Tekoälyn älykkyys piilee datassa – tekoäly imaisee itseensä dataa ja oppii päättelemään yhtä sun toista yhdistelemällä kerättyä tietoa. Vaikka data on tekoälyn soveltamisen edellytys, dataa ei aina tarvitse löytyä omasta takaa. Tekoälyasiantuntijamme Ali Salloum kuvaa pelialan esimerkin avulla, miten prosesseja voidaan älyllistää hyödyntämällä jonkun toisen keräämää dataa ja rakentamaa tekoälymallia.

Usein pelit perustuvat ennalta määriteltyyn tarinaan ja ympäristöön. Esimerkiksi kuuluisassa tasohyppelypelissä Super Marion tehtävänä on kukistaa sieniviholliset ja pelastaa pääpahiksen vangitsema prinsessa. Pelisuunnittelijat luovat maailman ja juonen, joihin pelaaja ei voi juurikaan vaikuttaa. Vuonna 2019 yhdysvaltalainen startup-yritys, Latitude, päätti ravistella pelimaailmaa pohtimalla, mitä jos pelaaja saisikin itse vaikuttaa pelin kulkuun. ”Voisinko omassa tarinassani matkustaa sienivaltakunnassa hyppelemisen sijaan kuumailmapallolla lentäen?” Ratkaisu oman pelimaailman luomiseen löytyi tekoälystä.

Ihminen opettaa tekoälyä viisaammaksi – oppimateriaalina toimii data

Tekoälyn maailma on viime vuosina kasvanut räjähdysmäisesti, ja monen saattaa olla vaikea pysyä kehityksen kärryillä. Pelkästään aiheeseen liittyviä tutkimuspapereita julkaistaan keskimäärin yli sata kappaletta per päivä. Lisäksi tekoälyksi on valitettavasti kutsuttu lähes kaikenlaista yksinkertaista automatiikkaa tai logiikkaa, mikä tekee tekoälyn hahmottamisesta entistäkin vaikeampaa.

Efimalla tekoäly nähdään ratkaisuna, joka pyrkii päättelemään tai tunnistamaan asioita vähintään yhtä hyvin kuin ihminen. Tämä määritelmä usein selkeytyy, kun tekoäly linkitetään johonkin liiketoiminnalliseen prosessiin. Tekoälyä voidaan esimerkiksi pyytää päättelemään saapuneen sähköpostin tarkoitus (kysymys vai valitus), aihealue (toimitukseen vai tuotteeseen liittyvä tiedustelu) tai tieto siitä, kenelle sähköposti tulisi välittää eteenpäin (myynnille vai taloushallinnon kavereille). Tämän kyvykkyyden se on oppinut imaisemalla itseensä dataa – esimerkiksi organisaation aikaisemmat sähköpostit. Tekoäly kykenee myös tunnistamaan kuvista objektit, ihmiset tai vaikkapa vialliset tuotteet – kunhan ihminen on kerran sille tämän tehtävän opettanut laadukkaalla ja sopivalla datalla.

Oman datan puute ei ole este

Mutta pitääkö laadukasta ja sopivaa dataa löytyä omaa takaa, ja entä jos sitä ei löydy? Joskus omaa dataa ei edes tarvita tekoälyn käyttöönotossa. Näin toimi esimerkiksi edellä esitelty peliyhtiö, joka hyödynsi kekseliäässä AI Dungeon -pelissään mahtipontista GPT-tekoälyä. OpenAI-yhtiön kehittämä yli 175 miljardin parametrin GPT-tekoäly on koulutettu noin 45 TB:n kokoisella aineistolla, joka sisältää datalähteenään muun muassa internet-sivustoja ja kokonaisia kirjoja.

GPT-tekoäly on yleinen kieleen keskittynyt koneoppimismalli, joka pystyy tekemään käännöksiä, vastaamaan ihmisten esittämiin kysymyksiin tai esimerkiksi tuottamaan järkeviä tekstinpätkiä, kuten runoja tai raportteja. GPT on kirjoittanut esimerkiksi tämän uutisen itse. Latitude keksi ovelan keinon hyödyntää tätä tekoälyä omassa pelissään. Se nimittäin hyödyntää GPT:n kykyä tuottaa tekstiä pelin juonen rakentamisessa. Pelaaja kertoo, mitä haluaa tarinassa tapahtuvan seuraavaksi. Lyhyen syötteen perusteella tekoäly jatkaa tarinaa, ja näin pelaaja pääsee etenemään pelissä omannäköisellä polullaan.

GPT-malli on esimerkki tekoälystä, joka koulutetaan keskitetysti valtavalla määrällä dataa useiden päivien tai jopa viikkojen ajan. Kun tekoälymalli on kerran koulutettu, eri tahot voivat soveltaa tätä yleistä tekoälyä (engl. transfer learning) omiin käyttötarkoituksiinsa ilman, että jokaisen tarvitsisi rakentaa omaa tekoälymalliaan omalla datallaan alusta asti itse. Esimerkiksi kasvojentunnistusalgoritmit tai viestien tunnesävyjä analysoivat tekoälyratkaisut hyödyntävät yleistä tekoälyä, mikä tekee kyseisten tekoälyratkaisujen käyttöönotosta vaivatonta yrityksessä kuin yrityksessä.

