Tekoäly tutuksi ja Alueellinen teknologiakartta -hankkeiden järjestämässä Tekoäly nyt ja tulevaisuudessa -webinaarissa Timo Seppälä Aalto-yliopistosta aloitti esityksen kysymällä, miksi meidän pitää vakuuttaa netissä, ettemme ole robotteja tunnistamalla autoja kuvista? Kun me tunnistamme verkossa autoja, niin samalla koulutamme tulevien autojen käyttöjärjestelmiä ja tunnistukset menevät Teslan tai Googlen tietopankkiin. Näitä tietoja hyödynnetään itseohjautuvissa autoissa, että ne pystyvät tunnistamaan kadulla liikkuessaan muita ajoneuvoja. Oikeastaan näitä tunnistuksia ei tarvittaisi, koska esim. hiiren liikkeistä pystyttäisiin tunnistamaan, onko kyseessä robotti vai ihminen. (Seppälä 2022.)
Kun puhutaan tekoälystä, pitäisikin puhua tietojärjestelmistä, joiden osana tekoälyä on. Hyvin usein nämä järjestelmät vaativat tietynlaisen opetusmekanismin eli niitä pitää kouluttaa siihen käyttötarkoitukseen, mihin järjestelmiä tullaan käyttämään. Tekoälyn kehityksessä olemme tilastollisen oppimisen vaiheessa. Suurin osa työkaluista, joita käytämme koneoppimisen ja tekoälyn taustalla, on tilastollisia menetelmiä. (Seppälä 2022.)
Kuva 1. Tekoälytöntä vai tekoälykästä? (Seppälä 2022, kuvakaappaus Eija Lantta)
Kapeita sovelluksia matalan riskitason ympäristöihin
Esimerkiksi Netflixin suositukset ovat kapeita, matalan riskitason sovelluksia eli kerätään tietoa asiakkaan katsomista elokuvista, hauista ja käyttäytymisestä verkossa, verrataan siitä muiden vastaavien käyttäytymiseen ja tehdään suosituksia. Oikeastaan silloin ei ole kyse tekoälyjärjestelmästä vaan siitä, että valitaan oikeantyyppinen algoritmi. Järjestelmät eivät käytännössä itse opi, vaaditaan oppimisprosessi, johon ihminen liittyy läheisesti. Järjestelmät hyödyntävät sitä dataa, mitä niihin on laitettu ja tietomallin päivittäminen tapahtuu manuaalisilla toimenpiteillä. (Seppälä 2022.)
Missä tekoälyä kannattaa hyödyntää?
Tekoäly pystyy laatimaan tarkkoja ja hyviä ennusteita jo aikaisessa vaiheessa päätöksenteon tueksi. Ennustamisessa tekoälyä voi hyödyntää mm. tuotekehityksessä, myynnissä ja markkinoinnissa, asiakaspalvelussa sekä lyhyen aikavälin tulevaisuuden ennustamisessa. Elinkeinoelämän tutkimuslaitoksessa ETLAssa on toiminut n. 6 vuotta Nowcasting-työkalu, jolla ennustetaan työttömyyden kehitystä. Työkalu käyttää Tilastokeskuksen historiatietoa ja ihmisten käyttäytymistä verkossa, kun altistutaan työttömyysuhan alle. Vastaavia algoritmeja käytetään Suomen pankissa bruttokansantuotteen kehittymisen ennustamisessa, Suomen viennin ja tuonnin kehittymisen ennustamisessa rekkaliikenteen avulla jne. (Seppälä 2022.)
Lisäarvoa tekoälystä
Vaikka Seppälä tarkasteli kriittisestikin tekoälyn mahdollisuuksia, yritysten pitäisi rohkeasti lähteä tekemään tekoälykokeiluja. Erityisesti pk-sektorilla on haasteita digivalmiuksien kehittämisessä. Kuitenkin uusien teknologioiden hyödyntäminen mahdollistaa yritysten kasvun, edelläkävijät kasvavat muita nopeammin. Tekoälyä voidaan lähteä hyödyntämään pienin askelin, koska dataa kertyy joka tapauksessa. Tekoälyn avulla tehdystä ennakoinnista on hyötyä tilanhallinnassa, työvoimatarpeen suunnittelussa, tuotantoprosessien tehostamisessa jne. eli myös pienten ja keskisuurten yritysten kannattaa ottaa tekoälyratkaisuja käyttöön esimerkiksi korkeakoulujen tuella ja hankkeiden avulla.
Kirjoittaja
Eija Lantta työskentelee LAB-ammattikorkeakoulussa Alueellinen teknologiakartta ja Tekoäly tutuksi -hankkeissa projektipäällikkönä.
Lähteet
Seppälä, T. 2022. Tekoälytöntä vai tekoälykästä?. Esitys Alueellinen teknologiakartta ja Tekoäly tutuksi hankkeiden webinaarissa 8.2.2022.
Linkit
Linkki 1. LAB. 2021. Alueellinen teknologiakartta. Viitattu 15.2.2022. Saatavissa https://lab.fi/fi/projekti/alueellinen-teknologiakartta
Linkki 2. LAB. 2021. Tekoäly tutuksi. Viitattu 15.2.2022. Saatavissa https://www.lab.fi/fi/projekti/tekoaly-tutuksi
