Tekoäly on jo osa arkipäivää

Tässä luvussa tutustumme erilaisiin tekoälyratkaisuihin käytännön esimerkkien kautta.

Tekoäly on viime vuosina näkynyt otsikoissa ja synnyttänyt keskustelua monista eri näkökulmista. Useimmat uutiskynnyksen ylittävät jutut ovat hätkähdyttäviä eivätkä liity arkipäivän ratkaisuihin, joissa tekoäly on lähes huomaamatonta. Alan kehittäjät ovat joskus tokaisseet, että kun tekoälystä tulee osa ohjelmistoa, sitä ei enää kutsuta tekoälyksi vaan ohjelmistoksi.

Seuraavat esimerkit havainnollistavat käytännön tekoälyratkaisuja. Olemme jakaneet esimerkit kategorioihin, sillä jokainen niistä edustaa omaa osa-aluettaan tekoälyn hyödyntämisessä.

A) Luonnollisen kielen tekoälyratkaisut (Natural Language Processing, NLP)

Luonnollisen kielen tekoälyratkaisuiden ytimessä on kirjoitettu tai puhuttu kieli. Muutama esimerkki valaisee asiaa.

Chatbotit, keskustelurobotit

Varmaan jokainen meistä on tutustunut chatbotteihin yritysten verkkosivuilla. Ne vastaavat asiakkaan kysymyksiin tai esittävät vastakysymyksiä – vaihtelevalla menestyksellä. Chatbotit ovatkin yksi yleisimmistä suoraan käyttäjille näkyvistä tekoälyratkaisuista.

Chatbotia voisi luulla älykkääksi, koska se osaa keskustella. Chatbot ei kuitenkaan ymmärrä kysymystä, vaikka kykeneekin tuottamaan siihen sopivan vastauksen. Kaikki chatbotit eivät kuitenkaan perustu tekoälyyn vaan osalla niistä on ennakko-ohjelmoidut keskustelupolut. Käyttäjän on vaikeaa erottaa, kumman tyyppisestä chatbotista on kysymys.

Kielten kääntäminen ja puheen tunnistus

Kieltä kääntävät tekoälyratkaisut ovat yleistyneet nopeasti. Esimerkiksi suositulle Google Kääntäjälle voi sekä kirjoittaa että puhua sanan tai virkkeen, jonka se kääntää välittömästi halutulle kielelle.

Puheentunnistus on eräs NLP:n osa-alueista. Joissakin verkkokaupoissa asiakas voi sen avulla tehdä ostoksia. Ostaja lausuu ääneen tuotteen, esimerkiksi ”yksi sininen maito”, jolloin tekoälyratkaisu tulkitsee puheen sisällön ja lisää tuotteen ostoskoriin.

NLP mahdollistaa myös tekstin kieliasun tarkistuksen. Tarkoitukseen on saatavilla kaupallisia sovelluksia ainakin englanniksi.

Asiakaspalautteen tulkinta

Yrityksiä kiinnostaa suuresti eri kanavien kautta tuleva asiakaspalaute. Tähän tarkoitukseen sopiva tekoälyratkaisu on niin sanottu sentimenttianalyysi. Se paljastaa asiakaspalauteen sävyn – positiivisesta negatiiviseen.

Sentimenttianalyysi soveltuu myös asiakaspalvelutilanteen äänitallennuksiin. Tällöin tekoäly kääntää puheen ensin tekstiksi, minkä jälkeen se analysoi sen.

Luonnollisen kielen alue on toistaiseksi osoittanut lupaavimmalta generatiivisen tekoälyn hyödyntämiselle. Generatiivisen tekoälyn uusimmat tekniikat eivät ole ainoastaan parantaneet perinteisten sovellusten, kuten chatbottien, kielenkääntämisen ja tekstin tulkkauksen suorituskykyä. Ne ovat myös johtaneet uusiin innovatiivisiin käyttötapauksiin, kuten markkinointiviestien tuottamiseen eri sävyillä tai kielellä, jotka on personoitu asiakasta varten tai esimerkiksi personoituihin myyntineuvottelijoihin, jotka opastavat asiakasta erilaisissa asiakaskäynneissä.

B) Konenäkö (Computer Vision, CV)

Konenäkö koostuu kuvan- ja videonkäsittelystä. Teknologian käyttötapauksia on lukuisia, sillä kuva- ja videodataa muodostuu runsaasti erilaisissa toiminnoissa. Seuraavassa on muutama esimerkki konenäkösovelluksista.

Kasvojen ja objektien tunnistus

Vakiintuneita konenäköratkaisuja ovat muun muassa matkapuhelimen kasvojentunnistustoiminto ja sosiaalisen median automaattiset kuvamerkinnät. Niissä konenäkö osaa tunnistaa kuvissa ja videoissa näkyviä objekteja, kuten ihmisiä, eläimiä, esineitä tai tilanteita.

Kuvan esimerkki havainnollistaa konenäön toimintaa.

Tekoäly on tunnistanut kuvasta suorakulmioiden sisällä olevat kohteet. Suorakulmion laidassa oleva luku (confidence) kertoo asteikolla 0–1, kuinka varma tekoäly on tunnistamastaan objektista.

Kuvien- ja videon sisällön muokkaus sekä generointi

Tekoälyä voidaan käyttää visuaalisen sisällön tuottamiseen ja muokkaamiseen. Tyypillisiä esimerkkejä tästä ovat kehotuksiin (prompteihin) perustuva videon luominen (esim. deepfake tai muu), tyylimuunnellut tai vaikkapa ikääntyneiden näyttelijöiden nuorentaminen elokuvassa. Tekoälyratkaisut tekevät toden erottamisen tarusta yhä vaikeammaksi.

