Tulevissa kappaleissa perehdymme tekoälyn käyttötapausten tunnistamiseen liiketoimintaympäristöissä ja siihen, kuinka niiden toteuttamiskelpoisuutta arvioidaan tekoälykanvaasia hyödyntäen.
Aloitetaan tunnistamalla hyviä tekoälyn käyttötapauksia.
1) Käyttötapausten tunnistaminen
Useat yrityksille suunnatut kyselyt osoittavat, että tekoälyn hyödyntämisen suurimpia esteitä on sopivien käyttötapausten löytäminen. Tämä siitäkin huolimatta, että internet on tulvillaan esimerkkejä käyttötapauksista lähes jokaiselta toimialalta.
Tätä selittää monesti se, että luvussa 1 käsittelemämme asiat – tekoälyn toimintaperiaatteet ja reunaehdot – ovat yritykselle epäselviä. Niihin ja case-esimerkkeihin perehtymällä käyttötapauksia omasta liiketoiminnasta ja laajemminkin on helppo tunnistaa.
Ajatellaanpa, että yritys on kerännyt erilaisia tekoälyn käyttötapauksia, joita sen pitäisi arvioida. Apuna voi käyttää seuraavaa muistilistaa.
Hyvän käyttötapauksen muistilista
1. Sille löytyy liiketoiminnallinen tarve ja omistaja. Tämä on usein edellytys sille, että mahdollinen projekti saa riittävät resurssit ja mandaatin edetä.
2. Sen hyödyt ovat mitattavissa tai hyvin perusteltavissa. Hyödyn ei tarvitse olla välttämättä taloudellinen vaan se voi olla laadullinen, esimerkiksi parantunut työtyytyväisyys.
3. Se on selvästi rajattavissa ja yksityiskohtainen. Nykyiset koneoppimiseen perustuvat tekoälyratkaisut ovat hyviä tekemään yhtä asiaa kerrallaan (luku 1).
4. Siihen liittyen tulee olla riittävästi laadukasta dataa tai se pitää olla kerättävissä. Luonnollisesti datan tulee olla myös saatavilla.
5. Käyttötapauksen ympärille tehtävän ratkaisun pitää olla myös vietävissä käytäntöön (tuotantoratkaisu). Sen toteutuksen ei siis tule edellyttää investointeja tai prosessimuutoksia, joita ei ole mahdollisia toteuttaa.
Käyttötapaus on mahdollisesti ratkaistavissa kokonaan ilman tekoälyä. Esimerkiksi chatissa tekoälyn sijaan voisi vastata ihminen. Tällöin on punnittava vaihtoehtojen vahvuuksia ja heikkouksia lyhyellä ja pitkällä tähtäimellä.
Mikäli tunnistettuja käyttötapauksia on useita ja ne kaikki läpäisevät edellisen muistilistan, ne on priorisoitava. Apuna voi käyttää oheista yksinkertaista arviointimatriisia.
Matriisin oikeaan kulmaan (A) kirjaamme käyttötapaukset, joilla on suuri vaikutus ilman suuria panostuksia. Arvatenkin näin käy harvoin. Useammin tapaukset sijoittuvat vasempaan alakulmaan (D), jossa suuri panostus tuottaa vaatimattomia hyötyjä.
Sign up to solve exercises
Toteutusvaihtoehtojen vertailu
Kun alustava arviointi- ja priorisointikierros käyttötapausten osalta on tehty, on aika tutustua mahdollisiin toteutusvaihtoehtoihin.
Tässä on esimerkki toteutusvaihtoehtojen vertailusta:
Markkinoilla on valmis tekoälytuote, joka soveltuu käyttötapauksen ratkaisuun.
Markkinoilla on puolivalmis tekoälytuote, jota voidaan jatko-opettaa omalla käyttötapaukseen liittyvällä datalla.
Markkinoilla ei ole tekoälytuotteita, jotka soveltuvat käyttötapauksen ratkaisuun. Tällöin räätälöity tekoälyprojekti on ainoa vaihtoehto.
Tekoälyn käyttötapausten tunnistaminen on tärkeä vaihe, mutta usein se ei yksin riitä. On otettava huomioon laajempi konteksti, jossa mahdollinen tekoälyratkaisu toimisi. Siksi tutustumme seuraavaksi tekoälykanvaasin käyttöön.
