Tekoälyn implementointi kärsii maineongelmasta: se näyttää liian helpolta

Tämän tietävät hyvin haastattelemamme asiantuntijat. Renessain perustajiin kuuluva Eija-Leena Koponen tuntee tekoälyn maailman läpikotaisin ja auttaa yrityksiä tuomaan tekoälyn osaksi strategiaansa ja toimintaansa. Carl Holmqvist puolestaan on kokenut Nitorin ohjelmistokehittäjä ja datainsinööri, joka paraikaa auttaa asiakastaan ottamaan uusia tekoälyratkaisuja käyttöön helpottamaan arkea ja nopeuttamaan prosesseja.

Sekä Koposen että Holmqvistin mukaan ChatGPT:tä – eli GPT-mallin päälle rakennettua käyttöliittymää – on kiittäminen siitä, että tekoälyä ja kielimalleja kohtaan on nykyään niin paljon kiinnostusta ja uusia bisnesmahdollisuuksia syntyy viljalti. Syvempi kysymys on se, miten tämä vaikuttaa datatyön perinteisiin rooleihin.

"Datatieteilijän rooli on selvästi muuttunut. Perinteisesti datatieteilijä on henkilö, joka ymmärtää, miten dataa mitataan ja sovelletaan eri mallien avulla. Tällä yksilöllä on osaamista matematiikasta ja tilastotieteestä, mutta myös ymmärrystä teknisten sovellusten taustalla olevasta teoriasta ja rakenteista. Tärkeä osa datatieteiljän roolia on kyky muuntaa tämä tietämys liiketoiminnan hankkeiksi", Koponen kertoo.

"Nykykehityksen isoin mullistus on se, että suuret teknologiayritykset tarjoavat suoraan tuotantokelpoisia versioita suurista kielimalleista dataosaajille esimerkiksi chat-käyttöliittymien tai helposti käyttöönotettavien ja hallittavien rajapintojen muodossa. Tämän seurauksena datatieteilijät eivät välttämättä enää vietä niin paljon aikaa mallinnuksen parissa. Suuret kielimallit voivat myös toimia välittäjäaineena, joka tekee teknisesti mutkikkaista kokonaisuuksista helpommin lähestyttäviä useammalle."

Tekoälyn helppoutta on ylimyyty

Holmqvistille suurten kielimallien ja tekoälyassistenttien käyttö on toistaiseksi tuonut suhteellisen pieniä muutoksia päivittääseen työhön. Hänkin on kuitenkin huomannut tuntuvan asenteiden muutoksen tekoälyä kohtaan:

"Kun tekoälystä on tehty lähestyttävämpää, useimmat ihmiset ovat ainakin kokeilleet tekoälytyökaluja nähdäkseen mitä niillä voi tehdä. Yritykset myös esittelevät toinen toistaan mahtavampia demoja siitä, mihin heidän teknologiansa kykenee. Valitettavasti se on osaltaan johtanut vääristyneisiin odotuksiin siitä, kuinka helposti tekoälyllä voi saada asioita aikaan ", Holmqvist toteaa.

"Kokemukseni mukaan odotukset tuotantovalmiista ratkaisuista ovat hieman vinoutuneet. Tekoälyn kyvykkyyksiä komeasti esittelevistä presentaatioista jää usein uupumaan se, kuinka paljon taustatyötä niiden käyttö vaatii. Alallamme ratkaisut ovat usein erittäin monimutkaisia ja vaativat syvää ymmärrystä siitä, millainen data on käyttökelpoisinta. Mikä on paras arkkitehtuuri, mitä vaiheita prosessi vaatii, miten dataa tulisi esikäsitellä ja miten validoidaan tulosten tarkkuus? Pelkkä datan syöttäminen GPT-mallille ei ratkaise mitään tai tuota mitään hyödyllistä."

Koponen ja Holmqvist huomauttavat, että vaikka tekoäly-yritykset usein esittelevät teknologiaansa vaikuttavilla demonstraatioilla, esitykset ovat useimmiten rakennettu mainoksiksi, eivätkä ne anna realistista kuvaa nykyisten tekoälysovellusten käytettävyydestä. Tämä voi puolestaan johtaa asiakkaiden turhautumiseen, kun käytännön ulottuvuudet osoittautuvat rajallisiksi ja implementaatio odotettua monimutkaisemmaksi.

