5.9.2018
Pian on kaksi vuotta kulunut tämän artikkelin kirjoittamisesta. Vaikka tuolloin oli jo kaikki merkit ilmassa, niin eipä olisi arvannut millaisiin mittasuhteisiin tekoälyasiat nousevat. Ennustaminen on vaikeaa. Kahden vuoden aikana on tapahtunut paljon edistystä, mutta edelleen ollaan pitkän tien alussa. Selvää vain on, että kelkasta poisjäänti ei ole vaihtoehto.
Tekoälystä on kirjoitettu viime aikoina todella paljon. Oikeastaan ei mene päivääkään ilman uutta tekoälyuutista. Kuulemma Slushissakin sijoittajien mielenkiinto kohdistui erityisesti tälle osa-alueelle. Erilaisia hypejä tulee ja menee, mutta tällä kertaa uskon, että kyse on enemmästä. Asiasta joka muuttaa maailmaa vielä radikaalisti. Vaikka kehitystyö on kestänyt vuosikymmeniä, niin mielestäni ollaan edelleen alkutekijöissä – samassa tilanteessa kuin autoteollisuus oli 1900-luvun alkupuolella, kun ensimmäiset autot saapuivat kuluttajien iloksi.
Kannattaa myös huomata, että kehitys ei mene lineaarisesti. Tähän pisteeseen pääsy ehkä vei 60 vuotta, mutta lähivuosina kehitystä voi tapahtua enemmän kuin edellisenä 60 vuotena yhteensä.
Tässä blogissa tekoäly terminä kattaa erilaiset algoritmipohjaiset Machine Learningiin perustuvat ja automatisoidut ratkaisut. Niiden pohjaltahan nykyiset tekoälyt toimivat. Käytän myös termiä AI välillä tekoälyn sijasta, joten koettakaa pysyä mukana.
Miksi juuri nyt?
Ei ole sattumaa, että AI-ratkaisujen ja niiden uutisoinnin määrä on kasvanut reipasta tahtia. Ala on mennyt viime vuosina eteenpäin vauhdilla, jonka on mahdollistanut mm. seuraavat tekijät.
Big Data (pilvi) – oppiakseen algoritmit tarvitsevat dataa, jota on enemmän saatavilla kuin koskaan aiemmin. Aikanaan alan tutkijat joutuivat itse simuloimaan keinotekoista dataa, koska oikeaa ei ollut saatavilla. Olikohan niin, että vuonna 1980 gigan tallentaminen maksoin noin miljoonan? Ja vaikka dataa olisi ollut generoinut tai muuten saanut tuon gigan, niin mikään tietokone ei todennäköisesti olisi jaksanut pyörittää sitä riittävän tehokkaasti.
Laskentakapasiteetin kasvu (pilvi). Käytännössä AI-ratkaisujen ytimessä ovat erilaiset neuroverkot, joiden opettaminen vaatii merkittävää laskentakapasiteettia. Ei tarvita kummoistakaan ongelmaa ja big dataa, kun neuroverkon pyörittäminen tulee tehokkaallakin läppärillä mahdottomaksi.
Algoritmien ja niiden soveltamisen kehittyminen. Erityisesti Deep Learningiin perustuvat ratkaisut ovat tuoneet isoja harppauksia tekoälyn kehityksessä. Esimerkiksi seuraavissa kohteissa.
- Kokeilepa Google haun puheentunnistusta, jonka AI-algoritmi vaihdettiin viime vuonna. Sen tarkkuus on aika uskomaton. Tuttuni sanoi, että se saa selvää 4 vuotiaankin puheesta. Eli rattiin ei ole asiaa, jos Google ei ymmärrä puhettasi.
- Kuvien tunnistus on ottanut isoja harppauksia ja pari viikkoa sitten oli uutinen, että tekoäly lukee paremmin huulilta kuin ihminen. Kannattaa peittää se web-kamera, koska tekoäly lukee myös kasvojen ilmeitä. Tiedä vaikka tulevaisuudessa läppäri toimisi henkilökohtaisena psykologina. ”PC: Mikäs se nyt Mikaa harmittaa näin aamusta?” ”M: Ei mikään..” – ”PC: Nyt et taida nyt puhua ihan totta..”.
- Kielenkääntäminen. Youtubesta löytyy videoita, joissa tekoäly kääntää lennosta esim. englanninkielistä seminaaria kiinaksi. Viivettä ehkä sekunnin verran. Tekeekö tämä vieraiden kielien opiskelusta jatkossa vain ahkerien huvia? Odotan tästä ratkaisua pakkoruotsin osalta.
- Vielä parisen vuotta sitten AI-asiantuntijoiden käsitys oli, että GO-shakissa tekoäly voi voittaa parhaan ihmisen noin 10 vuoden kuluessa (normishakissa tämä tapahtui 1996). Kävi kuitenkin niin, että AlphaGo teki temput ja voitti parhaan ihmispelaajan alkuvuodesta 2016. Taustalla oleva tiimi oli tehnyt uskomatonta työtä yhdistellessään innovatiivisesti eri AI-metodeja taustalla.
- Uutisten mukaan IBM-Watson päätyy 99%:sesti samoihin diagnooseihin kuin syöpälääkärit, mutta on löytänyt 30%:ia enemmän hoitovaihtoehtoja. Eikä niitä syötä kukaan Watsonille manuaalisesti. Se lukee kaiken alalla kirjoitetun materiaalin (julkaisut, tutkimustulokset, jne), jonka kehittäjät päättävät sille antavat. Sieltä se sitten poimii asiat ja pysyy ajan tasalla. Tri Housella on vakava kilpailija.