2) Tekoälykanvaasin käyttö
Historiallisesti katsottuna tekoälyprojektien onnistuminen ei ole ollut itsestään selvää. Kaikki projektit eivät ole saavuttaneet tavoitteitaan, vaikka tuotetut tekoälyratkaisut ovat saattaneet olla teknisesti erittäin onnistuneita. Usein syy epäonnistumisiin liittyykin tekoälyteknologian ulkopuolisiin tekijöihin, joihin ei ole riittävästi kiinnitetty huomiota.
Tekoälykanvaasi auttaa tarkastelemaan hanketta useista näkökulmista. Kanvaasi ottaa teknisten edellytysten lisäksi huomioon liiketoiminnalliset tekijät ja tehtävät, joilla suunniteltu ratkaisu on vietävissä tuotantokäyttöön.
Tekoälykanvaaseista on käytössä erilaisia versioita, joissa painotukset selvitettävien osa-alueiden välillä jonkin verran vaihtelevat. Tällä kurssilla sovellamme oheisen kuvan mukaista tekoälykanvaasia.
Tekoälykanvaasi koostuu kymmenestä osa-alueesta, jotka vaikuttavat tekoälyratkaisun toteutukseen ja käyttöön. Tarkoitus on kuvata jokainen suunniteltu käyttötapaus omaan kanvaasinsa, kohta kohdalta. Jos arvioit joidenkin osa-alueiden kysymysten olevan erityisen kriittisiä kuvattavassa käyttötapauksessa, paneudu niihin ensin. Jos niiden haasteet osoittautuvat ratkaisemattomiksi, kanvaasin täytön voit päättää siihen.
Kanvaasin rakenne ei ole oleellinen, ja kenttiä voi yhdistellä. Oleellista on, että keskeiset kysymykset tulevat pohdittua riittävällä tarkkuudella.
Tekoälykanvaasin osa-alueet
Tutustutaan seuraavaksi tekoälykanvaasin osa-alueisiin. Osa niistä on hieman päällekkäisiä edellä kuvatun muistilistan kanssa. Muistilistan käyttö tuo siis tekoälykanvaasille valmiiksi pohdittua sisältöä.
Tekoälykanvaasi – Ratkaisun kuvaus ja liiketoimintatarve
Kanvaasin käyttö on selkeintä aloittaa kuvaamalla suunniteltu ratkaisu (tekoälyn käyttötapaus): mihin ongelmaan ja kenen tarpeeseen se vastaa sekä miten se toimii yleisellä tasolla. Tämän kentän tulisi kertoa lukijalle, mikä ratkaisu on ja miksi se on tarpeen.
Vaikka ratkaisulle olisi selkeä liiketoiminnallinen tarve, se ei välttämättä tue yrityksen strategiaa. Tällöin kannattaa kiinnittää erityisesti huomiota siihen, onko projektille saatavissa riittävästi resursseja ja valtuutusta edetä.
Tekoälykanvaasi – Investoinnin kannattavuus
Liiketoiminnassa investointien tarkoitus yleensä on olla tuottavia. Investoinnin tarkastelussa on kolme näkökulmaa: tuotot, kustannukset ja riskit. Tämä malli pätee myös tekoälyratkaisujen suunnittelussa. Riskejä arvioitaessa kannattaa kiinnittää huomiota erityisesti tarvittaviin resursseihin, datan saatavuuteen ja laatuun sekä osaamiseen.
Ratkaisun tarkastelun voi aloittaa arvioimalla suunnitellun ratkaisun tuottoja ja niiden lähteitä. Ovatko ne esimerkiksi säästynyttä työaikaa, myynnin kasvua, laatukustannusten laskua, energian säästöä tai vahinkojen vähentymistä. Optimitilanteessa hyötyjä voi mitata ja kuvata numeerisesti.
Talousjohtajan mietteitä
Yrityksen talousjohtaja voisi pohtia seuraavaa: jos virheellisten toimituserien määrä laskee 10 %, vuositasolla säästämme 300 000 euroa ja viidessä vuodessa 1 500 000 euroa. Auttaisiko tekoäly löytämään virheellisiä toimituseriä?
