Kirjoitettu yhdessä: Iiris Määttä, Iines Vänninmaja ja Heta Valkama

Johdanto

Me kaikki varmasti tiedämme, että liiketoiminnan maailma on jatkuvassa murroksessa tekoälyn ja ennustavan analytiikan käyttöönoton myötä. Tahdoimme syventyä tekoälyn maailmaan laajemmin ja päätimme kirjoittaa aiheesta tämän esseen. Esseen alussa käymme läpi mitä tekoäly käytännössä tarkoittaa, mitä se vaatii toimiakseen, sekä millaisissa tilanteissa yritykset voivat hyödyntää tekoälyä. Lisäksi tarkastelemme esimerkiksi sitä, kuinka tekoälyä hyödynnetään osana liiketoimintaa ja kuinka ennustava analytiikka yhdessä tekoälyn kanssa voi oppia yrityksiä tunnistamaan tulevia markkinamuutoksia. Tarkastelemme myös eettisiä, sekä yhteiskunnallisia kysymyksiä, joita tekoälyn hyödyntämiseen liittyy. Tulevaisuuden yrittäjän tulee ymmärtää tekoälyn hyödyt, sekä mahdollisuudet oman liiketoiminnan kehittämisen näkökulmasta. Syvennymme tekoälyn tulevaisuuden näkymiin, sekä haasteisin, joita väistämättä tekoälyn laaja hyödyntäminen voi synnyttää. Esseen lopussa pohdimme oppimaamme, sekä erityisesti sitä, kuinka tekoälyä voisi hyödyntää Hurmoksen arjessa.

Mikä tekoäly?

Tekoäly on merkittävä ja jatkuvasti kehittyvä teknologian ala, joka pyrkii luomaan järjestelmiä ja ohjelmia, jotka kykenevät suorittamaan älykkäitä tehtäviä. Keskeinen tavoite on mahdollistaa koneiden oppiminen, päättely ja ongelmanratkaisu tavalla, joka muistuttaa ihmisen älykkyyttä. TAI perustuu moniin eri osa-alueisiin, kuten koneoppimiseen, neuroverkkoihin, luonnollisen kielen käsittelyyn ja tietojenkäsittelyyn. (OpenAl. 2023) Tekoälystä käytetään suomen kielessä lyhennettä Al, englanninkielisestä nimityksestään tunnettu: Artificial Intelligence. Teknisesti tekoälyn toiminta koostuu ohjelmoinnista, matematiikasta ja tilastotieteestä. Tekoälyn toimintaperiaatteet koostuvat suhteellisen yksinkertaisista matemaattisista kaavoista. Tekoälyä voidaan ohjelmoida netistä löydettävillä open source-pohjaisilla ilmaisilla ohjelmilla. Tekoälyä ymmärtääkseen ei tarvitse olla alan ammattilainen, vaan perusteet ymmärtämällä ja aihepiiriä seuraamalla pystyy ymmärtämään kehittämisen vaiheita. Tekoälyn kehittäminen on teknologiariippumatonta, mutta se vaatii valtavia määriä laskentakierroksia, jolloin työ on helpointa tehdä tietokoneohjelmia hyödyntäen. (Puolitaival & Kananen, 2019.)

Tekoälyn hyödyntäminen vaatii koko organisaation yhteistyötä, sekä monenlaista osaamista, unohtamatta vastuuta. Sen hyödyntämisen pohjalla tulee olla vankka liiketoiminnan ymmärrys ja tarve. Se vaatii ymmärrystä prosesseista ja ihmisten käyttäytymisen tuntemusta, koska teknologiset ratkaisut tuovat arvoa vasta, kun ihmiset muuttavat käytöstään niiden perusteella tai niiden mukaisesti. Tekoälyn tekninen toteutus vaatii algoritmien ja matematiikan tuntemista, softakehitysosaamista ja arkkitehtuuriymmärrystä. Seuraavaksi listattuna asioita, joita tulisi ottaa huomioon tai mitä tekoälyn hyödyntäminen edellyttää?

1. Kehittäminen lähtee aina liiketoiminnan tarpeesta. Organisaatiossa tarvitaan ymmärrys tekoälyn tuomasta lisäarvosta, sekä sen vaikutuksesta liiketoimintaan. Liiketoimintahyödyn esille kaivamiseksi tulee tuntea yrityksen dataa tuottavat järjestelmät, sekä johtamistyylit.

2. Datan määrä, sen hyödynnettävyys ja laatu korostuvat. Dataa täytyy käsitellä, sekä jalostaa, koska harvoin se on hyvälaatuisessa ja hyödynnettävässä muodossa heti. Datan ajantasaisuudesta tulee huolehtia.

3. Tiimin osaaminen korostuu: liiketoiminta- ja tekninen osaaminen ja palvelumuotoilu yhdistämällä päästään parhaaseen lopputulokseen.

4. Työntekijöiden koulutus, sekä prosessien läpinäkyvyys oppimisen varmistamiseksi koko organisaatiossa.

5. Eettiset näkökulmat ja tietosuojasäädökset täytyy huomioida alusta alkaen.

(Puolitaival & Kananen, 2019.)

