Vuonna 2001 kehitin ensimmäisen tekoälysovellukseni. Talven ajan koodasin Javalla, algoritmikirja polvella, “K-lähimmän naapurin luokittelijaa”, ja siitä sumealla logiikalla vahvistettua versiota. Tarkoituksenani oli tunnistaa käsin kirjoitettuja kirjaimia.
Silloin ei vielä ollut käyttökelpoisia valmiita tekoälykirjastoja tai -välineitä, joten jouduin, tai tässä tapauksessa pääsin, koodaamaan algoritmit ihan alusta alkaen. Kun sain ratkaisun valmiiksi keväällä, olin yllättynyt ja helpottunut, kun kehittämäni systeemi toimi työn vaikeuteen nähden suhteellisen hyvin ja tunnisti 88 % käsin kirjoitetuista kirjaimista oikein. Sumealla logiikalla vahvistettu versio toimi hiukan paremmin kuin perinteinen logiikka.
Nykymittapuulla saamani tulokset olivat kuitenkin hyvin vaatimattomia ja työ hidasta.
Valmiit, toimivat tekoälyn työkalut
Tänä päivänä tekoälyä ei tarvitse lähteä jokaisessa projektissa itse kehittämään, vaan voi hyödyntää hyviä markkinoilla olevia ratkaisuja. Kaikki isot pilvialustojen tarjoajat ovat sisällyttäneet palveluihinsa tekoälyn ja koneoppimisen työkaluja. Jos ei halua hyödyntää pilviresursseja, valmiita ohjelmointikirjastoja ja välineitä on tarjolla myös kaikille pääohjelmointikielille.
Lisäksi nämä keinoälyn työkalut toimivat hyvin. Käyttöönotossa ei tarvitse enää kehittää itse tekoälyä, vaan useammin kyse on siitä, miten tehokkaimmin hyödynnetään valmiita ratkaisuja.
Kun 20 vuotta sitten yksinkertaisen tekoälyn logiikan toteuttamiseen meni koko talvi, nyt voidaan siirtyä suoraan todentamaan ja näyttämään, millaista hyötyä tekoälyratkaisusta saadaan ja kuinka tarkkoihin tuloksiin päästään. Kuukausien mittainen tuskailu algoritmien toteuttamisen monimutkaisuudesta on vaihtunut suoraviivaisempaan tekoälyn hyödyntämiseen.
Laadukas data koneoppimisen keskiössä
Yksi tapa hyödyntää tekoälyä liiketoiminnassa on lähteä liikkeelle koneoppimisen konstein. Koneoppimisen tehokkaaseen hyödyntämiseen tarvitaan olemassa olevaa laadukasta dataa, eli sellaista tietoa, joka on sähköisessä formaatissa ja jonka perusteella ihminen tai kone voi tehdä päätelmiä. Tätä dataa voidaan silloin käyttää koneen opettamiseen.
Datan ei tarvitse kuitenkaan olla täydellistä, ja sitä se tuskin juuri koskaan onkaan. Tämän vuoksi datan käsittelemiseen tehdään erilaisia toimenpiteitä, joita kutsutaan otsikolla data science.
Datalle tehtäviä toimenpiteitä ovat esimerkiksi:
Datan muodon muuttaminen
Turhan datan poistaminen
Tietueiden lyhentäminen tai pidentäminen
Datan köyhdyttäminen tai rikastus
Tiedon anonymisointi
Erilaisten klustereiden eli samankaltaisuuksien löytäminen
Datan kuvaaminen erilaisilla piirteillä
Muut toimenpiteet ja temput, jotta data olisi käyttökelpoista koneoppimiselle
Läpinäkyvyyttä koneen tekemiin päätelmiin
Yksi viimeisimmistä läpimurroista koneoppimisen alueella liittyy koneen tekemien päätelmien eli tulosten perusteltavuuteen ja läpinäkyvyyteen. Kun vielä muutama vuosi sitten tilanne oli se, että koneen opettamisen vaiheessa koneen oppimista ja tuloksentekokykyä pystyttiin hyvin arvioimaan ja todentamaan, niin varsinaisessa käyttövaiheessa tällaista mahdollisuutta ei ollut. Koneen antama tulos tuli ikään kuin mustasta laatikosta.