Tarkan tuottolaskelman tekeminen on kuitenkin usein vaikeaa tai jopa mahdotonta. Olennaista onkin ymmärtää odotettujen tuottojen oikea suuruusluokka.
Investointilaskelman toinen puoli on kustannusten arviointi. Kaikki kehityksen ja käytön kustannustekijät on otettava huomioon. Tarkastellaan asiaa kahden esimerkin kautta.
Tarjousten hinnoittelu
Yritys toteuttaa tekoälyratkaisun tarjousten hinnoitteluun. Kaikki tarvittava data, ohjelmistot ja tekninen infrastruktuuri ratkaisun toteuttamiseksi on olemassa ja saatavilla.
Valtaosa projektin kustannuksista muodostuu suunnittelu- ja toteutustyöstä, joka ostetaan osittain ulkopuoliselta toimittajalta. Sisäisiä kustannuksia syntyy projektiin käytetystä työajasta ja myyjien kouluttamisesta ratkaisun käyttäjiksi.
Virheellisten tuotteiden tunnistaminen
Yritys toteuttaa tekoälyratkaisun tarkkailemaan tuotantolinjalla kulkevia tuotteita ja automaattisesti huomaamaan virheelliset tuotteet. Tätä varten yrityksen on hankittava tuotantolinjalle kameralaitteistot, muutettava tuotantolinjan toimintalogiikkaa, kerättävä dataa, rakennettava dataputket ja tarvittava datan tallennuksen infrastruktuuri. Dataputkella (data pipeline) tarkoitamme tässä yhteydessä kaikkia niitä komponentteja, joita tarvitaan tekoälyratkaisussa käytettävän datan siirtelyyn, muokkaukseen ja tallennukseen.
Lisäksi yrityksen on hankittava tehtaaseen erillinen palvelin tekoälyä varten ja tehtävä ohjelmistomuutoksia tuotantolinjan ohjelmistoon. Koska omaa osaamista ei ole, yritys hankkii koko ratkaisun muilta yrityksiltä.
Jälkimmäisessä esimerkissä kustannuselementtejä on huomattavasti enemmän, ja projekti on kustannuksiltaan ja riskeiltään selvästi suurempi.
Kuten tuottojen laskenta, kustannustenkaan tarkka arviointi etukäteen ei ole aina mahdollista. Tällöin on oleellista arvioida kustannusten oikeita suuruusluokkia.
Toisinaan kuulee ajatuksen, että suunnitellun tekoälyprojektin potentiaalisen tuoton tulisi olla mahdollisimman suuri, esimerkiksi että odotetut tuotot ovat 10 kertaa suuremmat kuin itse investointi.
Sign up to solve exercises
Jos investointilaskelman tekeminen on vaikeaa, apuna voi käyttää seuraavaa nelikenttää, johon suunniteltu ratkaisu asemoidaan parhaiden arvioiden perusteella. Nelikenttä auttaa myös viestimään investointihankkeista eri sidosryhmien kanssa.
Investoinnin hyötymatriisi.
Entä jos investointia ei mitata suoraan rahassa?
Tekoälyratkaisujen hyödyllisyyttä arvioitaessa investointilaskelman luvut eivät aina yksin ratkaise päätöstä. Vaikka investointilaskelmat olisi mahdollista tehdä tarkasti, voivat laadulliset tekijät painottua rahassa mitattavia enemmän. Alla on tästä muutamia esimerkkejä.
Investointi liittyy jonkin strategisen päämäärän saavuttamiseen, esimerkiksi kestävän kehityksen edistämiseen.
Investointi kasvattaa työtyytyväisyyttä, esimerkiksi vähentämällä manuaalisia ja rutiininomaisia työvaiheita.
Investoinnin avulla voidaan parantaa tuotteen tai palvelun laatua ja sen johdosta asiakastyytyväisyyttä.
Näissäkin tapauksissa investointilaskelmalla tai karkeammalla kustannus-hyötyanalyysillä on sijansa tekoälyratkaisun toteuttamispäätöstä tehtäessä.
Tekoälykanvaasi – Metriikka
Metriikka määrittää tavoitteita ja niiden mittareita ratkaisun tuotantokäytölle.
Mittareita on kahdenlaisia: numeerisia ja laadullisia.
Numeerisia mittareita ovat esimerkiksi kustannussäästöt, myynnin kasvu, tuotantomäärien kasvu, läpimenoaikojen parantuminen tai vaikkapa onnettomuuksien väheneminen.