Vaikka tekoäly tarjoaa lukuisia mahdollisuuksia tehokkaampaan ja älykkäämpään teknologiaan, herättää se myös eettisiä ja yhteiskunnallisia kysymyksiä. On tärkeää keskustella avoimesti siitä, miten ja missä laajuudessa tekoälyä tulisi käyttää, varmistaen samalla, että sen käyttö edistää yhteistä hyvää ja ihmisten hyvinvointia. Yhteenvetona voidaan todeta, että tekoäly on monitahoinen ja kasvava ala, joka muuttaa tapaa, jolla teknologia vuoro vaikuttaa ja palvelee ihmisiä. Sen avulla voimme saavuttaa ennennäkemättömiä edistysaskeleita monilla elämänalueilla, samalla kun asetamme tärkeitä kysymyksiä sen eettisestä ja yhteiskunnallisesta käytöstä. (OpenAl. 2023)

Miten tekoäly käytännössä toimii?

Tekoälyn kouluttamiseen tarvitaan valtava määrä dataa. Yrityksillä on tämä pääoma, eli dataa, jota käyttää tekoälyn kouluttamisessa hyväksi. Tieto voi olla toimialan mukaan tietoa esimerkiksi myynnistä, nettisivuista ja asiakkaista. Tieto voi olla muodoltaan esimerkiksi tekstejä, kuvia, taloustietoja, kulutustietoja ja lausuntoja. Seuraava vaihe on datan valmistelu, joka voi olla pitkä prosessi sen moninaisuuden vuoksi. Jos tekoälyalgoritmille annetaan huonosti muotoiltua lähtödataa, niin lopputuloskin on yhtä lailla huonoa. Valmisteltu data jaetaan kolmeen settiin, eli varsinaiseen koulutusdatasettiin, eli training data set, sekä testaus- ja validiointisetteihin. Testaus- ja validiointisettejä käytetään sen varmistamiseen, että algoritmi toimii hyvin myös uudella datalla, joka ei ole algoritmille tuttu. Mallin kouluttamisen jälkeen seuraavassa vaiheessa testataan saatua tulosta testausdatasetillä. Tämän vaiheen tarkoitus on kokeilla, kuinka tarkkoja ennusteita treenatulla mallilla voidaan saada. Validiointivaiheessa varmennetaan taas mallin toimivuus. Kun riittävä tarkkuus on saavutettu, sekä on varmistuttu datan ja mallin oikeellisuus, voi mallin sovittaa osaksi yrityksen teknistä kokonaisratkaisua. Tässä vaiheessa täytyy kuitenkin pitää jalat maassa ja käyttöönottovaiheessa varmistaa teknisen sopivuuden lisäksi mallin vaikutus työtehtäviin. Tämän vaiheen jälkeen datan voi tuoda osaksi muuta analytiikkaa, sekä päätöksentekoprosessia, sekä yrityksellä on vastuu huolehtia työntekijöiden koulutuksesta. Käyttöönoton jälkeenkin on hyvä seurata tekoälysovellusten toimivuutta ja mallin tarkkuuden riittävyyttä. Saatua mallia täytyy ylläpitää ja päivittää joko uuden datan tai teknisen ympäristön vuoksi. (Puolitaival & Kananen, 2019.)

Sääntöpohjainen vs. tekoälyn ohjelmointi

Sääntöpohjainen ohjelmointi on ns. ”perinteiseksi” kutsuttua ohjelmointia, eli koneelle on annettu dataa ja koodataan säännöt, joiden mukaisesti kone käsittelee saadun tiedon. Vastaukset, joita kone antaa perustuvat sääntöihin. Sääntöpohjaisessa ohjelmoinnissa hyödynnetään deduktiivista päättelyä, eli luodaan teoria siitä, kuinka mallinnettava ilmiö toimii. Oletuksesta muodostuu hypoteesi, jonka jälkeen havaintojen ja tietojen avulla varmistetaan vastaako saatu teoria havaintoja. Sääntöpohjainen ohjelmointi ei opi datasta mitään, toisin kuin tekoälysysteemi oppii datasta, eli yksittäisistä havainnoista. (Puolitaival & Kananen, 2019.)

Tekoälypohjaisessa ohjelmoinnissa tekoälyalgoritmille annetaan dataa ja valmiiksi tiedetyt vastaukset, joista tekoäly löytää säännöt data-vastausparien avulla. Sääntöjen avulla tekoäly tekee taas uusia johtopäätöksiä annetusta datasta. Tekoälyalrgoritmi toimii siten, että uusia sääntöjä saadessaan, se antaa uudella datajoukolla varustettuja ennusteita ulos. Tekoäly siis vastaa kysymyksiin todennäköisyyksillä, sekä mitä enemmän dataa sillä on hallussaan, sitä tarkempi ennusteen lopputulos on. Tällaista uudenlaista teoreettista lähestymistapaa kutsutaan paradigmaksi. (Puolitaival & Kananen, 2019.)

Ohjattu & Ohjaamaton oppiminen

Tekoälyteknologiaa voi lähestyä monista eri näkökulmista ja kokonaisuuden hahmottamiseksi on hyödyllistä jakaa tekoäly pienempiin osiin. Yksi tapa lähestyä tekoälyä on oppimisen näkökulmasta, johon kuuluu ohjatun-, ohjaamattoman- ja vahvistusoppimisen tavat. Tekoälyn puolestaan voi jakaa koneoppimiseen ja neuroverkkoihin, eli syvä- ja vahvistusoppimiseen. Ohjatussa oppimisessa hyödynnetään neuroverkkoja ja koneoppimisen menetelmiä, toisin kuin ohjaamattomassa oppimisessa koneoppimisen menetelmiä. Ohjattu oppiminen on suosituin koneoppimisen muoto liiketoiminnassa. Esimerkkinä tilanne, jossa ennustetaan todennäköisyyttä sille, että syntyykö kauppa vai ei. Tapauksessa tarvitaan dataa siitä, mitkä kaupat syntyvät ja mitkä eivät merkitsemällä tavoitearvot ja kouluttamalla algortimia. Ohjattua oppimista voidaan hyödyntää myös kuvan tunnistamisessa, lääketieteellisten lausuntojen tekemisessä, laadunvalvonnassa, lämpötilojen ennustamisessa, erilaisissa suosittelukoneissa ja hinnoittelussa.

