Tampere
22 Apr, Thursday
6° C

Proakatemian esseepankki

Mikä ihmeen tekoäly?



Kirjoittanut: Jenna Tirkkonen - tiimistä Evision.

Esseen tyyppi: Yksilöessee / 2 esseepistettä.

KIRJALÄHTEET
KIRJA KIRJAILIJA
Tekoäly - Matkaopas johtajalle
Antti Merilehto
Esseen arvioitu lukuaika on 3 minuuttia.

Paljon puhetta tekoälystä. Itselläni ei ollut harmainta aavistustakaan, mitä tekoäly ylipäänsä on tai kuinka sitä hyödynnetään nyt tai tulevaisuudessa. Siksi päätin avata oven tekoälyn ja koneoppimisen mielenkiintoiseen maailmaan ja luin Antti Merilehdon opuksen Tekoäly- Matkaopas johtajalle. Mitä se tekoäly sitten on? Tekoäly on siis koneen suorittamaa toimintaa, joka ihmisen tekemänä olisi älykästä. Käytännössä kaikki nykyinen tekoäly on heikkoa tekoälyä, eli tekoäly pystyy ratkaisemaan yhtä tehtävää, johon se on opetettu. Vahva tekoäly taas ratkoo laajaa skaalaa erilaisia ongelmia, kuten esimerkiksi kokkaa ja ymmärtää kieliä, eikä sellaista tiettävästi ole vielä kehitetty (Merilehto 2018, 15). Esimerkkinä tekoälystä on tuttu alusta Facebook, jonka tarkoituksena on saada ihminen viettämään sivustolla mahdollisimman paljon aikaa jotta todennäköisyys klikata mainoksia kasvaa. Myös Spotifyn suosituslista on esimerkki tekoälystä, miten Spotify voikaan olla niin fiksu, että löytää juuri sellaisia kappaleita, joista pidän? Myös Netflixin suositteluosiossa on hyödynnetty tekoälyä… Kaikki tämänhetkinen tekoäly on siis kapeaa tai heikkoa tekoälyä, eli artifical narrow intelligenceä, ANIa. Heikko tekoäly ei pysty dynaamisesti mukautumaan uuteen tilanteeseen, eli asiakaspalveluun ohjelmoitu tekoäly ei pysty esimerkiksi tunnistamaan kasveja. (Merilehto 2018, 24.)

Suurin osa tekoälyn sovelluksista on koneoppimista, eli kone oppii itsenäisesti datasta, eikä sille ole määritelty toimintaohjeita jokaista erillistä tilannetta varten. Kirjan mukaan koneoppimisen perusasioiden käsittäminen on jatkossa jokaisen tulosvastuussa olevan ihmisen perusosaamista. Koneoppiminen on siis tekoälyn osa-alue, joka käyttää dataa oppimiseen ja luokitteluun, eikä sen toimintaa ole ohjelmoitu valmiiksi. Koneoppiminen käyttää algoritmeja, jotka oppivat käytössä olevasta datasta askel askeleelta. Näin koneoppimisen malli kehittyy, ja se pystyy ennustamaan lopputuloksia käytettävän datan perusteella. Mitä enemmän dataa mallilla on käytettävissään, sitä tarkemman kuvan se pystyy luomaan. Mallin harjoittamisen jälkeen sille annetaan jokin syöte, kuten esimerkiksi ostohistoria, ja malli antaa siitä tulokset, kuten arvion tulevista ostoista. (Merilehto 2018, 27.) Yksinkertaisesti siis koneoppimisessa kone oppii sille annetusta datasta. Asuntojen myyntiaikaa arvioidessa (yli vai alle kuukauden) koneelle syötetään myyntiaikaan vaikuttavat tekijät kuten postinumeroalue, koko, hinta per neliö jne ja niiden perusteella (näin hurjasti yksinkertaistettuna ja logistista regressiota sen enempää selittämättä, saatika ymmärtämättä) saadaan vasteeksi ennuste siitä, onko asunnon myyntiaika yli vai alle kuukauden. Tavoitteena koneoppimista hyödyntävillä toimialoilla on yksinkertaisesti parantaa jotakin suoritusta tutkittavalla alueella (Merilehto 2018, 42.)  Koneoppiminen varmistaa, että oikea tieto tulee saavuttamaan oikeat ihmiset oikeaan aikaan. Tämä tarkoittaa sitä, että metsäteollisuudessa puuta toimitetaan kysynnän mukaan ja laitteiden huollontarpeesta siirtyy tieto juuri silloin, kun huoltoa tullaan tarvitsemaan. Tuotanto ja palvelut tulevat siis seuraamaan kysyntää aivan yksi yhteen, ja toiminnanohjauksesta tulee tehokkaampaa. Organisaatioilla on koneoppimisen avulla mahdollisuus ennustaa tulevia muutoksia ja reagoida niihin hyvin. (Merilehto 2018, 32.)