Laadulliset mittarit eivät ole yksiselitteisiä numeroarvoja. Esimerkiksi ratkaisun käyttäjäpalaute tai asiakashaastattelut tuottavat laadullista mittaustietoa. Laadullinen mittari voi olla myös ratkaisun kyky edistää kestävän kehityksen tavoitteita yrityksessä.
Metriikka auttaa siis arvioimaan, miten onnistunut toteutettu ratkaisu on ollut ja miten sitä tulisi jatkossa kehittää.
Tekoälykanvaasi – Sidosryhmät
Ratkaisun suunnitteluvaiheessa tulisi tunnistaa keskeiset sidosryhmät, joiden panosta ratkaisun toteuttamiseksi tarvitaan ja joiden työhön se vaikuttaa. Sidosryhmät vaihtelevat projekteittain, joten niistä ei ole luotavissa yleispätevää luetteloa. Tässä on kuitenkin muutamia esimerkkejä, jotka toistuvat useimmissa projekteissa:
Projektin omistaja ja sponsori. Hänen vastuullaan on suunnitellun ratkaisun edistäminen ja muun muassa tekoälykanvaasin hyödyntäminen.
Liiketoiminnan avainhenkilöt, jotka tuntevat hyvin ratkaisun kohteena olevan liiketoiminnan ja sen lainalaisuudet.
IT-organisaatio, joka yleensä vastaa ratkaisun toteutuksesta, kehittämisestä ja ylläpidosta.
Mahdolliset toimittajakumppanit (tekoäly, data, ohjelmistokehitys, jne.), joiden kanssa yhteistyössä ratkaisu toteutetaan.
Ratkaisun loppukäyttäjät tai ryhmät, joiden työhön ratkaisu vaikuttaa.
Kokemus on osoittanut, että jos projektille ei löydy liiketoimintaomistajaa ja käyttäjäryhmää, onnistumisen lähtökohdat eivät ole hyvät.
Tekoälykanvaasi – Tarvittava osaaminen
Tekoälyprojekteissa tarvittava osaaminen vaihtelee eri tekoälyratkaisujen välillä. Tyypillisesti projekteissa on seuraavat roolit: tuoteomistaja, datainsinööri, datatieteilijä ja projektipäällikkö. Sama henkilö voi tarvittaessa toimia useassa roolissa. Koska viestintä ja vuorovaikutus ovat tärkeitä, projektitiimissä on oltava sekä sisäisen että tarvittaessa ulkoisen viestinnän osaamista.
Projektista riippuen tarvitaan myös muita kuin edellä mainittuja rooleja. Jos lopputuote on esimerkiksi tekoälyllä vahvistettu räätälöity mobiilisovellus, projektissa tarvitaan myös ohjelmistokehittäjää. Jos taas projektin tuotoksena on visuaalinen raportti, ohjelmistokehittäjän sijasta tarvitaan raportointiohjelmiston osaamista. Kun sovelluksen käytettävyyteen liittyy erityistarpeita, palvelumuotoilija on syytä kutsua mukaan.
Oheinen kuva havainnollistaa osaamistarpeita, kun konenäköratkaisun lopputuloksena on mobiilisovellus.
Tyypilliset roolit eri tekoälyprojektin vaiheissa.
Tekoälykanvaasi – Data
Tekoälykanvaasin tärkein elementti on data, sillä ilman sopivaa dataa suunniteltua ratkaisua ei yleensä voi toteuttaa.
Seuraavassa on joukko dataan liittyviä kysymyksiä, jotka tulisi selvittää projektin suunnitteluvaiheessa:
Mitä dataa suunnitellun tekoälyratkaisun toteuttamiseksi tarvitaan?
Onko tarvittava data jo olemassa vai pitääkö sen kerääminen käynnistää?
Onko datan laadussa tunnettuja puutteita, jotka voisivat vaikuttaa suunniteltuun ratkaisuun?
Onko data saatavilla ja ovatko siihen liittyvät dataputket olemassa?
Onko dataa riittävästi?
Mikä on datan keräämisen kokonaiskustannus?