Unsuperisived learning, eli ohjaamaton oppiminen tarkoittaa sitä, kun koneelle annetaan vain dataa ja algortimia pyydetään etsimään datasta malleja, eli säännönmukaisuuksia. Ohjaamattoman oppimisen päätavoite on se, että kone organisoi datan itsenäisesti. Suurin hyöty ohjaamattomassa oppimisessa on se, että kaikkia erikoistapauksia ei tarvitse erikseen merkata dataan, vaan algoritmi löytää poikkeukset itse. Ohjaamattomassa oppimisessa tavoite on määritellä arvojen mallit ja objektien rakenteet eroavaisuuksien, sekä yhdenmukaisuuksien mukaisesti. (Puolitaival & Kananen, 2019.)

Informaatio, data ja tieto

Dataa kerätään ympärillämme jatkuvasti ja sitä löytyy monessa eri muodossa. Esimerkiksi numeroina, tekstinä, kuvina, lukuina ja videoina. Kun halutaan datan kautta saavuttaa jokin merkitys, saadaan informaatiota. Kun tätä informaatiota aletaan tulkitsemaan, saadaan tietoa. Pelkästään data yksinään ei kerro meille vielä mitään oleellista. (Puolitaival & Kananen, 2019.) Tämän lisäksi tarvitaan asiantuntemusta, jotta dataa voidaan tulkita ja hyödyntää oikein.

Jotta tekoäly pystyy hyödyntämään dataa ja tuottamaan sillä lisäarvoa, tarvitsee datan sisällön olla laadukasta. Tällä laadukkuudella tarkoitetaan datan yhdenmukaisuutta ja yksiselitteisyyttä. Esimerkiksi CRM-järjestelmässä asiakkaan osoitetiedossa paikkakuntamerkintä tulisi olla selkeästi paikkakunnan nimi oikeinkirjoitettuna, sillä pienetkin kirjoitusvirheet ovat koneelle vaikea ymmärtää saatikka mahdoton tulkita. Tällöin data voi olla käyttökelvotonta tai vaatia paljon esikäsittelyä, jos se ei ole systemaattisesti tehty. (Puolitaival & Kananen, 2019.)

Tekoälyn hyödyntämiseen käytettävä data voi olla missä tahansa muodossa. Data voi olla rakenteellista eli järjestyksessä olevaa dataa, jossa muuttujat ovat valmiiksi määritelty tai ei-rakenteellista esimerkiksi videokuva, jossa ei ole ennaltamääriteltyä rakennetta. Jotta tekoälyä voidaan hyödyntää ja kouluttaa, tarvitsee data muuttaa koneen vastaanottamaan muotoon. (Puolitaival & Kananen, 2019.)

Yrityksen data ja sen lähteet

Datalähteitä on lukuisia ja dataa pystyy keräämään monella eri tavalla. Oman yrityksen datasta voidaan käyttää termiä ”First-party data”, joka tarkoittaa yrityksen itse kerättyä omaa dataa. Esimerkiksi tyypillinen markkinoija hyödyntää CRM-järjestelmää, verkkopalvelun kävijädataa sekä sosiaalisen median seuraajista koostuva dataa. (Salo, N. n.d.) Lisäksi tähän 1st party dataan voidaan mainita myös taloustiedot, myyntitiedot, huoltotiedot, applikaatioista kertyvät tiedot ja niin edelleen. Tätä dataa voidaan hyödyntää sisäisten prosessien kehittämiseen, asiakasymmärryksen lisäämiseen tai vaikka ennustamiseen, jos halutaan esimerkiksi tuoreiden taloustietojen kautta ennustaa tulevaa liikevaihtoa. (Puolitaival & Kananen 2019.)

Yrityksessä oman datan lisäksi voidaan myös käyttää toisen osapuolen dataa, josta käytetään termiä ”second-party data”. Tämä data voi pitää sisällään vastaavia tietoja kuin oman yrityksen data, mutta sen hyödyntämiseen on tehty kumppanin kanssa sopimus, jossa yleensä molemmat osapuolet siitä hyötyvät. On paljon edullisempaa sopia datan jakamisesta sen sijaan, että alkaa yrityskaupan kautta hyödyntämään toisen organisaation dataa. (Puolitaival & Kananen, 2019.)

Tämän lisäksi kannattaa käydä läpi myös kolmansien osapuolien datalähteet, sillä tekoälyn hyödyntämisessä tarvitaan suurta määrää dataa. Tätä kutsutaan termillä ”third-party data”, jotka ovat yleensä julkiset datalähteet mm. Liikenteen turvallisuusviraston, Ilmatieteenlaitoksen tai Tilastokeskuksen tarjoamat datatiedot. (Puolitaival & Kananen, 2019.)

