Koneoppimisen perusteet johtajalle

1. Tekoäly ei ole uusi juttu

Tekoälyn teoriat luotiin 80-luvun loppuun mennessä. Niitä ei vain voitu käyttää: myllyissä ei ollut tarpeeksi vääntövoimaa. Nyt on. Ja se on suhteellisen halpaa.

Graphic 1: Google trends: Machine Learning 2004-2019

2. Koneellisesti opetetun neuroverkkoihin perustuvan tekoälyn logiikkaa ei voi ymmärtää.

Suurella tietomäärällä opetetut ja testatut ja osittain neuroverkkoihin perustuvat analyysimallit eivät koskaan ole täydellisiä, eikä niiden sisään voi nähdä. Jostain syystä ne vain tuottavat tarpeeksi oikeita tuloksia. Tilastotieteeseen perustuvat mallit (esimerkiksi regressioanalyysi ja päätöspuut) pystytään selittämään ja tuloksia voidaan validoida ja tuloksen sisään nähdä.

Graphic 2: Koneoppimisen periaatteet (esimerkki prediktiivinen markkinointi)

3. Tekoäly ratkaisee monta ongelmaa paremmin kuin ihminen

Tekoälyn suurin hyöty on siinä, että se ei arvoita korrelaatioita, kuten ihminen. Se kykenee löytämään hyvinkin ennalta arvaamattomia yhteyksiä asioiden välillä. Tekoäly tekee asioita, joita ei kannata tai pysty tekemään ihmisvoimin.

Tulokseen vaikuttaa myös datamassojen moniulotteisuus ja dataa muokkaavan ihmisen pätevyys. Analyytikon pitää ymmärtää paitsi data ja algoritmit, myös liiketoimintaongelma. Tämän lisäksi analyytikon pitää olla mahdollisimman puolueeton. Datan pitää antaa tehdä sen työ. Analyytikko on vain mahdollistaja, ei tulkitsija. Muuten lopputulos on taidetta eikä tiedettä.

Hyvin toimivat tekoälyratkaisut ovat usein myös hyvin tylsiä: niistä ei synny myyviä otsikoita. Mutta varma fakta on se, että koneoppimiseen perustuvat järjestelmät tehostavat yksittäisiä liiketoimintaprosesseja. Ja paljon!

4. Tekoäly ei ratkaise kaikkia ongelmia - ainakaan toistaiseksi

Tällä hetkellä puhutaan paljon universaalista tekoälystä, joka kykenisi ratkaisemaan monia ongelmia. En halua tuottaa pettymystä, mutta ns. laajaan tekoälyyn on vielä jonkun verran matkaa. Kapeat koneoppimisen sovellukset tulee määritellä ja rajata mahdollisimman tarkasti. Muuten lopputuloksella on vähän arvoa.

5. Yleisten “horisontaalien” ongelmien ratkaisemiseen vaadittavaa tekoälyratkaisua ei voi kehittää itse

Koneoppimiseen perustuvat tekoälysovellukset voi jakaa kolmeen koriin. Tämä jako on tärkeä ymmärtää, sillä jokainen näistä vaatii erilaisen toteuttamistavan.

• Yleiset, universaalit, tekoälysovellusalueet. Näitä ovat näkemiseen, kuulemiseen, ajamiseen liittyvät sovellusalueet. Niiden kehittäminen on erittäin aikaa vievää ja kallista. Nämä tulee kehittämään taho, jolla on jatkuva ja suuri jatkuva asiaan liittyvä datavirta ja suuri määrä huippuasiantuntijoita ja laskentavoimaa. Toisin sanoen tämä on Googlen, Microsoftin, Amazonin ja muutaman muun toimijan heiniä. Näitä ei missään tapauksessa kannata tehdä itse mutta näitä kannattaa hyödyntää APIen kautta. Esimerkiksi voice to text palvelun saa Googlelta erittäin edullisesti ja Amazon Sagemakerin palvelut ovat lähes ilmaisia (ainakin pienehköillä datamäärillä - siis Suomessa).
  
  
• Toimialakohtaiset horisontaalit sovellukset, jotka vaativat toimiakseen suuren määrän opetusmateriaalia. Näitä ovat esimerkiksi semanttinen tekstinymmärrys, jota käytetään mm. lääketieteen ongelmien, kuten diagnosoinnin, ratkaisemiseen. Nämä palvelut voi ostaa esimerkiksi IBM:ltä (Watson). Nämä palvelut ovat usein hinnakkaita, koska niiden kehittäminen on kallista ja niiden tuottamat tulokset ovat liiketaloudellisesti arvokkaita. Tämän vuoksi näitä ehkä kannattaa tehdä itse. Päätös riippuu oppimateriaalin määrästä ja organisaation DNA:sta. Esimerkiksi tekstianalyysin tekemiseen löytyy useita kirjastoja, kuten https://github.com/chartbeat-labs/textacy ja Google NLP http://cloud.google.com/natural-language.
  
  
• Organisaatiokohtaisen liiketoimintaongelman ratkaisemiseen kehitetyt sovellukset, jotka vaativat toimiakseen oman mukautetun koulutusdatan. Näitä ovat prosessien optimointi ja monista eri järjestelmistä kerätyn datan mallintaminen ja analysointi. Näistä lisää kohdassa 6.

6. Liiketoimintakohtaiset tekoälyratkaisut toimivat, kunhan dataa on paljon, data on valmisteltu mallin tarpeisiin, ja analyysimalli on optimoitu datan avulla. 

