Power Platformin uusia toiminnallisuuksia esittelevän blogisarjamme toisessa osassa otamme käsittelyyn kesäkuussa Microsoftin Business Application Summit -tapahtumassa esittelemän AI Builderin, joka on jo osittain kaikkien Power Platform käyttäjien saatavilla myös tuotantokäyttöön.

Kyseessä on low-code tekoälytyökalu, joka mahdollistaa valmiiden tekoälyominaisuuksien hyödyntämisen Power Appsien ja Flown (nykyisin Power Automate) päällä. Tämän avulla organisaatioiden on mahdollista päästä hyödyntämään tekoälyä matalalla kynnyksellä Power Platform -alustalla. Selvitimme näiden ominaisuuksien hyödyntämismahdollisuuksia.

AI Builder mahdollistaa erilaisten dataan perustuvien mallien rakentamisen helposti. Yksinkertainen wizard-työkalu ohjaa prosessia datan valinnasta tekoälyn opettamiseen niin helposti, ettei käyttäjä välttämättä edes huomaa koodaavansa siinä samalla.

Kun ensimmäinen malli on saatu opetettua tekoälylle, pääsee käyttäjä näkemään, kuinka hyvin tekoäly suoriutuu sille annetuista tehtävistä. Tämän jälkeen on mahdollista jatkojalostaa tekoälyä opettamalla sille enemmän esimerkkitapauksia.

Ainoana rajoitteena AI Builderiin liittyy se, että se toimii Common Data Servicen sisällä, jolloin käsiteltävän datan on myöskin sijaittava siellä. Tämä on tosin harvoin ongelma, mutta se tulee ottaa huomioon.

Neljä tapaa hyödyntää tekoälyä AI Builderilla

AI Builderiin on tällä hetkellä rakennettu neljä mallia, joilla käyttäjä pääsee hyödyntämään tekoälyä. Näitä ovat binääriluokittelu, tekstin luokittelu, kappaleiden luokittelu ja kaavakkeiden käsittely.

Binääriluokittelu eli Binary Classification: Tämä toimii siten, että tekoäly hyödyntää historiadataa oppiakseen malleja, joiden perusteella uusi data todennäköisesti käyttäytyy. Käyttäjä opettaa tekoälylle skenaarioita, joiden lopputulos voidaan jakaa kahteen kategoriaan. Nämä kategoriat ovat: Kyllä/Ei, True/False, Pass/Fail ja Go/No Go.

Datan aiempaan käytökseen perustuen tekoäly kykenee ennustamaan tulevaa. Ja mitä enemmän tekoälyllä on historiadataa tulkittavanaan, sitä varmempia ennusteita se pystyy tekemään.

Tämä ominaisuus on ideaali sellaisten ennusteiden tekemiseen, jotka perustuvat useampaan muuttujaan ja joihin liittyvää dataa kertyy jatkuvasti. Esimerkkeinä tällaisista voidaan mainita kassavirtaennusteet tai myyntiliidien toteutumisennusteet.

Tekstin luokittelu eli Text Classification: Tämä toiminnallisuus mahdollistaa tekstin tunnistamisen ja luokittelun. Tätä voidaan hyödyntää järjestelemättömän datan organisoimisessa liiketoiminnan kannalta merkitykselliseen muotoon. Tekoäly voidaan opettaa tunnistamaan sanoja sekä virkkeitä, joiden kautta se kategorisoi tekstin tietyn tunnisteen tai tagin alle.

Käyttökohteita tälle löytyy esimerkiksi data-analyysissä, haittaviestien tunnistamisessa tai viestien ohjaamisessa oikealle taholle. Yhdistettynä PowerAppsin tai Flown kanssa, käyttäjän on mahdollista automatisoida näiden viestien ohjaamiseen liittyvät prosessit. Myös skaalaus onnistuu automaattisesti ilman, että kenenkään ihmisen tarvitsee reagoida tiedon ohjaamiseen.

Tätä toiminnallisuutta voivat parhaiten hyödyntää sellaiset organisaatiot, joille suuntautuu esimerkiksi paljon sähköpostiliikennettä eri kanavista. Joukosta on mahdollista tunnistaa ja ohjata eteenpäin oikeille henkilöille mm. myyntiliidit, sopimuksiin liittyvät kysymykset ja erilaiset palvelupyynnöt. Viesteistä on myös mahdollista tunnistaa esimerkiksi uhkaavat tekstit ja tuoda ne olennaisten tahojen tietoon.

Tekstin luokittelun toinen mahdollinen hyödyntämiskeino voisi olla yrityksen markkinoinnissa sosiaalisen kuuntelemisen apuna.

Tulkittavana datana olisi tässä tapauksessa eri sosiaalisen median kanavat, joista automaattisesti kyettäisiin löytämään ja tunnistamaan keskustelut, jotka koskettavat esim. yrityksen tuotteita, palveluita tai brändiä.