"Asiakkaat saattavat haluta uutta teknologiaa ottamatta huomioon sen tuomia haasteita. Johtotasolla oletetaan usein, että tekoälyn implementointi käy keneltä tahansa. Kunhan kirjaudutaan ChatGPT:hen, tuotetaan vähän koodia, ja sitten ollaan valmiita tekemään uusia asioita. Mutta kun työkalut otetaan käyttöön, todellisuus tulee nopeasti vastaan: kyseessä onkin haastavampi prosessi", Holmqvist kuvailee.

Silloin varsinainen työ vasta alkaa, jolloin käytännön tekeminen nojaa tuttuihin kanta-asioihin: datan, liiketoiminnan ja yrityksen strategisten tavoitteiden ymmärtämiseen. Holmqvistin mukaan yritykset ovat edelleen oppimisvaiheessa tekoälyn käyttöönoton suhteen, eikä tekoälyn käytettävyyttä ymmärretä vielä riittävän syvällisesti.

"Vertauskuvallisesti voidaan puhua tekoälyratkaisuista kuin traktoreista, joka tuodaan pellolle korvaamaan lapioita. Niiden avulla voi toki kyntää maata entistä nopeammin, mutta vain, jos käyttäjät ymmärtävät miten niiden toiminta eroaa aiemmista ratkaisuista. Tämä puolestaan vaatii muutosjohtamista, koulutusta ja aikaa", Koponen jatkaa.

Datan ymmärtäminen on yhä menestyksen avain

Toinen haaste ovat vääristyneet näkemykset tekoälyn pitkän aikavälin kustannuksista. Tekoälyn käyttöä ympäröi vaarallinen kuvitelma siitä, että se on kaikkivoipa ratkaisu, jonka avulla yritykset ja organisaatiot voivat karsia resursseista, henkilöstöstä ja asiantuntemuksesta kehittäessään ja laajentaessaan toimintaansa. Koponen suosittelee, että generatiivisen tekoälyn suurmittaiseen käyttöön sitoutumisen sijaan tulisi aloittaa tutkimalla, onko esimerkiksi pienemmistä tai perinteisistä malleista hyötyä, tai mikäli ongelmat voi ratkaista automaation avulla.

"Käytännön tasolla tekoälyratkaisuja voi ajatella tehtaan toiminnallisina osina. Tehtaan ylätason toiminnallisuus vaatii kuitenkin syvää ymmärrystä koko tuotantoketjusta. Kuvitellaanpa, että tekoäly on ikään kuin mekaaninen koura, jonka tehtävänä on asentaa komponentteja laitteisiin. Mikäli kouraa ei ole yhdistetty osia kuljettavan hihnan toiminnallisuuteen, koko kone epäonnistuu tarkoituksessaan. Koko ketjun on toimittava yhdenmukaisesti", Holmqvist jatkaa.

"Sekä Carlin että minun päivittäistyöhön kuuluva konsultointi perustuu suurelta osin luottamukseen. Asiakkaan luottamussuhde Nitoriin tai Renessaihin edellyttää, että kun neuvomme asiakkaita ottamasta tekoälyä käyttöön, meitä kuunnellaan. Kenties ongelma ratkeaa helpommin automaatiolla, tai ehkä kielimalli saadaan mahdutettua johonkin prosessin pienempään osaan", Koponen lisää.

Holmqvist päättää keskustelun muistuttamalla, että tärkeintä on määritellä asiakkaan tavoitteet, sekä linjata mitkä tekijät edistävät tai hidastavat niiden saavuttamista:

"Tekoälyn itsetarkoituksellinen implementointi ei ole tehokas tie tuloksiin. Meidän täytyy tukea ja ohjata asiakkaitamme oikeaan suuntaan, kun punnitaan mitä järjestelmiä on käytössä, mitä voidaan hienosäätää ja mitä voidaan parantaa yksinkertaisilla laskelmilla. Lisäksi on tarkasteltava kriittisesti, onko tekoälyllä todellista kykyä parantaa asioita."

Etsitkö innovatiivisia tapoja muuttaa yrityksesi data sujuvaksi liiketoiminnaksi? Lue lisää palveluistamme!