Joudutko työssäsi tekemään toistuvasti samaa päättelyä? Osaatko varmasti ottaa huomioon kaikki päätökseen liittyvät seikat? Yhä useammassa tapauksessa voisit jo nyt jättää rutiininomaisen päättelyn tekoälyapulaisen tehtäväksi, jolloin sinulle jäisi aikaa ja voimavaroja laadukkaampien päätösten tekemiseen. Hyvin toteutettu tukiäly perustelee sinulle tekemänsä päättelyprosessin sekä avaa tiedot, jotka johtivat tähän tulokseen. Saatat itsekin oppia aiheesta jotain uutta.
Sanotaan, että monimutkaisten ongelmien ratkaisemisessa on paras kuunnella tunteitaan. Tämä perustuu osaltaan siihen, että tunteet pääsevät käsiksi aivojen alitajuisiin resursseihin, jotka ovat paljon laajemmat kuin arkijärjen työmuistilla. Työmuistiin kun ei montaa käsitettä yhtä aikaa mahdu ja jotain tippuu helposti pois. Tunteita voidaan kuitenkin helposti huijata, ja päätöksen perusteita sekä vaikutuksia olisikin hyvä saada näkyville.
Ruutupaperille hahmottelu on jo hyvä alku, mutta entä jos päätöksiä tehdään satoja tai tuhansia? Rutiineihin väsyy, ja ilman apua satojen tapausten joukosta jää hoksaamatta helposti potilas, jonka työkykyriski on kohonnut tai oppilas, joka tarvitsisi apua.
Onneksi suuri osa päättelyn rutiinivaiheista ja suuren tietomäärän käsittelystä kyetään nykyisin automatisoimaan. Samoin kuin ohjelmistorobotiikka automatisoi sovellusten käyttöä, niin automatisoi tekoäly nyt rutiinipäättelyä. Ja nämä tekniikat voidaan toki myös yhdistää.
Kohti tekoälykkäitä prosesseja
Tekoälyprojektin aluksi on hyvä miettiä vielä sitä, ovatko käsiteltävät ongelmat sellaisia, että niiden tulokset saadaan suoraan käytäntöön. Toisin sanoen täytyy määritellä aika tarkastikin, mitä tekoälyllä ylipäänsä tavoitellaan. Jos tekoäly ei ole kiinni missään prosessissa, on se vain kuluerä.
Kun tavoite on hyvin selvillä, alkaa tekoälyn toteuttaminen ongelman mallintamisella. Tämä tapahtuu analyytikon ja aiheen asiantuntijan yhteispelillä. Malli on siis kuin funktio tai kone, joka ongelmaan liittyvillä lähtötiedoilla palauttaa päätöksen sekä tiedon päätöksen varmuudesta. Mallinnusmenetelmiä on useita ja valintaan vaikuttaa muun muassa se, halutaanko päättelyprosessi avata vai riittääkö vain tulos. Kun tunnistetaan kuvia tai puhetta, niin usein riittää, että tunnistus on tarkka, eikä meitä kiinnosta miksi esimerkiksi kuvassa oleva auto näyttää koneen mielestä autolta. Monesti asiantuntijatyössä on kuitenkin tärkeää - ja jopa välttämätöntä -, että automaattiseen päättelyyn liittyvä prosessi on asiantuntijan tarkistettavissa. Sitä tulisikin käsitellä tekoälyapulaisen tekemänä luonnoksena, jota täydennetään ja korjataan. Päättelyn läpinäkyvyys on välttämätöntä myös prosessin ymmärtämisen ja optimoinnin kannalta.
Mallinnuksen yhteydessä kaivetaan esiin mahdolliset esitiedot ja säännöt, jotka ohjaavat päättelyä oikeaan suuntaan. Samoin etsitään ne tietolähteet, joita asiantuntija muutenkin käyttää päätöksissään. Jos sopivaa tietoa ei heti ole saatavilla, niin mallinnuksen yhteydessä voidaan kuitenkin arvioida, millainen olisi paras tieto hyvän päätelmän tekemiseksi. Tällöin tiedonkeruussa osataan jatkossa lähteä oikeaan suuntaan. Jos tässä vaiheessa löydetään ongelmaa riittävällä tarkkuudella kuvaava malli, niin ollaan oikealla tiellä.
