.
Datan luotettavuus
Dataan pätee hieman samankaltainen logiikka. Datan luotettavuushaasteet ovat usein ihmisten synnyttämiä. Tekoälyä edeltäneellä aikakaudella meidän on ollut käytännössä pakko luokitella ja summata valtavia datamassoja ihmisaivoille ymmärrettäviksi kokonaisuuksiksi. Itse raakadata on varsin harvoin perustavanlaatuisesti virheellistä. Luotettavuusongelmat syntyvät sen sijaan usein siinä vaiheessa, kun atomisen tason raakadataa luokitellaan ja summataan eri järjestelmissä. Toinen ongelma on se, että osa merkityksellistä datasettiä jätetään tällä hetkellä yksinkertaisesti keräämättä joko volyymien tai käsittelemisen vaikeuden takia.
Tekoäly tuo tällekin saralle hieman perinteisestä poikkeavaa ajattelua. Tekoäly nimittäin voi parhaimmillaan poistaa nuo ihmisten rajallisen käsittelykyvyn vuoksi rakennetut luokittelu- ja summaustarpeet. Tekoäly kykenee muodostamaan kokonaiskuvan käytännössä rajattomista dataseteistä. Eli käyttämällä suoraan lähteestä muodostunutta atomisen tason raakadataa tekoälyn opettamisessa, voidaan ohittaa joitakin ihmisten synnyttämiä tiedon luotettavuushaasteita.
Tekoälyn hyötypotentiaalin tunnistaminen
Tekoälyhankkeiden hyötyodotusten epävarmuus vaatii meitä ajattelemaan kokonaisvaltaisesti. Kuten Espoon kaupungin palveluiden kehittämisjohtaja Päivi Sutinen toteaa oivallisesti selvityksessämme, ”Tekoäly mahdollistaa kausaliteettien löytämisen intuitiivisesti toisistaan riippumattomien käsitteiden väliltä ilman, että se värittyy ennakkoajatuksista”. Eli tekoäly voi auttaa meitä näkemään asioita, joiden tietämättömyydestä emme edes ole tietoisia.
Näin ollen tekoälyn hyötypotentiaalin metsästys vaatii yhtä lailla uudentyyppistä tulokulmaa. Olemme monilla toimialoilla jo varsin kehittyneitä data-pohjaisen optimoinnin saralla siten, että optimoimme yhtä ongelmaa kerrallaan. Johtuen nimenomaan inhimillisen käsityskyvyn rajallisuudesta. Tekoäly poistaa tuon rajoitteen ja voimme löytää uuden arvontuotantokerroksen soveltamalla tekoälyä laaja-alaisten ongelmien jatkuvaan ja itseoppivaan optimointiin. Kokemuksemme osoittaa, että saatuamme ajattelumme kertaalleen viritettyä tähän uuteen näkökulmaan, alamme systemaattisesti löytää yllättävänkin suurta potentiaalia perinteisten siilojen väliltä.
Suurin haaste osaamisessa
Yllä kuvattu pohdiskelu kiteyttää tekoälyn soveltamisen haasteet nimenomaan osaamishaasteeksi. Niin datan luotettavuus kuin teknologian kypsyyskin ovat ohitettavissa jo tänään, kunhan hylkäämme perinteisen softa-ajattelun ja omaksumme tekoälyn edellyttämät käyttöönottotavat. Liiketoimintahyötyjen epävarmuutta voimme lievittää virittämällä ajattelumme tekoälyn vaatimaan asentoon.
Ajattele suuresti – aloita pienesti – mutta aloita tänään!