Asioiden ja esineiden luokittelu eli Object Classification: Tekoälyn voi opettaa tunnistamaan ja laskemaan haluttuja asioita tai esineitä kuvasta kuin kuvasta. Käytännössä tämä toimii siten, että tekoäly opetetaan tunnistamaan halutut kohteet näyttämällä sille kuvia niistä, minkä jälkeen se kykenee tunnistamaan ja laskemaan kyseiset kohteet muista kuvista. Toiminnallisuutta voidaan hyödyntää myös reaaliaikaisesti PowerApps-sovelluksissa.

Tälle toiminnallisuudelle voi eri toimialoilla olla monenlaisia eri tarpeita, mutta esimerkiksi varastopuolella on mahdollista toteuttaa varastoon ottojen kirjaukset kätevästi.

Tällä ominaisuudella olemme myös itse leikitelleet eniten. Alla olevista gif-kuvista näette, miten kappaleita opetetaan tekoälylle:

Miten varastoon otto onnistuu:

Ja miten tarkastellaan varastosaldoja:

Kaavakkeiden käsittely eli Form Processing: Tekoäly kykenee tunnistamaan dokumentista ennalta määriteltyjä tietoja. Tunnistaminen perustuu aiemmin järjestelmään ladattuihin esimerkkidokumentteihin, joiden avulla tekoälylle opetetaan, mihin dokumentin sisältämät tiedot viedään. Opettamiseen tarvitaan vain viisi esimerkkidokumenttia, minkä jälkeen ensimmäisiä versioita pääsee testaamaan.

Tämän toiminnallisuuden suurimmat hyödyt kohdistuvat luultavasti yrityksen talousosastolle, jossa toiminnallisuuden avulla voidaan tehostaa esimerkiksi veroraporttien tai laskulomakkeiden käsittelyä. Tässäkin hyödyntämällä Flow:ta voidaan lisäksi lähettää haluttu data automaattisesti sähköisessä muodossa.

Ajatusleikki tekoälyä monipuolisesti hyödyntävästä sovelluksesta

Mietimme, miten kappaleiden tunnistamiseen perustuvan sovelluksemme käyttömahdollisuuksia voisi laajentaa, jotta organisaation saama hyöty olisi entistäkin suurempi.

Yksi tällainen voisi olla varastoon ottojen laadun tarkistusprosessi. Saapuneesta toimituksesta otetaan kuva, jonka jälkeen sovellus inventoi tavarat (asioiden ja esineiden luokittelu) ja ohjaa laaduntarkastusta antamalla lisätietoja tunnistetusta kappaleesta mm. tarjoamalla ennalta määriteltyjä kysymyksiä. Kuittaaminen on helppo tehdä kännykällä, ja mikäli huomautettavaa löytyy, voidaan reklamaatioprosessi aloittaa välittömästi samalla sovelluksella.

Reklamaatioprosessia varten otetaan kuva lähetyksestä tai rahtikirjasta, josta logon perusteella sovellus kykenee tunnistamaan toimittajan (kuvan tunnistaminen tai kaavakkeiden käsittely). Tämän jälkeen sovellus avaa oikealle vastaanottajalle lähetettävän reklamaatiotiketin, jota varten kyetään lisäämään kuvat vaurioituneista tuotteista ja lisäämään tarkennukset kirjallisessa muodossa.

Kaikista lähetetyistä reklamaatiotiketeistä kerätään tiedot yhteen paikkaan, jossa tekoäly seuraa ja analysoi sitä (binääriluokittelu). Mikäli datassa alkaa esiintymään toistuvuutta, sovellus tekee tästä hälytyksen, jonka perusteella käyttäjä voi harkita toimittajan vaihtamista.

Kokonaisuus, kritiikki ja käyttökelpoisuus

Siinä missä PowerApps madalsi sovelluskehityksen kynnystä ja mahdollisti ”kansalaiskehittämisen” Microsoft-ympäristössä, madaltaa AI Builder tekoälyn hyödyntämisen kynnystä ja tekee tekoälystä käsitteenä kansantajuisemman. Tämä voidaankin nähdä AI Builderin suurimmaksi vahvuudeksi.

Mutta koska AI Builderin kustannus tuotantokäytössä on 500$ kuukaudessa, menee sen laajemmassa liiketoiminnallisessa hyödyntämisessä varmasti vielä aikaa. Testiympäristössä tekoälyä on mahdollista kokeilla ilman erillistä veloitusta, joten sen käytettävyyttä pääsee testaamaan hyvin ilman maksusitoumuksia.

Toiminnon käyttökelpoisuus riippuu tietysti yrityksen liiketoiminnallisista tarpeista ja käytössä olevista valmisratkaisuista. Mutta on helppo nähdä, että jos yritys on valmis näkemään hieman vaivaa sovellus- ja prosessisuunnittelussa, on AI Builderin avulla mahdollista rakentaa liiketoiminnallisesti tehokkaita ratkaisuja.

Blogisarjan seuraavassa osassa keskitymme PowerApps-portaaleihin. Älä missaa blogisarjan seuraavia osia, vaan tilaa uutiskirjeemme tästä!

Kirjoittaja

Aino Jokela

Senior Solution Consultant

Kirjoitus on julkaistu aiemmin Efiman sivuilla.