Tekoäly – miten lähteä liikkeelle?

Kun kirjoitin kirjaani, kävin monia keskusteluita tekoälyn epäilijöiden, pohtijoiden – jopa kieltäjien kanssa. Yhtenä aamuna saavuttuani toimistolle luin verkosta, että edellisenä päivänä oli julkistettu kuulokkeet, jotka kääntävät 40 kieltä reaaliaikaisesti. Siihen on turha jankata, että “tämä nyt on samaa matematiikkaa kuin 80-luvulla”. Niin on ihan samaa matematiikkaa, samoja ykkösiä ja samoja nollia, mutta sovellukset ovat hyvin eri tasolla.

Kysymys “Onko tätä kokeiltu Ruotsissa?” on epäolennainen. Odottajalle on varattu paikka takarivistä, ainakin mitä liiketoiminnan menestykseen tulee.

Miten siis lähteä liikkeelle tekoälyn suhteen? Vaihtoehtoja on monia, ja valinnat riippuvat yrityksen koosta, asiakkaiden tarpeista, nykyisestä osaamisesta ja käytössä olevista resursseista. Esittelen mielestäni tärkeimmät stepit.

1) Tekoälyn tarpeen tunnistaminen

Millaisia ongelmia koneoppimisen avulla kannattaa lähteä ratkomaan? Ongelma, jonka vastauksesta kymmenen kollegaa on yhtä mieltä, on hyvä lähtökohta. Jos ihmiset eivät pääse yhteisymmärrykseen jostakin asiasta, on epätodennäköistä, että kone pystyisi järkeilemään siihen vastauksen.

Toinen suuntaa antava kysymys on, kuinka kauan koneoppimisen jatkossa avustamaa tehtävää on tehty organisaatiossa. Jos historiaa on useampi vuosi ja dataa päätöksistä ja niiden perusteluista on kerätty, tehtävä sopii hyvin koneppimiselle. Jos päätösdataa ei ole käytettävissä, sen kerääminen kannattaa aloittaa heti, mikäli tavoitteena on ottaa kone mukaan työhön.

Yhteisen kielen ja jaetun ymmärryksen luominen johtoryhmälle ja muille asianosaisille on hyvä lähtökohta. Aiheesta löytyy runsaasti materiaalia. Jos pitäisi valita yksi, laittaisin työkaverini katsomaan tämän reilun tunnin luennon Youtubesta: Risto Siilasmaa on Machine Learning.

2) Lähtötason datastrategia

Datasta puhutaan paljon, syystäkin. Datastrategian puuttumiselle ei ole olemassa pätevää syytä. Datastrategian avulla hahmotetaan, miten dataa voidaan hyödyntää mahdollisimman tehokkaasti. Lähtökohdaksi voidaan ottaa jo nyt käytössä olevan datan valjastaminen liiketoiminnan ajuriksi nopeasti.

Datastrategia antaa kuvan yrityksen nykyhetkestä, päivitystarpeista ja mahdollisista aukoista. Jatkoa varten selvitetään, mistä ja miten dataa kerätään lisää, kerätäänkö sitä oman talon lisäksi yhdessä kumppanien kanssa, miten sitä käsitellään ja kuka sen tekee. Datan saatavuus on olennainen tekijä niin koneoppimisen kuin myös muun liiketoiminnan kannalta. Mahdollisimman monen tulisi saada laajat oikeudet dataan, ja datarakenteen on mahdollistettava tiedon jakaminen sisäisissä järjestelmissä. On myös syytä selvittää, kuka omistaa tekoälyn tuottaman datan, kenen vastuulla on informoida kuluttaja-asiakkaita sekä miten opt-in/-out-käytännöt ja muut GDPR:n vaatimat asiat hoidetaan.

3) Välttämättömät kokeilut

Koneoppimisen osalta kokeilulle ei ole vaihtoehtoja. Kokeilut vaativat opetusdataa. Tulokset huonosti merkityllä ja heikkolaatuisella datalla ovat aina kehnoja. Mikäli yrityksellä on mahdollisuus käyttää todellista dataa, se on aina paras vaihtoehto.

Mitä lähempänä kokeilut ovat asiakkaiden arkisia ongelmia, sitä todennäköisempää on, että ratkaisut ovat tarpeellisia ja ne otetaan käyttöön nopeasti. Hyviä lähtökohtia ovat sisäisten asiakkaiden palveleminen ja liiketoiminnan tehostaminen. Hyvin harva kokee muutosvastarintaa sitä kohtaan, että liiketoiminnan mittarit näyttävät parempaan suuntaan. Alun kokeilujen jälkeen on selvitettävä, ovatko käytössä olevat teknologiat sopivia liiketoiminnan ja liikevaihdon kasvun kiihdyttämiseen.

4) Ihmisten sitouttaminen

On tärkeää muistaa, että tekoälyn ja teknologioiden muutosten ytimessä on aina ihminen. Siksi on olennaista käydä keskusteluja siitä, miten ja millä tavoilla tekoäly voi lisätä ihmisten kykyä tuottaa arvoa yritykselle. Kokonaan uusien teknologioiden tullessa osaksi arkea osaaminen on aina jälkijunassa tavoitetilasta. Johdon vastuulla on luoda opetusalustoja, joiden avulla uudet taidot opitaan nopeasti. Oppimiseen tulee varata riittävästi aikaa ja resursseja. Tavoitteena on, että ihmiset voivat siirtyä mahdollisimman nopeasti toistuvista hallinnollisista tehtävistä kohti päätöksentekoa ja vuorovaikutusta.

Tekoälyä ja koneoppimista hyödyntävän yrityksen johtamisessa korostuu avoimuus. Kun tavoite on, että data on kaikille avointa, ei asemasta johtuvia esteitä datan hyödyntämiseen voi enää olla. Tämä johtaa väkisinkin hierarkian vähenemiseen ja samalla nostaa esiin ihmisen luovuuden.

Tekoälyllä on voima muuttaa yrityksiä ja yhteiskuntia. On kuitenkin epävarmaa, mihin suuntaan teknologiat kehittyvät; yrityksille saattaa tulla kiusaus odottaa, mitä muut tekevät. Olen varma, että tämä toimintatapa ei ole voittava. Juuri nyt on olennaista lähteä liikkeelle, kokeilla ja kumppanoitua.

Antti Merilehto on kirjoittanut helppolukuisen matkaoppaan tekoälyn maailmaan. Tekoäly – matkaopas johtajalle viedään käsistä kirjakaupoissa juuri nyt.

Antti Merilehto

Merilehto

AI-tietokirjailija, Speaker and consultant

Antti Merilehto toimi aiemmin Googlella ja maajohtajana Finch Finlandilla. Nykyisessä työssään Houston Analyticsissa hän vastaa yhtiön kasvusta. Ulkomailla vietettyjen vuosien aikana Merilehto on ehtinyt kartuttaa näkemystään erilaisista kulttuureista, markkinoista ja digitaalisen myynnin rakentamisesta. Hänen kirjansa Tekoäly – matkaopas johtajalle oli vuoden 2018 myydyin bisneskirja Suomessa.