Tekoälyä Blondille, Osa 1

Muutama vuosi sitten kirjoitin Appelsiinin yritysblogiin muutamia juttuja teemalla ”blondi testaa” ja olen viime aikoina palannut samoihin tunnelmiin tutustuessani analytiikkaan, koneoppimiseen ja tekoälyyn. Tunnen itseni blondiksi – asia tuntuu vaikealta vaikka sitä miten pureskelisi. Toisaalta, uuden oppiminen on aina mielenkiintoista ja haastavaa, enkä ole koskaan haasteita pelännyt.

Epäilen kuitenkin ratkaisujen kypsyyttä ja erityisesti organisaatioiden kykyä hyödyntää niitä. Muutaman työpajan perusteella SalesForcen Einstein ei ihan vielä vakuuta osaamisellaan. IBM:n Watsonin kanssa pääsimme keskusteluyhteyteen WomenInTech verkoston järjestämässä aamuseminaarissa. Edellä mainittujen lisäksi olen jutellut Amazon Alexan ja Applen Sirin kanssa suuremmin ihastumatta. Nämä kokeilut ja kohtaamiset ovat kuitenkin ruokkineet uteliaisuuttani ja motivoineet oppimaan lisää. Näyttää myös siltä, että en ole ajatusteni kanssa yksin: Mikäli Tekoälystä matkaoppaan johtajille kirjoittanutta Antti Merilehtoa on uskominen iso osa suomalaisten yritysten johdosta on samassa veneessä – tekoäly kiinnostaa, mutta ymmärrys on rajallista ja lisää pitäisi oppia.

Analytiikka, koneoppiminen & tekoäly

Miksi analytiikka, koneoppiminen ja tekoäly ovat viime vuosina nousseet kiinnostuksen aiheiksi niin minulla kuin muillakin? Datan määrän räjähdysmäinen kasvu on varmaankin yksi pääsyy: Kirjat, kartat, valokuvat ja musiikki ovat muuttuneet digitaalisiksi. Myös 3D, 4D, lisätty todellisuus ja virtuaalitodellisuus kasvattavat datan määrää ja haastavat perinteisen ohjelmoinnin, jossa tyypillinen toimintatapa on seuraava: Kerätään data, luokitellaan aineisto ja sen jälkeen kehitetään ratkaisumalli ja säännöstö jolla dataa analysoidaan (algoritmi). Perinteinen lähestymistapa toimii erinomaisesti kun ongelma voidaan määritellä selkeästi ja varmistaa ratkaisun systemaattisuus ohjelmoimalla. Käyttäjän näkökulmasta perinteinen ohjelmointi on säänneltyä, jotta saa haluamansa vastauksen, on osattava kysyä oikeat kysymykset ja käyttää ennalta määriteltyä käyttöliittymää.

Epämääräisemmän datan, esimerkiksi kuvien, puheen tai vaikkapa käsin kirjoitetun tekstin analysointi on hankalampaa. Jotta kone tunnistaisi koiran, on oppimiseen käytettävä aikaa ja vaivaa – opetettava tunnistamaan labradorinnoutaja ja perhoskoira saman rodun edustajiksi. Koneen antamia vastauksia tarkastellessa on myös hyväksyttävä, että siinä missä perinteinen ohjelmointi joko ratkaisee ongelman tai ei, oppiva järjestelmä toimii tietyllä todennäköisyydellä, joka tyypillisesti paranee ajan kuluessa ja datan määrän lisääntyessä – eli koneen oppiessa. Prosessointitehon kasvaessa kone voittaa ihmisen nopeudessa, esimerkiksi Alexan väitetään oppivan keskiverto 16 -vuotiaan sanavaraston noin kahdessa tunnissa. Prosessointitehoa on myös lähes rajattomasti saatavilla pilvestä, joten rajoitteita ei käytännössä ole.

Vaikka koneoppimisesta ja tekoälystä puhutaan usein samana asiana sitä ne eivät kuitenkaan ole. Koneoppimisella tarkoitetaan tiedettä, jossa tietokoneita ”opetetaan” toimimaan ilman eksplisiittistä ohjelmointia. Tekoäly on koneoppimista laajempi käsite – sitä voidaan luonnehtia järjestelmänä joka pystyy itse määrittelemään ongelmia ja etsimään ratkaisuja. Tai näin ainakin blondin käsityskyvyllä.