Nykyään osa tekoälyn ja koneoppimisen teknologioista tukee päätöksenteon ja tuloksen perusteltavuutta esimerkiksi visualisoimalla päätökseen vaikuttaneet asiat tai korostamalla datasta niitä kohtia, jotka ovat olleet merkityksellisiä tuloksen muodostuksessa. Tämä ominaisuus ei huononna tai paranna tulosten laatua. Mutta meille ihmisille tällä asialla on huomattava merkitys. Vihdoin kone ikään kuin perustelee päätöksensä, jolloin taas meidän ihmisten on helpompi päättää, luotammeko tulokseen vai emmekö.
Asiaa voi verrata tilanteeseen, jossa asiantuntija datan, kokemuksensa ja tietämyksensä perusteella kertoo kollegalleen ilman perusteluja: ”tuo laite tuotannossamme tulee hajoamaan puolen vuoden kuluessa”. Ilman perusteluja toiselle osapuolelle jää vähintään merkittävä epäilys asiasta ja mihinkään toimenpiteisiin ei välttämättä ryhdytä.
Jos asiantuntija kuitenkin lisää perustelut ja visualisoi kollegalleen asiaan liittyvät datat, kuten laitteen iän, laitteen kuumenemisen ja tärinän, laitteen tekemien virheiden määrän, käyttökatkojen määrän, huoltojen tiheyden ja vielä vastaavien laitteiden historiatiedon, ja vertaa nykytilannetta tähän historiatietoon, niin kollega saa paljon paremman tuntuman siitä, onko asiantuntija oikeassa ja hänen on helpompi päättää, kuuluuko nyt jo toimia laitteen uudistamiseksi tai ennakkoon huoltamiseksi.
Samalla tavalla koneoppimisessa voidaan nykyään perustella tulokset ja välittää perustelut ihmisille. Itse väitteen oikeellisuuteen perustelut eivät vaikuta. Väite voi olla yhtä väärin tai oikein perusteltuna tai ilman. Kuitenkin siihen, hyödyntääkö ihminen tätä tietoa jotenkin, sillä on iso merkitys.
Hyödyn todentaminen aikaisessa vaiheessa
Menemättä tarkemmin erilaisten tekoälyn ja koneoppimisen teknologioiden pellin alle, on erittäin tärkeää, että tekoälyratkaisusta saatava hyöty mitataan ja todistetaan mahdollisimman aikaisessa vaiheessa projektia, mieluiten minimi-investoinnilla. Tällä tavalla varmistetaan, etteivät odotukset ole ylioptimistisia, data ei ole liian huonoa ja että ratkaisun vaatima tuleva investointi tulee katettua saavutettavilla hyödyillä, eikä rahaa ja aikaa mene hukkaan.
Kun tekoälyratkaisu on valmis, se yleensä integroidaan olemassa oleviin organisaation järjestelmiin tai ratkaisulle tehdään erillinen käyttöliittymä. Tässä vaiheessa ohjelmistotalojen muu integraatio- ja ohjelmistokehitysosaaminen nousee tärkeäksi vahvuudeksi, jotta tekoälyratkaisu saadaan käyttöön ja lopullinen hyöty saadaan irti.
Lataa maksuton tekoälyopas
Koostimme tekoälystä kiinnostuneille tekoälyoppaan. Oppaan avulla pääsee kiinni tekoälyn perusteisiin ja samalla ymmärtää, ettei keinoäly ole niin monimutkaista kuin mitä nimi antaa ehkä ymmärtää.
On hienoa nähdä, että ohjelmistoala kehittyy edelleen kiihtyvällä vauhdilla, ja me kehittäjät sekä meidän asiakkaamme hyödymme siitä. Kun tekoälyä ja koneoppimista tehdään hyötynäkökulma edellä ja hyviä välineitä käyttäen, on asiantuntijoidemme saama palautekin palkitsevaa:
”Fascinating, well done. Great results.”
”Good that we didn’t tell you that this is impossible.”
Ollaan yhteyksissä!