Tällä tavalla kehitettyä yleistä tekoälyä voidaan käyttää joko sellaisenaan tai sitä voidaan hienosäätää (engl. finetuning) ja ohjata erikoistumaan tiettyyn tehtävään paremmin syöttämällä sille asianmukaista dataa. Omaa dataa ei siis välttämättä edes tarvita tekoälyn käyttöönottoon – tai jos tarvitaan, niin vähäinen määrä usein riittää.

Mutta joskus oma data on välttämätöntä

Joissain tilanteissa tekoälyn kehitys, eli mallin valinta ja sen kouluttaminen, kannattaa kuitenkin tehdä itse – tai vähintäänkin kumppanin tuella – ja omaa dataa hyödyntäen. Kuvitellaan esimerkiksi tilanne, jossa haluamme oppia ymmärtämään asiakkaitamme paremmin ja ehdottaa heille entistäkin osuvampia palveluita tai tuotteita. Jotta tekoäly oppisi ennakoimaan juuri meidän asiakaskuntamme ostokäyttäytymistä, kannattaa tekoälyä opettaa oman uniikin asiakastiedon, esimerkiksi aiemman ostodatan, avulla. Prosessoimalla kymmeniä, satoja tai jopa tuhansia asiakasprofiileja ja ostotapahtumia, tekoäly oppii hahmottamaan yhteyksiä asiakasprofiilien ja ostettujen palveluiden ja tuotteiden välillä. Seuraavan kerran, kun kohtaamme uuden asiakkaan, tekoäly osaa ehdottaa aikaisemman ostodatan perusteella osuvimmat palvelut juuri kyseiselle henkilölle. Mitä enemmän esimerkkejä (eli dataa) pystymme tekoälylle tarjoamaan, sitä tarkemmaksi sen ehdotukset muuttuvat.

Omaa uniikkia dataa tarvitaan, jos tekoälyratkaisun halutaan päättelevän ja ennakoivan liiketoiminnalle uniikkeja asioita.

Toisin sanoen omaa uniikkia dataa tarvitaan, jos tekoälyratkaisun halutaan päättelevän ja ennakoivan liiketoiminnalle uniikkeja asioita, kuten omien asiakkaiden ostokäyttäytymistä. Jos tekoälyn odotetaan päättelevän tai tunnistavan yleismaailmallisia asioita, kuten tunnistavan kuvasta ihmiset tai päättelevän teksteistä tunteet, ei pyörää kannata keksiä uudelleen. Jälkimmäisessä tapauksessa kannattaa hyödyntää mahdollisuuksien mukaan valmista, yleistä tekoälymallia, jonka joku muu on puolestamme rakentanut valtavalla määrällä dataa.

Tekoälyä voidaan rakentaa helpottamaan meidän ihmisten työtä – tai tuottamaan tarinoita. Joskus tarvitaan omaa dataa, ja joskus pärjätään yleisellä mallilla. Näin tehdään myös Efiman ratkaisuissa, joissa hyödynnetään sekä yleistä että uniikkiin dataan perustuvaa tekoälyä. Asiakkaana tärkeintä ei ole tietää tarkalleen, tarvitaanko prosessin älyllistämiseen omaa dataa vaiko ei. Sen sijaan asiakkaalta tarvitaan rohkeutta testata tekoälyä ja vähintäänkin mututuntumaa siitä, mitä prosesseja tai liiketoiminnan osa-aluetta voisi olla tarpeen tehostaa. Kaikki muu hoituu osaavan kumppanin tuella.

Kirjoittaja

Ali Salloum

Machine Learning Engineer

Kirjoitus on julkaistu aiemmin Efiman sivuilla.

----------------

Opi lisää tekoälystä Efiman opastuksella – kaksi vinkkiä

1. Haluatko ymmärtää lisää tekoälyn perusperiaatteista? Mihin tekoäly oikeasti soveltuu? Miten päästä alkuun ja miten onnistua tekoälyn käyttöönotossa? Ilmoittaudu mukaan 28.4. Efiman Helsingin toimistolla järjestettävään Efimorning-aamiaistilaisuuteen, jossa Efiman CIO Markus Turunen ja tekoälyasiantuntijamme Ali Salloum kertovat älykkään automaation mahdollisuuksista ja esittelevät konkreettisia käyttöesimerkkejä. Toimi nopeasti: ilmoittautuminen sulkeutuu 21.4.

2. Tunnetko jo tekoälyn perusperiaatteet, mutta haluaisit ymmärtää paremmin, miten juuri teidän yrityksenne liiketoimintaprosesseja ja datan hyödyntämistä voisi tehostaa tekoälyllä? Efiman tekoälyosaajien luotsaamassa AI Kickstartissa tarjoamme konkretiaa tekoälyn käyttöönottoon: kahden tiiviin työpajan jälkeen tiedätte, mihin tekoälyä voisi hyödyntää teidän liiketoimintaprosesseissanne ja miten käyttöönoton kanssa on älykästä edetä.