Dataa, tekoälyä ja hyppyjä tuntemattomaan

Kristiina Tiilas on Outokummun Digital Platforms -yksikön johtajana toimiva digitaalinen strategi. Koulutukseltaan Tiilas on fysiikan DI, joka väitteli ydinenergiatekniikan tohtoriksi, suoritti kansainvälisen MBA-tutkinnon ja sukelsi sitten datan, analytiikan ja tekoälyn pariin.

Ratkaisevan askeleensa ydinfyysikosta datapuolelle Tiilas otti aikanaan Fortumilla. “Fortumilla käynnistettiin digitalisaatioon liittyvää muutosohjelmaa, johon etsittiin vetäjää. Päädyin siihen toimeen ja siirryin samalla ydinvoimasta digitaalisten kehityskohteiden pariin. Se oli hyppy erilaiseen maailmaan”, hän kertoo.

“Maaliskuussa 2022 aloitin Outokummussa. Johdan tiimiä, joka katsoo koko datan ja analytiikan yli aina integraatiosta alkaen. Eli fokuksessa on laajasti datan tuonti saataville datavarastoihin sekä sen hyödyntäminen raporteissa ja tekoälyyn liittyvässä kehittyneemmässä analytiikassa.”

Tekoäly oppii ennustamaan, tunnistamaan ja ymmärtämään dataa

Tekoäly on sanana tuttu kaikille, mutta sen tarkka määrittely voi olla monelle hankalaa. Sen mahdollistamat toiminnot ovat kuitenkin jo kaikkialla ympärillämme. Lähes jokaisen kännykästä löytyy kasvontunnistus tai sormenjälkitunnistus, ja olemme tottuneet somepalveluihin, jotka tekevät meille ehdotuksia aiemman käyttäytymisemme pohjalta.

Tiilas selventää, että tekoäly on määritelmällisesti tietty tietotekniikan laji, jossa ennustetaan olemassa olevan ja historiadatan perusteella tulevaa.

“Tämä voi tapahtua aikasarjadatan perusteella, kuten sään ennustamisessa tietyistä elementeistä. Tai sitten kuvantunnistuksena: opetetaan historiadatan perusteella mallia tunnistamaan vaikkapa kissalle tunnusomaiset piirteet.”

“Kolmas tyypillinen esimerkki on kielentunnistus, jossa opetetaan tekoälylle pelkkien tiettyjen sanojen sijaan kokonaisia lauseita. Kerrotaan siis sama asia useilla eri tavoilla, jolloin mallille syntyy ymmärrys siitä, että esimerkiksi “onpa kaunis päivä” tai “aurinko paistaa ihanasti” tarkoittavat itseasiassa samaa asiaa”, selittää Tiilas.

Hankalimpana haasteena tarvittavan datan määrä

Yleisesti ottaen tekoäly jakautuu yksinkertaisempaan, sääntöihin perustuvaan mallintamiseen sekä paljon laajempaan ja käytetympään machine learning -alueeseen, joka puolestaan koostuu lukuisista erilaisista työkaluista ja menetelmistä.

“Niitä ovat esimerkiksi neuroverkot tai deep learning, joka on juuri esimerkiksi tätä tyypillistä kuvien tai kielen tunnistamista. Siinä verkkorakenteeseen syötetään paljon tietoa, jonka pohjalta verkko oppii ennustamaan kuvassa esiintyvän kohteen. Neuroverkossa haasteena on se, ettemme voi palata päättelyketjua taaksepäin ja nähdä tarkkaan, missä kohtaa ratkaiseva päätelmä tehtiin”, kertoo Tiilas.

Yleensä tekoälymallit ja ennusteet vaativat runsaasti dataa. Tarvittavan datan suuri määrä onkin usein tekoälyn yhteydessä se suurin haaste.

“Toinen olennainen ja aina ratkaistava asia on pohtia, tarvitaanko käsillä olevaan ongelmaan yleensäkään tekoälyä. Eli kannattaako lähteä rakentamaan tekoälymallia vai onko kyseessä suoraviivaisempi sääntöperusteinen ennustemalli.”