Yrityksillä voi olla isona strategisena päätöksenä pohtia, pidetäänkö data täysin itsellä, myydäänkö sitä kolmansille osapuolille vai annetaanko data avoimesti kaikkien hyödynnettäväksi. Monesti myös isot teknologiayhtiöt jakavat työkaluja avoimilla lähdekoodeilla, jotta pystyy vauhdittamaan tekoälyn kehittymistä. (Puolitaival & Kananen, 2019.) Esimerkiksi Google jakaa ilmaiseksi työkaluja sekä algoritmeja, mutta ei luovuta dataa.

Koneoppiminen ja neuroverkot

Koneoppiminen on yksi tekoälyn tärkeimmistä osa-alueista, joka antaa koneille kyvyn oppia kokemuksen perusteella ilman nimenomaista ohjelmointia. Koneoppiminen perustuu suureen määrään tietoa, jota algoritmit analysoivat ja käyttävät päätöksenteossa. Tämä mahdollistaa koneiden sopeutumisen muuttuviin olosuhteisiin ja parantaa niiden suorituskykyä ajan myötä. Neuroverkot ovat toinen tärkeä osa-alue, joka matkii ihmisen aivojen toimintaa. Ne koostuvat yhteen liitetyistä soluista, joita kutsutaan neuroneiksi, ja ne voivat oppia monimutkaisia toimintoja, kuten kuvien tunnistamista tai puheen ymmärtämistä. Tämä antaa koneille mahdollisuuden suorittaa tehtäviä, jotka vaativat älykkyyttä ja hienostunutta hahmotuskykyä. (OpenAl. 2023)

Koneoppimisen tuottamat ennustemallit voidaan jakaa kahteen osaan, eli luokittelumalleihin, sekä päämalleihin. Luokittelumallit ennustavat tapahtumien todennäköisyyksiä ja vastaavat kysymyksiin siitä, tapahtuuko joku asia vai ei. Määrämallit taas ennustavat jonkin asian suuruusluokkaa, kuten pituutta tai kappaleiden määrää. Luokittelumallien tekniikoita kutsutaan klassifikaatiomalleiksi ja määrämallien tekniikoita regressiomalleiksi. Luokittelumalleja käytetään esimerkiksi asiakaskadon mittaamisessa, lääketieteellisten diagnoosien kysymyksissä, sekä huijauksien tunnistamisessa. Regressiomallien kuvaillessa määriä, sen käyttötarkoitus voi olla selvittää kuluttajakäyttäytymistä, talousennusteita tai tehdä hintamäärittelyä. Tällaiseen ennustemalliin perustuvaa koneoppimisen ohjelmaa käytetään täydentämään tai korvaamaan asiantuntija-arvioita ja manuaalista päätöksentekoa. Ennustemallit voivat olla avuksi päätöksenteossa, ne ovat suhteellisen edullisia käyttää, sekä niillä saa hyvinkin tarkkoja tuloksia. (Puolitaival & Kananen, 2019.)

Deep learning eli syväoppiminen on termi, jota käytetään neuroverkoista. Eteenkin syväoppiminen on lisännyt kiinnostusta tekoälyä kohtaan, koska se on kehittänyt kognitiivisia teknologioita, kuten kuvan ja äänen tunnistusta, jopa itse ohjautuvia autoja. Neuroverkkojen hyödyntäminen vaatii tunnetusti toimiakseen paljon dataa, sekä ne ovat saaneet inspiraation ihmisaivoista. Ne jopa muistuttavat biologisesti aivojen rakennetta, mutta eivät kuitenkaan ole aivojen kaltaiset.

Vaikka neuroverkot ovat kompleksinen kokonaisuus ja niiden ymmärtäminen voi tuntua monimutkaiselta, niiden liiketoiminnan kannalta olennaisen hyödyn ymmärtäminen ei vaadi neuroverkkojen syväluotaavaa ymmärrystä. Neuroverkot tarjoavat mahdollisuuden epälineaaristen ilmiöiden tarkasteluun. Erityisesti neuroverkkojen kehittyminen on edistänyt kuvankäsittelyn kaupallista hyödyntämistä. Neuroverkot koostuvat peräkkäisistä matemaattisista funktioista ja ne kytkeytyvät toisiinsa. Neuroverkkojen äly, on painokertoimien arvo. Painokertoimesta taas saa selville sen, kuinka voimakkaasti kaksi asiaa ovat sidoksissa toisiinsa ja neuroverkkojen kouluttamisessa on juuri kyse painokertoimien arvojen etsimisestä. Neuroverkko siis koostuu lukuisista määristä painokertoimia, sekä ne säännöt, jotka koulutusalgoritmi on tunnistanut datasta. (Puolitaival & Kananen, 2019.)

Tekoäly tekee virheitä

Tekoäly toimii algoritmien ja sen saaman datan pohjalta, eikä kykene pohtimaan ja ymmärtämään tehtäviään samalla tavalla kuin ihminen. Mikäli opetusdatassa on puutteita tai virheitä, voi se vaikuttaa koko tekoälyn toimintaan ja luoda sen pohjalta virheellisiä päätöksiä. Varsinkin, kun katsomme tätä meidän ihmiskeskeisestä näkökulmastamme. Esimerkiksi sarkasmi, ihmisten tunnetilat, kulttuuriset viitteet sekä ”maalaisjärki” ovat tekoälylle lähes mahdottomia ymmärtää, sillä siltä puuttuu kyky oivaltaa uusia asioita ja ymmärtää niiden välisiä yhteyksiä ilman, että se on erikseen ohjelmoitu tekemään niin.