Melko usein tämä tarkastelu jää suunnittelussa liian yleiselle tasolle. Se voi johtaa kriittisen datan kannalta odottamattomiin tilanteisiin. Seuraavassa on tästä muutama esimerkki.
Kun data on pullonkaula
Eräs projektipäällikkö totesi projektistaan seuraavaa:
”Suunnitteluvaiheessa todettiin, että tarvittava IoT-data on kerätty ja tallennettu pilveen. Projektin alettua todettiin, että dataa on tallessa vain aina kaksi kuukautta kerrallaan, joka on liian vähän. Datan laadusta ei myöskään kenelläkään ollut tietoa, sillä sitä ei ole aiemmin analysoitu tai raportoitu. Niinpä projektissa törmättiin kahteen hankalaan ongelmaan: dataa oli liian vähän ja sen laatu oli odotettua heikompaa.”
Datan selvittelyyn kannattaa panostaa. On syytä keskustella kaikkien tarvittavien sidosryhmien kanssa datan saatavuudesta, laadusta, määrästä ja mahdollisista dataan vaikuttavista muutoksista tulevaisuudessa.
Kun datan muoto muuttuu projektin aikana
Toinen projektipäällikkö kertoi yllättävän järjestelmämuutoksen seurauksista: ”Työvuorosuunnittelua varten oli rakennettu tekoälyratkaisu, joka oli pilottikäytössä. Seuraava vaihe oli tuotannollistaminen, jota tehtäessä selvisi, että ratkaisun käyttämä datalähde, toiminnanohjausjärjestelmä, vaihtuu 6 kuukauden päästä, jonka jälkeen ratkaisu joudutaan opettamaan uuden rakenteen mukaisilla datoilla.”
Tekoälykanvaasi ja koneoppiminen
Vaikka koneoppiminen on tekoälyratkaisujen keskiössä, siihen ei tarvitse paneutua vielä syvällisesti tekoälykanvaasissa. Kannattaa kuitenkin palauttaa mieleen luvusta 1 kohta, jossa käsittelimme koneoppimisen kategorioita, joita ovat: ohjattu oppiminen, ohjaamaton oppiminen ja vahvisteoppiminen.
Koneoppimisen kategoriat 1) Ohjattu oppiminen, 2) Ohjaamaton oppiminen, 3) Vahvisteoppiminen
Minkä tahansa tekoälyratkaisun suunnittelussa on tiedettävä, mihin mainituista kategorioista suunniteltu ratkaisu kuuluu. Niistä jokaisesta syntyy erilaisia ratkaisuja, joiden vaatimukset poikkeavat esimerkiksi osaamisen, käytettävien teknologioiden ja datan suhteen. Esimerkiksi ennustaminen vaatii dataa, jossa on yksi tai useampi vastemuuttuja.
Tässä vaiheessa voi myös arvioida, mitä muita elementtejä koneoppimisen lisäksi ratkaisussa tulisi olemaan.
Koneoppiminen on vain pieni osa tekoälyratkaisua. Kuvan insipiraationa on käytetty lähdettä: Hidden Technical Debt in Machine Learning Systems, D. Sculley & Al.
Oheinen kaavio havainnollistaa, miten koneoppimista ympäröivät elementit saattavat usein olla ratkaisusta selvästi suurempi osa kuin itse koneoppiminen ja sen toteutus.
Tekoälykanvaasi – Ohjelmistot ja tekninen infra
Millaisia ohjelmistoja ja teknistä infrastruktuuria tarvitaan suunnitellun ratkaisun toteuttamiseksi?
Ratkaisun ohjelmistosuunnittelu sisältää käytettävät työkalut muun muassa datan siirtoihin, jalostukseen, tallennukseen ja visualisointeihin sekä koneoppimismallien ajoihin ja tulosten analysointiin. Ratkaisusta riippuen luettelo voi olla pitkä.
Teknisellä infralla viittaamme fyysisiin laitteisiin, jotka tuottavat dataa. Näitä ovat tyypillisesti kamerat tai IoT (Internet of Things) -tunnistimet. Datan siirto laitteista ohjelmistolle vaatii protokollia, jotka on viimeistään tässä vaiheessa selvitettävä.
Suunnittelu ei saa rajoittua vain kehitysvaiheen tarpeisiin vaan se on ulotettava tulevaan tuotantokäyttöön. Tämä varmistaa, että onnistunut PoC tai pilottihanke ei jää viemättä tuotantoon esimerkiksi siksi, ettei sille ole teknisiä edellytyksiä.