Työkulttuurin muutos lähtee ihmisistä

Datan tehokas hyödyntäminen ja dataohjautuva päätöksenteko on ainakin puheissa yhä useampien yritysten tavoitteena. Mutta mitkä ovat tyypillisimpiä kysymyksiä, joiden ratkaisemista dataohjautuvuuden saavuttaminen edellyttää? Tiilas nostaa ensimmäisenä esiin ihmisten asenteet ja työkulttuurin.

“Voidaan kehittää vaikka minkälaisia malleja ja työkaluja, mutta se kaikki on turhaa, elleivät ihmiset ota niitä päivittäiseen käyttöön. Tämä on yleensä se vaikein ja tärkein asia.”

Tiilas uskoo, että ihmisten motivoinnissa auttavat esimerkit, joissa uusista työmenetelmistä on saatu selkeää hyötyä sekä työntekijöille että koko organisaatiolle. Niiden kautta nähdään, miksi muutoksiin kannattaa uskaltaa ryhtyä.

Tiilas itse on osoittanut rohkeutta hypätä uusille alueille paitsi työelämässä, niin myös vapaa-ajalla aloittamalla laskuvarjohyppäämisen 11 vuotta sitten.

“Täytyy uskaltaa poistua mukavuusalueelta. Vaikka oma rooli, tehtävät ja tekemisen tapa organisaatiossa muuttuvat, täytyy olla rohkeutta kokeilla uutta.” 

IT-väki, dataosaajat ja liiketoiminnan johto yhteistä kieltä etsimässä

Pelkojen taustalla on usein epävarmuus omasta osaamisesta, mutta siihen apua tarjoaa asianmukainen koulutus ja uusiin työtapoihin perehtyminen. Se on tärkeää siksikin, etteivät tekoäly- ja ennustemallit koskaan ole täydellisiä, vaan käyttäjän on osattava tunnistaa, millä todennäköisyydellä malli ennustaa oikein ja milloin se erehtyy.

Koulutuksen lisäksi on varmistettava tarvittavan datan saatavuus, mikä on haasteellista monessa yrityksessä.

“Kaiken edellisen pohjana avainasemassa on tietysti ylimmän johdon visio ja usko datan hyödyntämisen arvoon ja potentiaaliin. On valittava bisnekselle tärkeistä asioista ne, joita voi ja kannattaa datan ja analytiikan avulla lähteä ratkomaan”, korostaa Tiilas.

Viime vuosina teknologia ja IT-osaajat sekä liiketoiminta ovat alkaneet paremmin keskustella keskenään ja lähteneet yhdistymään. ”Apuna on se, että meillä on nykyisin entistä enemmän relevanttia dataa, joka tukee aidosti päätöksentekoa. Ylhäältä tulee johdon visio ja ns. lattiatasolta konkreettisiin arjen ongelmiin liittyvät ideat – kun nämä kohtaavat, päästään eteenpäin.”

Olisi taas aika nähdä jotakin uutta ja innostavaa

Tiilas arvelee, että lähitulevaisuuden kiinnostavimmat dataan liittyvät odotukset liittyvät siihen, kuinka maailmantalouden megatrendejä ja asiakkaiden käyttäytymistä voidaan ennustaa ja ymmärtää oman liiketoiminnan näkökulmasta. Tämä kiinnostaa monia, mutta haasteena on ennusteisiin vaikuttavien muuttujien ja riippuvuussuhteiden valtava määrä. Kun kaikki vaikuttaa kaikkeen, on analysointi vaikeaa.

“Tällä hetkellä haluaisin nähdä jotain yllättäviä teknologisia avauksia. Viisi-kuusi vuotta sitten tuli samaan aikaan paljon uutta, mutta sen jälkeen kehitys on ollut enemmänkin samojen asioiden implementointia, laajennusta ja hyötyjen irti ottamista. Odotan ja yritän löytää seuraavaksi jotakin yllättävää. Tässä työssä tarvitsee sykäyksiä, jotka potkaisevat eteenpäin!”

Myös Vertex Systems hyödyntää ohjelmistossaan tekoälyä. Lue Joonas Hyvärisen blogi-kirjoituksesta, miten hänen Vertex Systems’ille tekemänä diplomityönään syntyi koneoppimiseen perustuva sovellus, jolla luokitellaan kokoonpanoehtoja CAD-mallien geometristen ominaisuuksien perusteella. 

Joonas Hyvärinen
Software developer