Kirjassa esiteltiin 5 erilaista koneoppimisen mallia, ja sain ko. taulukosta itse niin paljon irti, että lisään sen sisällön myös tähän:

Malli: Luokittelu

Tarkoitus: Luokitellaan kohde ennalta määrättyihin kahteen tai useampaan kategoriaan. Esim. kuvan tunnistaminen tai kohdennettu markkinointi asiakastyypin perusteella

Malli: Ryhmittely

Tarkoitus: Analysoidaan luokittelematon data ja tunnistetaan siitä erilaiset ryhmät. Esim. nettisivustojen dokumenttien sisällön analysointi tai asiakaskannan ryhmittely muuttujien perusteella

Malli: Regressio

Tarkoitus: Ennustetaan numeerista arvoa. Esim. teollisuuskoneen huoltoajankohdan arviointi tai edellämainittu asunnon myyntiaika (yli kk vai alle)

Malli: Suosittelu

Tarkoitus: Arvioidaan mistä tuotteista asiakas pitää. Esim. verkkokaupan ostosuositukset tai kaikille meille tuttu Netflix

Malli: Poikkeamien etsiminen

Tarkoitus: Löydetään selkeästi normaalista poikkeava data aineistosta. Esim. luottokorttien väärinkäytön havaitseminen

Tekoäly käytännössä

Chatbot on yksi esimerkki tekoälystä käytännössä. Kun nettisivuilla oikeaan alakulmaan pomppaa ”Hei, kivaa että oot meidän sivuilla, miten voin auttaa?” olet tekemisissä tekoälyn kanssa. Kirjassa esiteltiin jopa Stanfordin yliopistossa kehitetty Facebookin messenger-alustalla tapahtuva palvelu, joka tarjoaa mielenterveysongelmien kanssa kamppaileville henkilöille keskusteluapua, jonka chatbot suorittaa. Ylipäänsä chatbottien tarkoituksena on helpottaa yrityksen resursseja ja tarjota asiakkaalle hänen kaipaamaansa apua heti, reaaliajassa. Toinen esimerkki tekoälystä on kirjassa esitelty Suomi24-yhteisömediassa tapahtuva moderointi, jonka tarkoituksena on poistaa sivustolta epäasialliset / kielletyt kommentit. Suomi 24-palveluun tulee noin 16 500 viestiä kuukaudessa ja se olisi kieltämättä aika jäätävä määrä ihmiselle alkaa kahlaamaan läpi. Tekoäly ei kuitenkaan väsy, ja tässä hyödynnetään aiemmin mainitsemaani koneoppimista, jonka avulla poistetaan epäaasialliset viestit automaattisesti sen perusteella, mitä sille on ”opetettu” verkkoyhteisön datasta ja siitä, mitä sivustolla saa olla, ja mitkä viestit ihminen moderoidessaan poistaisi. Suuren työn toki vaatii se, että tekoäly oppii toimimaan annetun aineiston perusteella, ja se, että opetusaineistoa kootaan, mutta työ palkitsee.

Tekoäly tulee aikaansaamaan suuria muutoksia organisaatioissa ja yhteiskunnassamme tulevien vuosien aikana. Se, millaisessa maailmassa sen suhteen elämme vaikkapa kymmenen vuoden päästä, jää nähtäväksi. Helpottaa kuitenkin huomattavasti varmasti ainakin omaa elämääni, kun nyt tiedän osapuilleen mikä tekoäly on ja miten sitä esimerkiksi voidaan hyödyntää; nyt ja tulevaisuudessa. Mistä tekoälyn kanssa olisi sitten hyvä lähteä liikkeelle? Hyvänä lähtökohtana on keskittyä organisaation johonkin ongelmaan, jonka muutkin kuin itse huomaa ja allekirjoittaa. Tärkeintä on kuitenkin lähteä liikkeelle, sehän on se kuuluisa paikallaan pysymisen ja liikkeen ero.

” Odottajalle on varattu paikka takarivistä, ainakin mitä liiketoiminnan menestykseen tulee. Kysymys ”Onko tätä kokeiltu Ruotsissa?” on epäolennainen. ” – Antti Merilehto

Kommentoi

Add Comment
Loading...

Cancel
Viewing Highlight
Loading...
Highlight
Close