Tekoälykanvaasi – Prosessit
Ei ole tavatonta, että yritys on toteuttanut teknisesti onnistuneen tekoälyratkaisun, joka on jäänyt käyttämättä. Usein syynä on ollut, että ratkaisu ei ole sulautunut yrityksen prosesseihin ja käytäntöihin. Seuraavat kaksi esimerkkiä kuvaavat tätä ongelmaa.
Case-esimerkki 1 (ei näin)
Vakuutusyhtiö toteutti tekoälyratkaisun asiakaspoistuman ennustamiseen. Ratkaisu oli nopea toteuttaa, koska tarvittava data ja ohjelmistot olivat jo olemassa. Myös tulokset olivat hyviä. Ratkaisu jäi kuitenkin ns. pöytälaatikkoon, koska vakuutusyhtiöltä puuttui prosessi sen viemiseen osaksi käytäntöä. Asiakasuskollisuus ei myöskään ollut yhdenkään tulosyksikön tulosmittari.
Case-esimerkki 2 (vaan näin)
Suuri yritys toteutti tekoälyratkaisun, joka etsi optimaalisen hintapisteen tehdyille tarjouksille optimoiden saatavan katteen ja tarjouksen läpimenon todennäköisyyden. Onnistumisen kannalta kriittistä oli saada myyntiorganisaatio luottamaan ja käyttämään ratkaisua. Tämä onnistui siten, että myyjät pilotoivat ratkaisun ensimmäistä versiota ja kokeilun huomiot siirtyivät suoraan jatkokehitykseen.
Jo suunnitteluvaiheessa on siis syytä varmistaa, että ratkaisulla on valmis maaperä, johon se juurtuu tuotantovaiheessa.
Tekoälykanvaasi – Etiikka ja GDPR
Tekoälykanvaasin osa-alueista viimeisin on uusi, mutta tärkeä. Tekoälyn etiikka ja GDPR-säädökset on otettava huomioon, etenkin jos suunniteltu ratkaisu sisältää henkilöihin kytkeytyvää dataa tai automatisoitua päätöksentekoa.
Tekoälyn etiikkaan liittyvissä kysymyksissä projektiryhmä ja projektin omistaja pääsevät varsin pitkälle, jos jo suunnitteluvaiheessa tiedostavat aiheen ja sen tärkeyden.
GDPR-lainsäädäntö (EU General Data Protection Regulation) ja sen soveltaminen saattaa vaatia oikeusopillista tietoa ja kokemusta. Mahdollisiin rikkeisiin voi liittyä merkittäviäkin sanktioita. Keväällä 2021 oli Euroopassa määrätty sakkoja jo yli 270 miljoonan euron edestä. On suositeltavaa, että GDPR-asiantuntija on jo suunnitteluvaiheessa mukana.
Maallikon voi olla vaikea ymmärtää lainsäädännön kattavuutta ja soveltamistapoja. Seuraava esimerkki kuvastaa ongelmaa.
Ahaa!
Yritys halusi toteuttaa konenäköön perustuvan ratkaisun, jonka kuvissa näkyi työntekijöitä. Alkuperäinen ajatus oli sumentaa ohjelmallisesti ihmisten kasvot, jotta heitä ei tunnistettaisi. GDPR-asiantuntijan mukaan se ei kuitenkaan vielä riittäisi, sillä ihmisen voi tunnistaa tavasta liikkua, ryhdistä tai muusta ulkoisesta tekijästä.
Tekoälyn etiikka ja GDPR
Molemmat tarkastelukulmat ovat laajoja. Niihin pääset tutustumaan seuraavista linkeistä:
Etiikkahaaste - Yritykset mukaan tekoälyn eettiseen hyödyntämiseen
Tekoälykanvaasi – Yhteenveto
Olemme nyt käyneet lävitse tekoälykanvaasin sisällön vaihe vaiheelta. Tavoitteena on siis saada mahdollisimman realistinen kuva suunnitellun tekoälyprojektin onnistumisen edellytyksistä ja riskeistä ennen investointipäätöstä. Näin ollen kanvaasin käyttö auttaa erottelemaan jyvät akanoista.