Kehitys on siis nopeaa ja AI-ratkaisut tulevat yhä useammalle alueelle. Usein emme kuitenkaan huomaa niitä, koska ne ovat ‘verhottuna’ ohjelmistojen ja palveluiden sisään. Ne ovat siis lähes näkymättömiä käyttäjille.
AI-ratkaisujen liiketoimintamallit?
Erityisesti meitä datan ja algoritmien kanssa puuhailevia kiinnostaa, että millaisia liiketoimintamalleja tekoäly tuo mukanaan. Tuleeko jostakin kaiken kattava yleinen tekoäly, joka osaa ratkaista lähes kaikki haasteet vai onko meillä miljoonia pieniä tekoälyjä, jotka hallitsevat jonkin kapean osa-alueen?
Itse uskon, että vastaus molempiin on kyllä, mutta aikaperspektiivit ovat erilaiset.
Ainakin seuraavat 10 vuotta tullaan kehittämään suppeita (narrow) tekoälyjä, jotka ratkovat jonkin spesifin osa-alueen haasteita (esim. optimoivat reittejä, ennustavat vikaantumista, kohdentavat mainontaa).
Yleisen tekoälyn (ratkoo mitä vaan haasteita) kehittämiseen tarvitaan resursseja, joita todennäköisesti löytyy lähinnä jättiyrityksiltä, kuten Googlelta, Microsoftilta, IBM:ltä tai Applelta. Ehkäpä nämä jätit poimivat parhaat palat noista suppeista tekoälyistä ja liittävät ne omiin kehitysprojekteihinsa. Aikataulu yleisen tekoälyn kehittymisen osalta voi olla pitkä, esim. kymmeniä vuosia. Sitä ei varmaan kukaan pysty arvioimaan tarkasti.
Liiketoimintamallien osalta on ainakin kolme päävaihtoehtoa (ml. asiakas ja AI-ratkaisun toimittaja).
- Yritys hankkii oman tiimin tälle osa-alueelle ja sitoutuu pitkäaikaiseen kehitykseen. Tämä sopii hyvin isoille yrityksille, joiden liiketoiminnan kannalta datan hyödyntäminen on kriittistä. Tällaisia yrityksiä ovat esimerkiksi teleoperaattorit, rahoituslaitokset ja vakuutusyhtiöt. Tässä mallissa AI-ratkaisujen ulkoisella toimittajalla voi olla lähinnä konsultatiivinen rooli tai softan myynti.
- AI-ratkaisujen räätälöity ostaminen toimittajalta. Tämä on ehkä tyypillisin skenaario. Asiakkaalla on ongelma X, johon toimittaja tarjoaa ratkaisua. Yleensä tämä tehdään projektina ja asiakkaan omistamaan ympäristöön. AI-ratkaisujen toimittajalle tämä tarkoittaa räätälöityjä projekteja.
- AI-ratkaisun hankinta palveluna (pilvestä). Suomessa tällä osa-alueella on vielä varsin vähän tarjontaa, mutta maailmalta löytyy hyviä esimerkkejä. Itse näkisin niin, että (Microsoftia lainaten) tämä todella demokratisoi tekoälyn, eli tuo sen kaikkien ulottuville. AI-ratkaisujen toimittajan täytyy tässä vaihtoehdossa tuotteistaa palvelut pitkälle, koska projekteja ei voi täysin räätälöidä. Myös ansaintamalli poikkeaa räätälöidyistä projekteista.
Jokaisella vaihtoehdolla on omat plussat ja miinukset, mutta yksi asia on kuitenkin varmaa – aloittamatta ja tekemättä ei mikään valmistu, eli kannattaa selvittää AI:n potentiaaliset hyödyt.
Eräs pointti AI:n hyödyntämisestä
Usein yritykset lähtevät etsimään (AI) business caseja, joissa isot kertatuotot olisivat mahdollisia (~ miljoona lisämyyntiä). Joskus sellaisiakin löytyy, mutta ei aina. Tämä taas saattaa lannistaa ja luovutetaan jo ennen lähtölaukausta.
Edellä mainittu lähestymistapa ei kuitenkaan ole ainoa. Vaihtoehtoisesti voidaan etsiä pieniä ja maltillisia (AI) business caseja ratkaistavaksi, jotka kuitenkin tehostavat toimintaa. Esimerkiksi siirtäen manuaalisia työvaiheita AI-ratkaisun tehtäväksi.
Jälkimmäisessä lähestymistavassa on tärkeää huomata, että business hyöty ei välttämättä tule siitä, että tekoäly tekisi työn ihmistä tarkemmin tai paremmin. Se kuitenkin voi tehdä työn murto-osassa siitä ajasta mikä kuluu ihmiseltä. Kaksi esimerkkiä.
- Talouspäällikkö laskee tuotealuekohtaisia budjetteja ensi vuodelle ottaen raportointijärjestelmästä viime vuoden lukuja pohjalle. Työ kestänee tunteja. Kevyt AI-ratkaisu laskee tarkemmat ennusteet budjetin pohjaksi sekunneissa.
- Hakemuksen käsittelijältä kuluu tunti tehtävässä, josta AI-ratkaisu suoriutuu silmänräpäyksessä. Tai sitten AI voisi ohjata hakemukset suoraan oikeille käsittelijöille, vaikeat kokeneille ja helpot aloittelijoille.
Kannattaa siis miettiä, että AI-ratkaisulla oikeasti tavoittelee ja millä aikajänteellä. Nopeita pikavoittoja on mukava saada, mutta pitkäjänteinen pienien etujen kumulatiivinen kerääminen voi kuitenkin olla se paras vaihtoehto.