Ihmisen antamiin kehotuksiin perustuvien, mutta reaalimaailman fysiikkaan ja tilannekohtaisiin tietoihin perustuvien videoiden luominen voisi mahdollistaa paljon sovelluksia rakennetussa ympäristössä, esimerkiksi digitaalisten kaksosten luomisen automatisoinnissa.

Laadunvalvonta

Yksi yleisimmistä tekoälyn käyttökohteista teollisuudessa on virheellisten tuotteiden tunnistus konenäön avulla. Tunnistettava kohde voi olla puu-, metalli- tai paperipinta, pullon etiketti, hitsaussauma, pakkaus tai teippaus – eli oikeastaan mikä tahansa kohde, josta saadaan kuvia tekoälylle. Syy tällaisten ratkaisujen suosioon on selvä; tekoäly ei väsy eikä sen tarkkaavaisuus heikkene kuten ihmisillä.

Generatiivisen tekoälyn kehittymisen perustana olevien tekniikoiden hyödyntäminen on myös osoittautunut erittäin lupaavaksi keinoksi parantaa tällaisten perinteisten tekoälysovellusten suorituskykyä laadunvalvonnassa. Esimerkkejä siitä, miten tällaisilla tekniikoilla voidaan parantaa perinteisten tekoälysovellusten suorituskykyä:

• Datan augmentointi (tietojen lisääminen): Generatiiviset mallit voivat luoda monipuolisia ja kattavia synteettisiä datajoukkoja simuloimalla vikoja, mikä tehostaa koneoppimismallien koulutusprosessia.

• Harvinaisten vikojen simulointi: Generatiivinen tekoäly voi mallintaa harvinaisia vikaskenaarioita ja tätä kautta varmistaa, että tekoälyjärjestelmät ovat hyvin valmistautuneita tunnistamaan harvinaisia ongelmia.

• Parantunut suorituskyky: Kun tekoälymallit koulutetaan laajemmalla joukolla synteettisesti luotuja vikoja, niistä tulee parempia ja tarkempia reaalimaailman sovelluksissa.

C) Numeeriset tekoälyratkaisut

Edelliset esimerkit liittyivät ei-rakenteellisen datan (teksti, ääni, kuva, video) käsittelyyn. Niiden lisäksi tekoälyratkaisut pystyvät käyttämään rakenteellista eli taulukkomuotoista dataa. Nämä sovellukset ovat usein organisaatiokohtaisia eivätkä samalla tavalla yleiskäyttöisiä kuin aiemmin esitellyt. Seuraavat esimerkit havainnollistavat tätä.

Myyntimenekin ennustaminen

Monet kauppaliikkeet käyttävät tekoälyä menekin ennustamiseen. Kun valikoimassa on jopa kymmeniä tuhansia tuotteita, ilman automatisoitua järjestelmää yritysten olisi vaikea ennakoida tuotteiden tilausmääriä.

Automaattinen lainapäätös

Verkosta voi saada lainapäätöksen lähes välittömästi, kun hakija on ensiksi antanut tarvittavat tietonsa. Taustalla voi toimia tekoäly, joka tietojen perusteella arvioi hakijan luottokelpoisuuden ja johtaa siitä riskitason eli tarjottavan lainan koron.

Asiakaspoistuma-analyysi

Teleoperaattorit- ja vakuutusyhtiöt tekevät usein niin sanottua asiakaspoistuma-analyysiä tekoälyn avulla. Ne ennustavat, ketkä asiakkaista ovat mahdollisesti poistumassa lähitulevaisuudessa ja pyrkivät toimillaan pitämään heidät uskollisina.

Hinnoittelu

Tekoäly soveltuu automaattiseen hinnoitteluun. Hyvänä esimerkkinä on käytettyjen autojen ja asuntojen automaattinen hinnoittelu. Tekoäly pystyy myyntikohteiden taustatietojen avulla ennustamaan todennäköisen pyyntihinnan.

Asiakassegmentointi

Asiakassegmentoinnissa tekoäly ryhmittelee asiakkaat segmentteihin ostokäyttäytymisen perusteella. Segmenttejä voisivat olla esimerkiksi ”lapsiperheet”, ”kotieläintaloudet” tai ”urheilun ystävät”.

Tekoälyn avulla voimme tehdä asiakassegmentoinnin perustuen asiakkaan ostokäyttäytymiseen. Esimerkiksi violetilla pohjalla oleva joukko voisi koostua asiakkaista, joiden ostoskorissa on usein lemmikkien ruokia.

Generatiiviset tekoälyyn perustuvat työkalut, kuten ChatGPT, ovat demokratisoineet tällaisten taulukkomuotoisten tietojen analysointia entisestään. Osaaminen, joka ennen oli vain matematiikkaa sekä analyysitaitoja omaavien asiantuntijoiden päässä, on nyt tavallisten käyttäjien saavutettavissa käyttämällä ChatGPT:n kaltaisia työkaluja taulukkomuotoisen datan analysointiin. Kuka tahansa, jolla on pääsy generatiivisiin tekoälytyökaluihin, voi nyt analysoida dataa, saada oivalluksia ja suosituksia sekä tehdä skenaarioanalyysejä esittämällä kysymyksiä luonnollisella ihmiskielellä.

Edellä tutustuimme esimerkkeihin tekoälyä soveltavista ratkaisusta, mutta mikä tekee niistä tekoälyratkaisuja? Pureudutaan siihen seuraavaksi.