Lyhyin mahdollinen oppimäärä.
14 elokuuta 2019
Tiedän, että tekoälystä ja koneoppimisesta on kirjoitettu paljon, mutta en löytänyt yhtään opusta, johon olisi lyhyesti kirjattu se mitä johtajan pitää ymmärtää, kun hän on tekemässä päätöksiä liittyen koneoppimisratkaisuihin. Käyn tässä myös läpi sen miksi aihe on ajankohtainen, miten koneoppimisratkaisut kannattaa toteuttaa, ja mitkä ovat asian liittyvät yleiset lainalaisuudet.
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
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)
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!
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.
Koneoppimiseen perustuvat tekoälysovellukset voi jakaa kolmeen koriin. Tämä jako on tärkeä ymmärtää, sillä jokainen näistä vaatii erilaisen toteuttamistavan.
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.
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.
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.