Parempia päätöksiä nopeammin

Data on ”uusi öljy”, mutta sen hyödyntäminen vaatii ymmärrystä tämän hetken datan laadusta, eri datalähteiden yhdistelemistä ja ennen kaikkea kyvykkyyttä luoda liiketoiminnan kannalta hyödyllisiä käyttötapauksia. Pienelläkin datamäärällä pääsee alkuun, tärkeintä on luoda strategia jonka perusteella lähdetään tekemään ensimmäisiä kokeiluja. Suurimpana haasteena datan hyödyntämiseen paremman päätöksenteon tueksi tuntuukin olevan analytiikan organisointi datan ympärille ja alkuun pääseminen, eli ensimmäisten käyttötapausten määrittely sekä niiden integrointi liiketoimintaprosesseihin ja -sovelluksiin.

Esimerkiksi asiakasdatan analysointi ja siitä oppiminen tuovat rajattomasti mahdollisuuksia asiakaskokemuksen kehittämiseen toimialasta riippumatta. Pintapuolisen tutustumisen perusteella näyttäisi siltä, että Einsteinin kyvykkyys tunnistaa ”kuumat liidit” ja tuoda niihin liittyvää tietoa myyjän käyttöliittymään parantaa todennäköisesti aktiivisuutta: Jos asiakkaisiin ollaan yhteydessä oikeaan aikaan se johtaa  parempaan asiakastyytyväisyyteen ja kannattavuuteen – ainakin jos myynnin johto osaa seurata oikeita mittareita. Uskon myös, että hinnoittelu ja tuotehallinta helpottuvat ja tehostuvat huomattavasti kun datamallit saadaan kuntoon ja asiakasanalytiikka tukemaan liiketoimintaprosesseja.

Ihminen koneen kaverina

Edellisten esimerkkien perusteella pääsemmekin asian ytimeen, eli siihen miten ihminen ja kone saadaan toimimaan yhdessä tehokkaasti. Uskon, että päätöksenteon parantaminen analytiikan, koneoppimisen ja/tai tekoälyn avulla on mahdollista vain jos tarkastelemme sitä osana kokonaisuutta. Kehityksen pitäisi lähteä liikkeelle selkeästi artikuloidusta liiketoimintatarpeesta, joka on tyypillisesti joko asiakaskokemuksen parantaminen tai oman liiketoiminnan tehostaminen. Seuraava askel on määritellä malli, jolla ihminen ja kone tekevät töitä yhdessä, eli nivoa tekeminen liiketoimintaprosesseihin. Minimissään datalle ja siihen liittyvälle analytiikalle ja sen kehitykselle, olipa kysymyksessä sitten algoritmi, koneoppiminen tai tekoäly, pitäisi löytää liiketoimintaomistaja joka määrittelee tavoitteet ja mittarit joilla niiden toteutumista mitataan.

Pintaraapaisu on tehty ja opiskelu jatkuu

Olen pyrkinyt pitämään innovaatiotohtorin blogipostaukset lyhyinä ja ytimekkäinä, mutta se on vaikeaa kun aihe on mielenkiintoinen ja monitahoinen kuten tekoäly. Jatkan siis harjoituksia ja keskityn oppimaan lisää. Viime viikkojen lukulistallani ovat olleet Mind&Machine jossa pohditaan  miten analytiikan ympärille pitäisi organisoitua, ja Life 3.0 jossa luodataan aihetta laajemmin. Datan omistajuus ja sen käsittelyyn liittyvät lailliset ja eettiset kysymykset ovat myös kiinnostavia, joten niistä lisää jatkossa.

Jo tässä vaiheessa olen kuitenkin tehnyt yhden varman johtopäätöksen: Harva asia tarjoaa niin paljon mahdollisuuksia innovointiin kuin analytiikka, koneoppiminen ja tekoäly. Enkä puhu siis teknologian kehityksestä, vaan nimenomaan liiketoimintamalleihin liittyvistä innovaatioista. Ne voivat olla uusia tapoja tehdä parempia päätöksiä nykyisissä liiketoiminnoissa tai täysin uusia liiketoimintamalleja.

PS. Jos haluat lukea tekoälystä suomeksi osta Antti Merilehdon 14.2. ilmestynyt Tekoäly matkaopas johtajalle. Jos taas olet kiinnostuneempi yksityiskohdista, katso Risto Siilasmaan erinomainen yhteenveto aiheesta.