Nyt puhutaan tekoälyn kolmannesta aallosta. Mutta vieläkään ei ole kysymys ihmisen kaltaisesta älykkyydestä, vaan tilastotieteistä ”steroideilla”.
Tekoälyn kolmas aalto on ennustamista, jonka avulla yrityksillä on mahdollisuus ymmärtää omaa lähitulevaisuuttaan, liiketoimintaansa paremmin. Tekoälyn sijaan nykyaallosta tulisikin puhua ennemmin yritysten nykyisinä ennustemenetelminä, yleisemmin tilastotieteistä ”steroideilla”. Toisaalta tekoälyn laajemman kehityksen kannalta ennustaminen on tekoälyyn liitetty kriittinen osa-alue tai välivaihe. Perustelu väitteelleni on seuraava: nykyinen keskustelu tekoälystä korostaa erilaisia ennustavia tekniikoita, joita ovat muun muassa luokittelu, klusterointi, regressio, päätöspuu, bayeslaiset menetelmät, neuroverkot, topologinen data-analyysi, syväoppiminen ja vahvistusoppiminen.
Teknologioiden halpuuttaminen
Aikaisemmissa digitalisaatioon liitetyissä teknologisissa murroksissa on ollut olennaista, että uusi teknologia on tehnyt aikaisemmin kalliista teknologioista halpoja. Esimerkiksi internetin nousun mahdollistivat edullisemmat jakelun, viestinnän ja hakujen kustannukset. Tekoäly ja sen erilaiset nykytekniikat ovat tekemässä ennustamisesta edullista ja jokapäiväistä. Kun tekoälyn hyödyntämisestä ja ennustamisesta tulee yrityksille edullista, alamme nähdä niiden hyödyntämistä yritysten liiketoiminnassa laajemmin. Lisäksi edullisemmat tekniikat mahdollistavat sen soveltamisen uusissa kohteissa.
Tekoälyn raaka-aine ja lopputulos on ”dataa”
Yksinkertaisesti ajateltuna tekoälyn raaka-aine on yrityksen hallussa olevaa dataa, josta tekoälyä hyödyntäen tuotetaan uutta dataa, jota sinulla ei vielä ole. Mitä enemmän ja laadukkaampaa dataa yrityksellä on, sitä parempia ennusteita yritys voi tehdä. Toisaalta parempi data ja ennustaminen voivat johtaa tilanteeseen heikommasta yksityisyydestä. Datan määrän kasvu, ennustaminen ja uusi data helpottavat ennen kaikkea yrityksen päätöksentekoa vähentämällä päätöksenteon epävarmuutta. Huomioitava onkin, että vasta tehdyt päätökset ja käyttö uuden datan pohjalta määrittelevät datan kaupallisen arvon.
Liiketoiminnallisista ongelmista ennusteongelmiksi
Mitkä ovat ne liiketoiminnalliset ongelmat, joita yritys voi muuttaa ennusteongelmiksi? Jos osaat vastata edelliseen kysymykseen, niin sinulla on todennäköisesti käsillä tekoälyn soveltamisen käyttökohde.
Aikaisemmat itsenäiset ajoneuvot eivät voineet toimia ennaltaehkäisevän, valvotun ympäristön ulkopuolella – kunnes insinöörit uudistivat ajatteluaan ja alkoivat ajatella kulkuneuvon liikkumista eli navigointia ennakointiongelmana. Sen sijaan, että kerrottiin ja ohjelmoitiin koneelle, mitä sen tulee tehdä kaikissa oloissa, insinöörit ymmärsivät, että he voivat keskittyä vain yhteen ennusteongelmaan eli kysymykseen ”Mitä ihminen tekisi?”.
Lyhyenä yhteenvetona: tekoälyn nykykehitys mahdollistuu laadukkaalla datalla, jonka avulla voidaan luoda parempia ja tarkempia ennusteita. Huomioitava on, että tässä vaiheessa emme vielä tiedä miten tekoälyn kolmas aalto edistää koneiden älykkyyden laajempaa kehitystä.
Timo Seppälä
Aalto-yliopiston työelämäprofessori
Elinkeinoelämän tutkimuslaitoksen Etlan johtava tutkija
Kirjoittajan inspiraation lähteenä tähän kolumniin on ollut Ajay Agrawalin, Joshua Gansin ja Avi Goldfarbin kirja Prediction Machines: The Simple Economics of Artificial Intelligence.
Lisää tekoälystä: Ailisto Heikki (toim.), Heikkilä Eetu, Helaakoski Heli, Neuvonen Anssi & Seppälä Timo (2018), Tekoälyn kokonaiskuva ja osaamiskartoitus
Artikkeli on julkaistu Suomen tuotannonohjaus ry:n STO:n lehdessä 3/2018. Timo Seppälä kävi puhumassa digitalisaatiosta ja tekoälystä Tampereen kauppakamarin teollisuusvaliokunnan kokouksessa syyskuun alussa.