Tekoäly on sanana monelle tuttu mutta teknologiana vielä melko abstrakti ja sen ympäriltä löytyy monenlaista kauppiasta teknologiakonsulteista tietohallintoammattilaisiin. Tekoälyä tarjotaan monessa eri muodossa – valmiina tuotteina ja sovelluksina tai jopa ilmaiseksi saatavilla olevina datamalleina – mutta yhä useammin tekoälyosaamista ostetaan myös palveluna. 

Tekoälyn ostamiseen palveluna liittyy kuitenkin paljon käytännön haasteita – millaista dataa tarvitaan, mitä konkreettisesti ostan, voinko tehdä itse vai pitääkö ulkoistaa? Tämä blogi toimii ensioppaana sinulle, joka mietit “voisiko tämän ongelman ratkaista tekoälyllä – ja osaanko itse vai pitääkö ulkoistaa?”

TUNNISTA OIKEA ONGELMA – TAI PYYDÄ APUA ONGELMAN MÄÄRITTELYYN

Alkuun on hyvä määritellä liiketoimintaongelma, joka haluttaisiin ratkaista tekoälyllä. Vaikka tekoälyn sovelluksia hehkutetaan, ei se sovi jokaiseen ongelmaan. Parhaiten tekoälyä voi hyödyntää liiketoimintaprosesseissa, joissa dataa on paljon. Tällaisissa tapauksissa dataa pitää yhdistellä eri lähteistä, eikä ihmisvoimin tai perinteisten työkalujen avulla ole muodostettavissa syyseuraussuhteita helposti, vaan vaaditaan laskentaa ja mallinnusta. Tällöin esimerkiksi koneoppimismenetelmät ovat käytännössä ainoa mahdollinen vaihtoehto. Sama pätee konenäköön: mitä enemmän on reaaliaikaista tai prosessin aikana tuotettua kuvamateriaalia, sitä helpommin sen tarkastaminen on koneellistettavissa.

Tätä aivojumppaa ei välttämättä tarvitse tehdä yksin, vaan tekoälytoimisto voi auttaa arvioimaan, sopiiko ongelmaan paremmin tekoäly, perinteinen tilastotiede, edistynyt analytiikka – vaiko yhdistelmä useampaa. Usein yhteistyö tekoälytoimiston kanssa alkaakin siitä, että kartoitetaan yrityksen sisällä eri mahdollisuuksia hyödyntää tekoälyä tai luodaan yhdessä suunnitelma tekoälyn hyödyntämiselle.

Ulkopuolinen kumppani voi siis auttaa jo määrittelyvaiheessa kun mietit, kaipaatko konsulttia, kustomoitua ratkaisua vai valmista softaa.

VARMISTA DATAN SAATAVUUS

Tekoälystä puhuttaessa keskustelu kääntyy nopeasti saatavilla olevaan dataan. Vastoin yleistä käsitystä dataa ei aina tarvitse olla saatavilla valtavia määriä – tärkeämpää on, että sen saatavuus on liiketoiminnan puolesta vaaditulla tasolla myös malleja hyödynnettäessä. 

Jos esimerkiksi kehitetään algoritmia jonkin tuotantolinjan koneen huoltotarpeen ennustamiseen ja dataa on kehitysvaiheessa saatavilla helposti yhdestä paikasta, jonne sitä on kerätty koneesta säännöllisesti vuosia, voi silti algoritmien valmistuessa paljastua, että dataa saakin koneesta vain puolivuosittaisten huoltojen yhteydessä, jos se edes on tällä kertaa kerännyt sitä. Dataa tarvittaisiin vähintään kuukausitasolla, jotta huoltotarpeen ennusteen antamisessa olisi jotain järkeä. Tämän sudenkuopan voisi välttää yhdistämällä tuotantoprosessin laitetiedot ihmisen havaintodataan tai kumppanin prosessidata omaan prosessidataan. 

Datan määrän suhteen ratkaisevaa on myös se, että sitä on riittävästi suhteessa muuttujiin – varsinkin perinteisen tilastotieteen keinoilla. Tekoälystä saadaan toki eniten hyötyä, kun voidaan käsitellä suuria määriä dataa automaattisesti ongelman ratkaisemiseen, mutta sen lisäksi tekoälyratkaisuissa piilee uudenlainen hyöty: tekoälyalgoritmin “pohjana” voidaan käyttää yleisesti saatavilla olevia suuria, oikeansuuntaisia datasettejä, ja malli voidaan “hienosäätää” kohdilleen kohtuullisen pienillä määrillä prikulleen oikeaa dataa. 

Jos halutaan vaikkapa käyttää konenäköä löytämään tietynlaisia halkeamia kokoonpanolinjan lopputuotteesta, konenäköalgoritmin kontekstina voidaan käyttää vapaasti saatavilla olevia kymmenien tuhansien kuvien datasettejä erilaisista halkeamista. Malli voidaan lopuksi hienosäätää kohdalleen käyttämällä muutaman sadan kuvan datasettiä juuri tämän kokoonpanolinjan lopputuotteista löytyneistä halkeamista.

...SEKÄ DATAN OMISTAJUUS

Yhtä tärkeää kuin datan saatavuus on, että sille löytyy talon sisältä omistaja. Kun dataa on paljon siellä sun täällä eikä kellään ole siitä kunnon otetta, voi projektin kulku olla kivikkoista. 