Eli tekoäly tekee virheitä, koska se on riippuvainen opetusdatastaan, eikä kykene ymmärtämään tai sopeutumaan uusiin tilanteihin tai ymmärtämään ihmisten tavoin maailmaa. (Toivonen, H. 2023.)

Ihmisen ja koneen vuorovaikutus

Teknologia kehittyy hurjaa vauhtia eteenpäin ja koneet kykenevät olemaan enemmän vuorovaikutuksessa ihmisten kanssa sekä hyödyntämään ihmisten tietämystä ja navigoida fyysisesti todellisessa maailmassa. Tämä on tekoälytutkimuksen yksi tärkeimpiä läpimurtoja tällä hetkellä. Vaikka nämä koneen taidot ovat vielä puutteelliset ja kehitystasolla, pystyy niitä jo hyödyntämään monin tavoin. Ne myös kehittyvät nopeasti, kun ihminen opastaa ja näyttää oikean vastauksen. Tämän jälkeen tekoäly pystyy itsenäisesti jo vastaamaan samaan kysymykseen uudelleen, mikäli se toistuu. Kokenut ihminen pystyy siis kouluttamaan tekoälyä koko ajan paremmaksi versioksi ja omaksumaan uusia tehtäviä. Tätä lähestymistapaa kutsutaan nimityksellä ”human in the loop”. (Puolitaival & Kananen 2019.)

Tätä ”human in the loop” lähestymistapaa käytetään varsinkin silloin, kun on mahdollisesti havaittavissa suurempia potentiaalisia virheitä, mitä tekoäly saattaa tehdä. Näin säästytään isoilta lisäkuluilta ja turhalta ajanhukalta, kun ihminen valvoo tekoälyn toimintaa. Myös on hyvä valvoa silloin, kun opetusaineisto on liian pieni ja rajoittunut, jolloin ihmisen täytyy täydentää opetusdatan aineistoa. Myöhemmin ihmisen rooli pienenee huomattavasti, kun tekoälyä on opetettu tarpeeksi pitkälle. Jokaisesta ihmisen tekemästä toimenpiteestä jää myös tietokantaan muistijälki, jota voidaan käyttää myöhemmin tekoälyn opettamisessa. (Puolitaival & Kananen 2019.)

Tekoälykyvykkyys kehittyy myös nopeaa vauhtia samalla, kun ihmisen ja koneen välinen vuorovaikutus kehittyy. Tätä kehitystä nopeuttaa tulevaisuudessa myös se, että yhä laajempi joukko ihmisiä kehittää tekoälykyvykkyyksiä ja luo uusia sovelluksia. Myös koneet itse voivat oppia tekemisistään. Tämän myötä ihmisten osaaminen tulee korostumaan ja tekeminen painottuu enemmän tehtäviin, joihin kone ei pysty. Eli koneita tullaan hyödyntämään tehtäviin, joissa se on ihmiseen verrattuna ylivertainen. (Puolitaival & Kananen 2019.)

Tekoälyn hyödyntäminen liiketoiminnassa

Tekoäly on nykypäivänä todella merkityksellinen työkalu liiketoiminnan tukena. Tekoälysovelluksilla voidaan kehittää parempia prosesseja, innovoida uusia palveluita datan avulla sekä hyödyntää datasta saatavaa tietoa, joka toimii yritysjohdon päätöksenteon tukena. Kun olet investoimassa tekoälyyn, kannattaa alkuun pohtia mitä halutaan saavuttaa sen avulla. Halutaanko parantaa prosesseja, lisätä tehokkuutta vai keskittyä tarjoamaan parempaa asiakaspalvelua? On hyvä tutkia myös erilaisia tekoälyratkaisuja ja niiden soveltuvuutta juuri omaan liiketoimintaan. Tämän jälkeen on hyvä tehdä arvoanalyysi, joka pohjautuu dataan ja analytiikkaan, jolloin on helpompi perustella tarvittavat investoinnit ja operatiiviset muutokset datan perusteella. (Puolitaival & Kananen 2019.)

Tekoälyn avulla voidaan myös tehdä isoja kustannussäästöjä. Esimerkiksi logistiikka-alalla pystytään tekoälyn avulla suunnittelemaan ajo- ja jakelureitit optimoimalla polttoaineen kulutus mahdollisimman pieneksi. Myös työvuorosuunnitteluissa tekoälyn avulla säästetään suunnitteluun menevä työaika. (Puolitaival & Kananen 2019.) Lisäksi tekoälyä voi hyödyntää huoltotoiminnassa, jotta pystytään ennakoimaan huoltotarpeet ja säästytään laitteiden vikojen kustannuksilta. Yritykset käyttävät tekoälyä myös paljon markkinoinnissa ja mainonnassa. Se analysoi asiakastietoja ja käyttäytymistä, jolloin yritykset pystyvät kohdentamaan mainoksiaan tarkemmin ja saavuuttaan parempia tuloksia pienemmällä budjetilla.

Artikkelissa ”Preparing Your Business For The Artificial Intelligence Revolution” (Talouslehti Forbes 12.6.2018) Dmitry Matskevich kirjoittaa kuinka yritykset voisivat hyödyntää uusia teknologioita. Tässä listattuna artikkelissa mainittuja keinoja:

• Tarkastele yrityksen tarpeita ja strategisia kipukohtia ja mieti, miten niitä voitaisiin parantaa tekoälyn avulla?