Yksityiset, omaan tarpeeseen kehitetyt tekoälysovellukset voi toteuttaa viidellä eri tavalla:

• Kehitä itse käyttämällä avoimen lähdekoodin tai kolmannen osapuolen R- yms. kirjastoja (https://www.tensorflow.org/). Täysin itse kehittäminen voi olla optio, mutta varmista, että talon sisällä on koneoppimiseen erikoistuneita asiantuntijoita. Ei riitä, että on ohjelmoijia ja tilastotieteilijöitä vaikka heitäkin projektiin tarvitaan. Koneoppiminen on oma tieteenalansa.
  
  
• Osta valmis analyysityökalu kuten RapidMiner. Tämäntyyppisiä työkaluja voi käyttää lähes kuka vaan. Niiden käyttäminen ei vaadi ohjelmointia ja R yms. ymmärrystä. Mutta tulosten oikeellisuus on todennäköisesti huonompi kuin analyysimallissa, joka on varta vasten optimoitu ratkaisemaan tiettyä liiketoimintahaastetta.
  
  
• Lisensoi kolmannen osapuolen vertikaalikohtaiseen ongelmaan luotu ratkaisu. Esimerkiksi prediktiivisessämarkkinoinnin analytiikassa on omat palvelutoimittajansa, kuten 6Sense, Lattice, BrightTarget ja Cyance.
  
  
• Osta tekoälytoiminnallisuus osana markkinoinnin automaatioalustaa. Moni ohjelmistoalustojen toimittaja on kehittämässä omaa tekoälyään (esim. SalesForce Einstein). Näissä on kuitenkin muutama ongelma: malleja ei voi modifioida ja malleihin ei voi tuoda muuta dataa, koska mallin on käytettävä kaikilla asiakkailla samoja tietokenttiä. Tämä johtaa todennäköisesti virheellisempiin analyysituloksiin, kuin alustojen ulkopuolella tehty analyysi.
  
  
• Osta koneoppimismallin kehittäminen ja pyörittäminen palveluna tekoälyyn ja syväoppimiseen perehtyneeltä konsultti- ja ohjelmistotalolta.

7. Koneoppimisen suurin voima syntyy, kun se yhdistetään automatisointiin

Ihmiskunnan suurin muutos viimeisen viidensadan vuoden aikana on ollut teknologian kehittyminen. Suuri muutos työpaikolla on syntynyt teknologian käyttämisestä automaatioon.

Graphic 3. Koneoppimisen yhdistäminen automaatioon

Automaatio parantaa tehokkuutta kerta-askeleena. Automaation yhdistäminen koneoppimiseen tekee tehokkuuden kasvamisesta jatkuvaa.

Datalla johdettu liiketoiminta vaatii muutoksia organisaatioon ja tekemiseen: analytiikka pitää integroida osaksi prosesseja, datan hyödyntämisen pitää olla kokonaisvaltaista ja käytössä ylhäältä alas asti. Muuten yksittäisten koneoppimisalgoritmien vaikuttavuus jää marginaaliseksi.

8. Koneoppiminen on niin tehokasta, että sitä tullaan myös käyttämään juridisesti harmailla alueilla.

Syväoppinut kone seuraa sille opetettua logiikkaa. Jos se lukee sata tuhatta blogia siitä, että rokotukset ovat vaarallisia, se vastustaa rokotuksia. Sillä ei ole etiikkaa tai moraalia. Se seuraa vankkumattomasti opetusmateriaalin sisältöä ja arvoja.

Jos käytät tekoälyä ongelman ratkaisemiseen niin varmista, että olet vankalla juridisella pohjalla. Jos hylkäät työhakemuksen tekoälyn tekemän suosituksen pohjalta ja hakija haastaa sinut oikeuteen, niin mitä ja kuka vastaa syytteeseen? Tekoälyn logiikkaa ei voi perustella oikeudessa. Ja GDPR tulee todennäköisesti hankaloittamaan tekoälyn käyttöä markkinoinnissa.

Tekoälyn hyödyt tulevat olemaan niin suuria, että yritykset tulevat keksimään tapoja kiertää tämänkaltaiset ongelmat. Toisin sanoen, kilpailijasi tulevat käyttämään koneoppimista liiketoiminnassaan. Mutta riskit on hyvä tiedostaa.

9. Koneoppiminen tulee sinunkin toimialallesi

Tekoäly ymmärtää mitä on kuvissa, maalaa tauluja opetetun tyylin mukaan, kuulee ja säveltää musiikkia, pelaa (ja bluffaa), kääntää tekstiä, muuttaa äänen tekstiksi. Koneoppiminen myös optimoi teollisuuden prosesseja, lyhentää sairaaloiden läpimenoaikaa, ennustaa liikevaihtoa ja arvioi antolainauksen riskejä.

Tekoäly tulee tehostamaan monenlaista toimintaa. Ei kannata panna päätä pensaaseen ja sanoa, että ei se meitä koske. Kyllä se koskee tai ainakin tulee koskemaan.

------

Matti Airas is an expert in customer feedback management, marketing automation, predictive marketing analytics, and how to use data and machine learning to automatically trigger customer interactions. Before joining Tieto, Matti worked for a customer feedback analysis company Etuma and before that Nokia in the U.S.

Tutustu Marketing Science -palveluihimme ja lataa "How to Design a System of Customer Insight and Engagement?" -raporttimme.