Tekoälyttömien yritysten harhaluulot 1-4

#1 Ei meidän bisneksessä ole tarvetta/käyttöä tekoälylle

Oletko ihan varma? Otapa askel taaksepäin ja mieti uudestaan. Tekoälyä/koneoppimista on kuitenkin menestyksellisesti hyödynnetty maa- ja metsätaloudessa; valmistavassa teollisuudessa; rakentamisessa; kaupan alalla; palvelualoilla, kuten kuljetuksessa ja varastoinnissa, majoitus- ja ravitsemistoiminnassa, rahoitus- ja vakuutustoiminnassa, kiinteistöalalla; ja muissa palveluissa, kuten vesi-, energia- ja jätehuollossa, julkisessa hallinnossa ja maanpuolustuksessa, koulutuksessa, terveys- ja sosiaalipalveluissa. Tai jos katsomme liiketoimintafunktioiden näkökulmasta: myynnissä ja markkinoinnissa, ostotoiminnoissa, tutkimuksessa ja tuotekehityksessä, henkilöstöhallinnassa, logistiikassa, taloushallinnossa, lakiasioissa sekä viestinnässä.

Yritysjohdon tulisi jatkuvasti ja aktiivisesti seurata omien kilpailijoidensa, toimialansa ja myös muiden toimialojen toimia tekoälyn saralla. Mikä on mahdollista tänään? Mikä tulee olemaan mahdollista jo ehkä huomenna? Onko muilla toimialoilla kehitetty ratkaisuja, jotka olisivat sovellettavissa oman bisneksen/toimialan tarpeisiin tuomaan ennennäkemätöntä kilpailuetua omiin kilpailijoihin verrattuna?

 

#2 Ei meillä ole tekoälyn vaatimaa big dataa

Ehkä totta toinen puoli. Ilman dataa ei ole tekoälyä ja tekoälykkäitä ratkaisuja. Tekoäly ilman dataa on kuin auto ilman polttoainetta. Koneoppiminen ei tarkoita sitä, että ennustavat mallit oppisivat automaattisesti. Malleja täytyy useimmiten opettaa esimerkeillä – datalla.

Jos datatutkijalta kysyy, kuinka paljon dataa tarvitaan, vastaus on usein epämääräinen ”No, se riippuu…” tai ”Mitä enemmän, sen parempi”. Vaikka syväoppiminen eli syviin neuroverkkoihin perustuvat ratkaisut ovat tunnetusti varsinaisia datasyöppöjä, monet perinteisemmät koneoppimisen menetelmät eivät välttämättä tarvitse mitään big dataa oppiakseen ennustamaan riittävällä tarkkuudella, kuka asiakas on lopettamassa liikesuhdetta tai milloin jokin laite on vikaantumassa. Jos haettu ratkaisu vaatii esim. konenäköä, voidaan mahdollisesti hyödyntää ns. siirto-oppimista (englanniksi transfer learning), jossa käytetään jonkin ison yrityksen jo valmiiksi miljoonilla esimerkeillä opettamaa syvää neuroverkkoa, joka sitten muokataan omaan tarpeeseen tekemään haluttu asia yrityksen omilla, sadoilla tai tuhansilla esimerkeillä. Näiden satojen tai tuhansien esimerkkien tulee toki olla kuvattuja/luokiteltuja ja jos sitä ei haluta/pystytä tekemään itse, voidaan tässä hyödyntää erilaisia joukkoistuspalveluja.

Tekoälyprojektissa tarvittava data voi olla peräisin yritysten omista operatiivisista järjestelmistä; se voi tulla yrityksen palomuurien ulkopuolelta some-kanavista, uutisvirrasta, avoimesta datasta, ostetusta säädatasta tai laitteisiin asennettujen sensorien tuottamasta datasta. Suurin ongelma on se, että data on hajallaan, pirstaloituneena. Jos data olisi kerättynä yhteen data-altaaseen, sen hyödyntäminen olisi paljon helpompaa. Koska datan tallennus pilveen on verrattain halpaa, kannattaakin ottaa kaikki data talteen, koska et voi koskaan tietää, mihin sitä voisi tarvita tulevaisuudessa. Joka tapauksessa varaudu siihen, että datan keruuseen, sen muokkaamiseen ja valmisteluun käytettävä aika vie aina valtaosan tekoälyprojektiin käytetystä työmäärästä.