• Ymmärrä riskit, sillä jokainen uusi teknologia tuo mukanaan omat riskinsä. Tee pieniä testauksia kerrallaan ja arvioi jokainen epäonnistuminen, jotta ymmärrät riskitekijöitäsi sekä saat arvokasta dataa, jotta pystyt tekemään parempia päätöksiä tulevaisuudessa.

• Etsi yrityksellesi tarvittavat oikeat tekoälypalvelut. Tekoälymarkkinoiden nopea kasvu on aiheuttanut pulaa mm. kehittäjistä, koodareista, softatestaajista ja muista alaan liittyvistä tekijöistä. Tämän lisäksi kehittäjät tarvitsevat pääsyn laskentainfrastruktuuriin, joka tukee tarvittavaa tekoälyn käsittelyä. Tähän lisäksi tarvitaan vielä raakadata, asiantuntijoita tietojen merkitsemiseen yms. Tämmöisen AI-infrastruktuurin rakentaminen on työlästä ja kallista puuhaa. Onneksi yritys voi myös ostaa haluamansa palvelun toiselta yritykseltä ilman, että joutuu palkkaamaan erillisen yksikön tätä varten.

• Rakenna kunnon pohja. Tarvitset oikeat luottoihmiset ja teknologiakulttuurin puolellesi, jotta pystyt toteuttamaan liiketoimintaasi isommin ja paremmin. Tämä on sen arvoista, vaikka uuden teknologian ja kykyjen investointi on kallista sekä aikaa vievää. Se tulee tuottamaan hedelmää pidemmällä aikavälillä.

Tekoäly tunnistamassa markkinamuutoksia ja auttamassa riskienhallinnassa

Tekoäly ja sen tuoma ennustava tieto ovat vahvoja työkaluja yrityksille asiakkaiden käyttäytymisen ymmärtämisessä ja tulevien trendien tunnistamisessa. Näiden tekniikoiden avulla yritykset voivat tehokkaasti käsitellä valtavia datamääriä ja saavuttaa tietoa asiakkaistaan. Ennustava analytiikka hyödyntää historiallisia tietoja ja tekoälyalgoritmeja ennustaakseen tulevia trendejä, auttamalla yrityksiä pysymään kilpailun edellä ja sopeutumaan nopeasti muuttuviin markkinaolosuhteisiin. Kolari ja Kallio mainitsevat kirjassaan, että noin 40 prosenttia Suomen yrityksistä hyödyntää tekoälyä jollain tasolla työelämässä. Jos taas tekoälyä ei hyödynnettäisi työpaikalla, on siinä vaarana, että yrityksen kilpailukyky muihin verrattuna pienenee ja yritystoiminta ajautuu ongelmiin. (Kolari & Kallio, 2023)

Esimerkiksi yritykset voivat hyödyntää tekoälyn ennustamiskykyä kysynnän ennakointiin tiettyyn tuotteeseen tietyllä alueella. Tämä mahdollistaa oikean määrän varmistamisen, mikä vähentää hukkaan menneen tavaran määrää ja parantaa kannattavuutta. Tekoäly voi myös seurata ja analysoida sosiaalisen median keskusteluja ja asiakaspalautetta, jotta yritykset voivat reagoida nopeasti markkinamuutoksiin, korjata ongelmia tai parantaa tuotteitaan. Tulevaisuudessa asiantuntijat pystyvät kouluttamaan tukitekoälyä itselleen, joka taas auttaa rutiininomaisissa tehtävissä kuten: tiedonkeruu, päätöksenteko ja yhteenveto. (Kolari & Kallio, 2023)

Tekoäly on hyvä ja erilainen apu yritysten riskienhallinnassa. Se kykenee tunnistamaan riskejä ja hallitsemaan niitä monin eri tavoin, esimerkiksi tiedon analysoiminen tunnistaakseen potentiaaliset riskit talous- ja sijoitusmarkkinoilla. Tämä voi sisältää talousindikaattoreiden seurannan, osakekurssien liikkeiden analyysin ja muun tärkeän tiedon, joka auttaa ennustamaan mahdollisia talouskriisejä tai markkinamuutoksia. Riskienhallinnassa tekoälystä on moneen soveltuvaan osaan, esimerkiksi luonnonkatastrofeja on paljon helpompi ennakoida, kun tekoälyn yhdistää voimassa oleviin sensoreihin. (Kolari & Kallio, 2023)

Lisäksi tekoäly tarjoaa reaaliaikaista valvontaa markkinoiden muutoksille ja voi varoittaa sijoittajia tai yrityksiä mahdollisista riskeistä. Tämä nopeuttaa reagointia ja mahdollistaa riskienhallintatoimenpiteiden tehokkaan toteuttamisen. Tekoäly voi myös tunnistaa epäilyttäviä toimintoja ja poikkeamia yrityksen tietoturvapolitiikasta, auttaen yrityksiä estämään tietoturvauhkia ja tietomurtoja. Riskianalyysit ja riskikartoitus löytyy jokaiselta yritykseltä, sen takia tekoälyn hyödyntäminen ”mitä jos” -tilanteessa auttaa. Tekoälyn pystyy ohjelmoimaan tekemään itse toimenpiteitä ongelmien sattuessa. (Kolari & Kallio, 2023)