Valitettavan usein törmätään siihen, ettei kellään yrityksessä ole tiedossa eri muuttujia tai datan mittaustapoja, ja dataa on kerätty 15 vuoden ajan keräysskriptillä, jonka on kirjoittanut kymmenen vuotta sitten yrityksestä lähtenyt työntekijä. Jotta tekoälyä voi hyödyntää ongelman ratkaisemisessa, on datan omistajuus siis syytä pitää ajan tasalla.

MÄÄRITÄ OIKEAT MITTARIT ONNISTUMISELLE

Onnistuminen näyttää eri projekteissa erilaiselta, mutta onnistuneita projekteja leimaavat alusta asti sovitut metriikat ja niissä pitäytyminen. Jälleen olennaista on asettaa kullekin projektille oikeasuhtaiset mittarit. 

Otetaan esimerkki: kolme virhettä kymmenestätuhannesta kuulostaa laskennallisesti loistavalta tarkkuudelta ja siten mainiolta tulokselta tekoälymallille – mutta entä jos kyseessä onkin datamalli, jonka pitäisi tunnistaa rikkinäiset junan releet ehjien joukosta? Silloin tärkeämpää kuin pieni virhemarginaali olisi, ettei yksikään rikkinäinen rele pääsisi läpi. 

Jos ostat tekoälyä palveluna, taitava palveluntarjoaja auttaa löytämään liiketoiminnallisesti merkittävät mittarit ja arvioimaan jo projektin alussa, kuinka todennäköisesti tekoälyratkaisu pystyy niihin vastaamaan.

VAADI RATKAISUA, JOKA SKAALAA SINUN – EI MYYJÄN – LIIKETOIMINTAA

Moni tarjoaa one size fits all -ratkaisua kuten valmista ratkaisua tai tuotetta useisiin eri tekoälypulmiin. Valmis malli voi vaikuttaa nopealta ja kustannustehokkaalta ratkaisulta, mutta usein se tukee enemmän myyjän kuin ostajan liiketoiminnan skaalausta.

Räätälöity tekoälyratkaisu taas vastaa juuri sinun yrityksesi liiketoimintaongelmaan – eikä se aina tarkoita suurempaa hintalappua. Kun ostat tekoälyä palveluna etkä valmiina tuotteena, voit esimerkiksi varmistaa, että palvelun myyjä työskentelee hybridimallilla, eli käyttää yrityksesi jo valmiiksi suosimia ohjelmistoja. Näin ratkaisu on helpompi integroida yrityksen nykyisiin prosesseihin ja näppärämpi skaalata myös yrityksen sisällä. 

Myös IPR:n kanssa kannattaa olla tarkkana sillä ratkaisun skaalaamisen kannalta on tärkeää, että omistat lopputuloksen eli tekoälyratkaisun itse. 

MUTTA EIKÖ KUITENKIN KANNATTAISI TEHDÄ ITSE?

Yhä useammassa yrityksessä on oma data science -tiimi ja myös vahvaa tekoälyosaamista talon sisällä. Siksi jossain vaiheessa projektin suunnittelua tai ostoprosessia herääkin usein kysymys, eikö kuitenkin kannattaisi tehdä itse?

Tekoäly kannattaa ostaa palveluna silloin kun: 

• Haluat skaalata tekoälyn hyödyntämistä nopeasti – eli soveltaa samantyyppistä tekoälypohjaista palvelua tai metodiikkaa useampaan eri liiketoimintaongelmaan
• Haluat varmistaa, että käytettävät työkalut ja menetelmät skaalautuvat – eli laittaa datahallinnan kuntoon ja varmistaa, että mallit pyörivät pilvessä tehokkaasti, luotettavasti ja jatkuvasti uudelleenkouluttuen  – kaikki tämä täysin automaattisesti, ilman suuria monitorointitarpeita
• Haluat omaksua parhaat käytännöt ja oppia miten muut toimivat
• Omat resurssisi ovat kiinni kaikkein tärkeimmässä avainprojektissa, mutta samaan aikaan pitäisi tehdä nopeita kokeiluja uusien projektien avaamiseksi

Jos päätyy käyttämään ulkopuolista kumppania, niin tekoälyn toimittajaksi kannattaa valita toimija, joka toteuttaa tekoälyprojekteja hybridimallilla yhdessä organisaation R&D-, IT- tai data science -osaston kanssa ja hyödyntää yrityksen olemassa olevia järjestelmiä mahdollisimman pitkälle. Näin tiimi kehittyy, tärkeät opit pysyvät talon sisällä ja niitä helpompi hyödyntää myös muissa tiimeissä.

Hybridimalli on monissa projekteissa jopa välttämättömyys: olisi kallista rakentaa tiimi, jolle opetettaisiin kaikki alusta saakka. Sen sijaan jos tiimissä on osittain asiakkaan omaa henkilöstöä, voidaan kokemus valjastaa nopeasti käyttöön. Tämä tulee usein vastaan ns. front end -, integraatio- tai pilviratkaisujen valinnassa. Jos projektin toteuttaminen hybridimallilla ei syystä tai toisesta ole mahdollista, kannattaa valita toimittaja, joka hoitaa projektin “end-to-end”.