 

#3 Tekoälyratkaisut ovat liian kalliita meidän kokoiselle yritykselle

Jos ikääntynyt, japanilainen kasvihuoneyrittäjäpariskunta rakentaa konenäköön perustuvan kurkunlajittelujärjestelmän tietojenkäsittelytiedettä opiskelevan poikansa avustuksella, amerikkalainen poliisilaitos kasvontunnistusjärjestelmän valvontakameroiden tallentamien rikostentekijöiden tunnistamiseksi seitsemän dollarin kuukausikustannuksilla tai romanialainen lukiolainen itseohjaavan auton prototyypin muutamalla tuhannella isänsä autotallissa, voidaan kai sanoa, että tekoäly on lähes kaikkien saatavilla.

Pilvitarjoajat, kuten amerikkalaiset Google, Amazon, Microsoft, IBM ja enenevässä määrin myös kiinalaiset Alibaba et al, tarjoavat mahdollisuuden testata erilaisia konsepteja jopa ilmaiseksi valmiiden kognitiivisten palvelujensa avulla. Valmisohjelmistotoimittajat, kuten Salesforce Einsteinillaan, SAP Leonardollaan tai Adobe Senseillään, integroivat tekoälyyn pohjautuvia ominaisuuksia osaksi omia ratkaisujaan, joiden käyttöönotto on mahdollista kuukausipohjaisella hinnoittelulla. Jos suunniteltu ratkaisu vaatii räätälöidyn projektin, nyrkkisääntönä voidaan pitää, että se maksaa saman kuin jonkin mobiilisovelluksen koodaus ja käyttöönotto, muutamia kymmeniä tuhansia.

Yritysten tulisikin pyrkiä luomaan innovatiivisuuteen ja kokeilemiseen kannustava kulttuuri ja tarjota työntekijöilleen mahdollisuudet tekoälyratkaisujen testaamiseen. Se, että himmaillaan ja kielletään tekoälyn tuoma muutosvoima ja avautuvat mahdollisuudet, tulee todennäköisesti maksamaan yritykselle enemmän menetettyinä markkinaosuuksina kuin se, että olisi vain lähdetty liikkeelle.

 

#4 Ei meillä ole tekoälyn vaatimaa osaamista

No problemos! Markkinoilta löytyy kymmeniä palveluntarjoajia, jotka tulevat mielellään auttamaan. Jos yrityksenne kuitenkin katsoo, että tekoäly tulee olemaan keskeinen kompetenssi tulevaisuudessa, oman osaamisen kasvattaminen tällä alueella on hyvin olennaista. Tekisinkin ensin sisäisen kartoituksen mahdollisten piilevien resurssien löytämiseksi. Ihmiset, joilla on koodaustaustaa tai matemaattinen koulutus, on varsin helppo perehdyttää tekoälyn maailmaan. Markkinoilta löytyy yhä enemmän valmisratkaisuja, jotka tarjoavat helppokäyttöisä graafisia käyttöliittymiä datan valmisteluun ja ennustavien mallien luomiseen. Muiden, jopa maailman johtavien tekoäly-yritysten, julkaisema avoin lähdekoodi, esimerkit sekä valmiit koneoppimiskirjastot ja treenatut mallit voivat huomattavasti nopeuttaa tekoälyn omaksumista ja käyttöönottoa.

2000-luvun seksikkäin ammatti ei olekaan datatutkija (data scientist), vaan liiketoimintaosaaja, jolta löytyy intohimo datan ymmärtämiseen ja analytiikan hyödyntämiseen.

 

Vieraskynä

Jyrki Määttä