Tietosuoja ja työvoima

Tekoälyn käyttö yritysmaailmassa tuo mukanaan paljon tietosuojakysymyksiä. Tärkeimpänä aiheena on henkilötietojenkäsittely, koska tekoäly tarvitsee suuren määrän dataa toimiakseen tehokkaasti. Data voikin sisältää arkaluonteisia henkilötietoja, kuten asiakkaiden terveys- ja taloustiedot. Tämä edellyttää erityisesti suurilta yrityksiltä tasapainottelua datankeruun ja yksityisyyden kanssa, joidenka toiminta perustuu keräämään älyttömästi tietoa asiakkaistaan. Kaikki läpinäkyvyys, avoimuus ja vastuullisuus ovat erittäin keskeisessä osassa tietosuojaan nähden, varsinkin sen takia, että tekoäly on vielä erittäin uusi asia ihmiskunnalle ja yleisesti epätietoisuus ja epäselkeys siitä, miten asiat toimivat luovat pelkoa ihmisille. (Kolari & Kallio, 2023)

Tekoäly ei pysty tarkastelemaan omaa päätöksentekoa samalla tavoin kuin ihminen pystyy. Koska tekoäly perustuu historiallisiin tietoihin, on sen helppoa tuottaa syrjiviä, epätasa-arvoisia ja ennakkoluuloisia päätelmiä. Onkin siis yrityksen vastuulla valvoa ja estää ettei tekoäly pahenna yhteiskuntamme epäkohtia. Vastuullisuudessa täytyykin olla siis erittäin tarkkana ja tekoälyjärjestelmä täytyy rakentaa valikoidun datan avulla. Tekoälyn päätökset täytyvät olla selitettävissä. (Kolari & Kallio, 2023)

Tietojen turvallisuus on tärkeä tietosuojaan liittyvä näkökulma. Tekoälyn käyttö lisää tietoturvariskejä, koska suuri määrä dataa on alttiina mahdollisille hyökkäyksille ja väärinkäytöksille. Yritysten on vahvistettava tietojen turvallisuus ja kehitettävä strategioita tietomurtojen estämiseksi ja asiakkaiden tietojen suojelemiseksi. (Kolari & Kallio, 2023)

Kysymys ChatGPT:lle:

• Oletko tietoturvariski?
• Vastaus: “Minä, GPT-3.5-pohjainen tekoäly, en ole itsessäni tietoturvariski. Olen suunniteltu ja toteutettu siten, että tietoni ovat suojattuja ja käytettävissä vain ohjeidensa mukaisesti. Tietoturvariskit liittyvät usein siihen, miten ja missä tällaisia tekoälyjä käytetään. Tietoturvaongelmat voivat ilmetä, jos tekoälyä käytetään väärin, tietoja ei suojata asianmukaisesti tai jos se altistetaan hyökkäyksille. Siksi on tärkeää käyttää tekoälyä vastuullisesti ja ottaa huomioon tietoturvanäkökohdat sen käytössä.”

Tekoälyn laajamittainen käyttö vaikuttaa merkittävästi työvoimaan ja työmarkkinoihin. Yksi vaikutus on rutiininomaisten töiden automatisointi, joka voi johtaa matalan taitotason omaavien työpaikkojen vähenemiseen. Kolari ja Kallio arvioivat, että ihmisen tehtävänä on tulevaisuudessa johtaa, ohjata kokonaiskuvaa ja suorittaa vaikeita työtehtäviä. Puheohjauksesta tulee näppäimistön sijaan isoin työväline, joka taas tuo turvallisuusriskejä helppokäyttöisyyden osalta. Toisaalta tekoäly voi myös luoda uusia työmahdollisuuksia, kuten tekoälyn kehittäjille ja ylläpitäjille. Ihmiset tarvitsevat edelleen taitoja, jotka täydentävät tekoälyä, kuten luovuus, empatia ja ongelmanratkaisukyky. (Kolari & Kallio, 2023)

Tulevaisuuden näkymät

Tekoälyn rooli yritysmaailmassa laajenee jatkuvasti, ja sen kehityksen suunta näyttää erittäin lupaavalta. Tekoäly tulee todennäköisesti vaikuttamaan yritysten toimintaan monilla tavoilla esimerkiksi liiketoimintaprosessien tehostamisella, joka taas johtaa merkittävään tehokkuuden kasvuun ja kustannusten alenemiseen. Chattibotit, virtuaaliassistentit ja personoidut suositukset ovat esimerkkejä siitä, miten tekoäly voi parantaa vuorovaikutusta asiakkaiden kanssa. Tekoäly tulee helpottamaan myös ihmisten arkea esimerkiksi robotti-imurit ja ChatGPT, jotka avustavat niin fyysisesti kuin päätöksenteollisesti. Koska tekoäly pystyy käsittelemään massiivisia tietomääriä nopeasti ja tarjoamaan analyysejä, jotka auttavat yrityksiä tekemään perusteltuja päätöksiä nopeammin. (Kolari & Kallio, 2023)

Tulevaisuudessa tekoäly avaa myös uusia liiketoimintamahdollisuuksia. Yhä useammat yritykset alkavat hyödyntää tekoälyä tuotteissaan ja palveluissaan. Älykkäät laitteet, tekoälypohjaiset sovellukset ja automaatio ovat kasvavia trendejä, jotka avaavat oven uusille markkinoille ja mahdollisuuksille. (Kolari & Kallio, 2023)