Joka tapauksessa tässä vaiheessa syventyy kaikkien käsitys ongelmasta, tietolähteistä ja itse päätöksiä vaativasta prosessista. Hyvä tulos on myös se, että päättelyä ei kyetä automatisoimaan. Tällöin työhön on perusteita kohdistaa tarpeeksi ihmisten aikaa ja resursseja.
Hyvää ennustemallia oikeista päätöksistä ei kuitenkaan kannata jättää tähän ensimmäiseen kokeiluun. Jotta tekoäly saadaan oikeasti käyttöön ja osaksi prosesseja, niin se täytyy tuoda mukaan työssä käytettäviin järjestelmiin ja sen osaamista kannattaa ylläpitää.
Tekoäly oppii koko ajan lisää
Kun kirjoitin, että malli on funktio, niin se on sitä myös ohjelmistotuotannon mielessä. Natiivisti tekoälyä hyödyntävissä järjestelmissä osa toiminnoista on jo alun perin toteutettu koneoppimisella. Tällöin sääntöpohjaisesti hankalasti toteutettavat toiminnot on opetettu järjestelmälle. Asiakkaalle toimitettaessa opit ovat joko ns. tehdasasetuksilla tai sitten käyttöönotossa toiminnot on opetettu asiakaskohtaisilla tiedoilla. Joka tapauksessa järjestelmä oppii toimimaan käytön perusteella sujuvammin ja paremmin.
Teen itse tutkimusprojektia, jossa edellä kuvatulla tavalla ratkaistaan käytännön ongelmaa ravitsemukseen liittyen. Projektin johtavana kysymyksenä on, mitä tapahtuisi, jos ihmiset osaisivat syödä omalle keholleen luontaisella tavalla? Tarvitsisimme luultavasti vähemmän lääkkeitä ja voisimme paremmin.
Ravitsemusterapeutit tietävät kokemuksesta, että ihmiset reagoivat samaan ravintoon hyvin eri tavoin, mutta toistaiseksi henkilökohtaiset ravitsemussuositukset perustuvat suurelta osin manuaaliseen työhön. Henkilökohtaisen reagointitavan mallintamiseen on nyt löydetty lupaavia uusia menetelmiä, joiden avulla tämä terapeuttien kokemusperäinen tieto voidaan paketoida työkaluksi: palveluksi, joka auttaa tekemään mittauksiin ja tietoon perustuvia päätelmiä henkilökohtaisesti paremmin sopivasta ruokavaliosta. Tämä vähentää ravitsemusterapeutin rutiinipäättelyä sekä mahdollistaa parempaa ja henkilökohtaisempaa hoitoa kuin mihin aiemmin on kyetty.
Elokuvista tuttua yleistä tekoälyä saadaan vielä odotella ehkä pitkäänkin, mutta rajatuissa ongelmissa auttavat tukiälyt ovat jo aivan tätä päivää. Ne auttavat näyttämään, miksi tietyt päätökset ovat niin vaikeita ja toiset vain tuntuvat hyviltä.
Lue lisää tekoälystä:
Kirjoittajasta
Jari Turkia
Data-analyytikko
Olen Jari Turkia ja toimin CGI:llä data-analyytikkona. Minulla on kahdenkymmenen vuoden kokemus digitaalisista palveluista ja niiden arkkitehtuureista. Opastan teitä mielelläni kokonaisratkaisuissa, jotka alkavat tarpeiden ymmärtämisestä ja tietojen analysoinnista, päätyen Big Data-ratkaisun ja integraatioiden kautta helppokäyttöisiksi ja visuaalisesti näyttäviksi palveluiksi.
