Artikkeli
25. lokakuuta 2018 · 2 min lukuaikaTekoälyvallankumous näkyy itseohjautuvina autoina ja kuuluu puhuvina robotteina. Mediassa esitetään lähes päivittäin uusia näyttäviä tekoälyn sovelluksia. Yksi niistä on koneoppiminen - miten sitä voi hyödyntää liiketoiminnassa?
Kulloinkin kaikkien huulilla olevat muotisanat kuten koneoppiminen (machine learning), syväoppiminen (deep learning) ja neuroverkot (neural networks) vaihtuvat kuin vuodenajat. Hämärän peittoon saattaa jäädä, miten tätä kaikkea voi soveltaa päivittäisessä liiketoiminnassa. Monet tekoälyvallankumouksen hedelmät saattavat vaikuttaa vielä kaukaisilta. Päivittäiset työtehtävät hoituvat mainiosti ilman itsekseen höpöttelevää robottia tai mestarillisesti go-pelin hallitsevaa tekoälyä.
Tämä on epäilemättä totta, sillä julkisuuden valokeilaan valikoituu enimmäkseen suurta yleisöä kiinnostavat sovellukset. Nämä sovellukset on usein kehitetty tarkoitukseen, jolla ei ole yhtymäkohtaa arkipäivän liiketoimintaan.
Mutta miten arvioida tekoälyvallankumouksen tuomia mahdollisuuksia, jos median tarjoilemat sovellukset eivät kohtaa omien tarpeiden kanssa?
Tekoälyvallankumoukseen liittyy monia eri osa-alueita, joista yritys voi poimia omaan liiketoimintaansa sopivimmat. Yksi osa-alue on koneoppiminen, joka on aivan uudenaikaisten tekoälyratkaisujen ytimessä.
Koneoppiminen - tietokone hoitaa nopeat hommat
Koneoppiminen on tekoälyn osa-alue, jota käytetään esimerkiksi tietojen luokitteluun, ennusteiden tekemiseen tai poikkeamien havaitsemiseen. Koneoppimisesta puhuttaessa tarkoitetaan tyypillisesti ohjattua koneoppimista, joka tarvitsee ihmisten tuottamaa tietoa koulutusmateriaalikseen.
Koneoppimisen johtava asiantuntija, professori Andrew Ng on esittänyt nyrkkisäännön, jonka mukaan kone voidaan kouluttaa tehtäviin, joista tavallinen ihminen suoriutuu alle yhdessä sekunnissa. Vaikka on helppo löytää esimerkkejä, joissa tämä nyrkkisääntö ei päde, tarjoaa se kuitenkin helppokäyttöisen työkalun mahdollisten koneoppimisen käyttökohteiden etsimiseen.
Tietokoneen voi opettaa tunnistamaan esimerkiksi yritysten saamien asiakaspalautteiden puheenaiheita ja sävyjä, mikä mahdollistaa asiakastyytyväisyyden seuraamisen vaikkapa hinnoittelun tai asiakaspalvelun osalta. Koulutusmateriaaliksi tarvitaan asiakaspalautteita, joiden puheenaiheet ja sävyt ovat ihmisen luokittelemia. Koulutuksen yhteydessä tietokone muodostaa mallin, jonka perusteella se osaa jatkossa luokitella uusien palautteiden sävyn itsenäisesti.
Toinen tyypillinen esimerkki on kuvantunnistus, jossa Ng’n yhden sekunnin sääntö ehkä parhaiten pätee. Tietokonetta voidaan opettaa tunnistamaan esimerkiksi liukuhihnalta ehjiä ja rikkinäisiä tuotteita. Koulutusmateriaaliksi tarvitaan jälleen avuksi ihmisten luokittelemia tuotteiden kuvia.
Alkuun Proof of conceptin avulla
Perinteinen ohjelmistoprojekti on lähes aina jossain määrin tutkimusprojekti, koska muutoin ratkaisu olisi haettu kaupan hyllyltä. Tämä pätee monin verroin koneoppimista soveltaviin tekoälyprojekteihin, koska koulutuksessa käytettävän materiaalin laatua ja riittävyyttä tehtävän oppimiseksi ei tyypillisesti voi varmistaa etukäteen.
Paras tapa on tehdä ensin Proof of concept -versio, jossa idean toteutettavuus varmistetaan. Tämän jälkeen mallin toimivuutta voidaan parantaa ketterällä kehittämisellä ohjelmistoprojektin tapaan.
Aina ei ole ilmeistä, miten ja missä koneoppimista voi hyödyntää. Parhaat ideat syntyvätkin usein liiketoimintatietämyksen ja tekoälyosaamisen kohdatessa.
Kirjoittaja
Data Scientist Esa Puttonen on yksi ensimmäisistä Nitorilaisista. Esa on tehnyt kanssamme kestävää digitaalista kehitystä jo toistakymmentä vuotta.