Vaikka tekoälyn tulevaisuudennäkymät ovat lupaavia, niihin liittyy myös haasteita. Eettiset kysymykset, kuten syrjinnän riski ja yksityisyydensuoja, vaativat huolellista harkintaa ja sääntelyä. Tekoälyn laajempi käyttö voi muuttaa työvoiman tarpeita ja aiheuttaa muutoksia työpaikoissa, joten uudelleenkoulutus ja sopeutuminen ovat tärkeitä näkökulmia. Tekninen haastavuus, tekoälyn säätely ja tietoturva tuovat tulevaisuudessa haasteita. (Kolari & Kallio, 2023)

Jos tekoälyä käytetään vastuullisesti harkiten, hyödyntäen ja auttaen ihmisiä, on sillä suuri potentiaali tulevaisuudessa. Kuitenkin on sanomattakin selvää, että yhteiskuntaan mahtuu myös ilkeyttä ja pahaa ja ihmiset pystyvät myös hyödyntämään tekoälyä rikolliseen toimintaan, se kuinka laajasti tämä on mahdollista, on vielä epäselvää. (Kolari & Kallio, 2023) (Koponen, 2023)

Pohdintaa tekoälystä

Tekoäly on todella mielenkiintoinen ja puhuttu aihe tällä hetkellä. Se herättää myös paljon kysymyksiä ja ajatuksia siitä, miten se tulee tulevaisuudessa vaikuttamaan meihin niin arjessa kuin työmaailmassa. Koneet kehittyvät hurjaa vauhtia ja alkavat olemaan koko ajan näkyvämpänä, jopa ihmisten kanssa vuorovaikutuksessa. On myös hyvä pohtia eettisiä kysymyksiä ja varmistaa, että tekoälyä käytetään oikealla tavalla. Tekoälyllä voi olla mahdollisesti potentiaalisia haittoja yhteiskunnalle, jos sitä ei kehitetä eettisesti ja vastuullisesti. Hurmoksen yhteisessä työskentelyssä ja palautteenannossa voitaisiin hyödyntää tekoälyä keräämällä dataa palavereista esimerkiksi, kuinka kauan aikaa käytettiin tietystä aiheesta puhumiseen, miten ehdotuksiin reagoitiin; oliko negatiivinen vai positiivinen vastaanotto tai kuinka paljon eri tiimiläiset olivat palaverin aikana äänessä.

Olisi myös mielenkiintoista testata tekoälyn hyödyntämistä pajatilanteissa. Tämä voisi olla apuna valmentajalle, kun laite kerää paikallaolijat, analysoi pajan rakenteen ja vetäjän suorituksen, jokaisen osallistumispanoksen ja dialogin kulun. Olisi hauska myös seurata, minkälaisia ylimääräisiä ”virheellisiä” päätöksiä tekoäly poimii pajan aikana. Olisiko tästä enemmän hyötyä kuin haittaa? Näihin tilanteisiin kuuluu paljon ihmisten vuorovaikutuksen ymmärtämistä, tilannetajua sekä erilaisia näkökulmia ja asiayhteyksiä. Nämä ovat niitä tekoälyn heikkouksia, johon se ei millään kykene ilman erikseen siihen tarkoitettua ohjelmointia.

Tässä esseessä on käytetty seuraavia lähteitä:

Toivonen, H. 2023. Mitä tekoäly on? 100 kysymystä ja vastausta. Bookbeat. Vaatii käyttöoikeuden. Viitattu 22.10.2023.

https://www.bookbeat.fi/kirja/mita-tekoaly-on-1156384?gad_source=1&gclid=CjwKCAjwkNOpBhBEEiwAb3MvvUH7na_rkD1Zhsu_8y6OBCybBaoUQ8waKDWF7gMfiOg5BuoUbLKApxoCm1MQAvD_BwE

Salo, A. n.d. Mikä on yrityksen oma data (1st party data). Verkkosivut. Viitattu 22.10.2023. https://www.avidlyagency.com/fi/blogit/mita-on-yrityksen-oma-data

Jääskeläinen, A. 2019. Mitä tapahtuu huomenna, kun tekoäly poistaa järjettömyydet? Bookbeat. Vaatii käyttöoikeuden. Viitattu 23.10.2023. https://www.bookbeat.fi/kirja/mita-tapahtuu-huomenna-kun-tekoaly-poistaa-jarjettomyydet-110035

Matskevich, D. 2018. Preparing Your Business For The Artificial Intelligence Revolution. Talouslehti Forbes 12.6.2018. Viitattu 22.10.2023. Verkkosivu.

https://www.forbes.com/sites/forbestechcouncil/2018/07/12/preparing-your-business-for-the-artificial-intelligence-revolution/#1bf006b67ac8

Kolari. J, Kallio. A,. 2023. Tekoäly 123 : matkaopas tulevaisuuteen. Jyväskylä: Docendo. Verkkokirja. Viitattu 30.10.2023. Vaatii käyttöoikeuden.

ChatGPT-3,5. https://chat.openai.com/ . Verkkosivu. Viitattu 30.10.2023.

Koponen, J. 2023. Johdatus tekoälyyn.COnonstop 4_ETA0120-3004. Savonia-AMK. Verkkokurssi. Viitattu 30.10.2023. Vaatii käyttöoikeuden.

OpenAl 2023. https://chat.openai.com/ Verkkosivu. Viitattu 25.11.2023.