Tekoälyä ja vanhanaikaista osaamista, osa 1: kokonaisvaltainen lähestyminen
August 29, 2019
Jos et pidä yliyksinkertaistamisesta, niin lopeta tämän lukeminen tähän.
Keskustelu tekoälyn hyväksikäytöstä teollisuudessa on saanut jopa koomisia piirteitä. Tekoälyn oletetaan ratkovan asioita, joiden riippuvuudet ovat perinteiselle älylle täysin tuntemattomia ja joskus tuntuu siltä, että sen pitäisi jopa löytää ongelma, jota lähdetään ratkaisemaan. Todellisuudessa hyödyntäminen vaatii edelleen huomattavan määrän valmistelua ja käyttöönottokin runsaasti kaitsemista ja hellää huolenpitoa.
Tekniikkana esimerkiksi koneoppiminen on tehokas menetelmä silloin, kun mielenkiinnon kohteesta on riittävästi dataa, joka sisältää myös erilaisia toimintapisteitä. Esimerkiksi jonkun hyödykkeen hintaennusteen tekemiseen tarvitaan dataa kaikilta sellaisilta aikajaksoilta, joiden kaltaisissa tilanteissa mallin halutaan toimivan. Korkeasuhdanteen datalla ei voida opettaa mallia, joka toimisi silloin, kun taloudellinen ympäristö on heikompi. Käytettävän datasetin valinta on siis tärkeää.
Kunkin yrityksen täytyy pohtia tekoälyn kokeilemisessa ja sovellusten kehittämisessä ainakin seuraavia asioita:
- Mitkä ovat sellaisia haasteita tai ongelmia, joiden ratkaiseminen tuottaa yritykselle arvoa?
- Miltä alueilta yritys jo omistaa – tai voi järkevin kustannuksin hankkia – dataa, joka edustaa riittävällä tarkkuudella ja laajuudella kohdeilmiöitä?
- Onko käytettävissä olevalla datalla joitakin sellaisia sovelluskohteita, joiden avulla voidaan kehittää uutta liiketoimintaa?
Olisi varsin yllättävää, että vastaus kysymykseen 1. olisi jollakin tavalla uusi. Haasteet pyrkivät pysymään samoina vaikka kehitystä tapahtuisikin. Esimerkiksi yrityksessä, jossa tuotantokoneisto muodostaa suuren osan sitoutuneesta pääomasta, sen käyttöaikaa ja kapasiteettia sekä laaduntuottokykyä pyritään kehittämään jatkossakin. Tai: tuotteiden tulevan markkinatasapainon ymmärtäminen on todennäköisesti tärkeää – varsinkin jos tuotteet eivät ole selkeästi erilaisia kuin kilpailijalla. Olisikin tärkeää käydä läpi koko arvoketju, jossa yritys toimii ja kysyä yllä olevat kysymykset 1. ja 2. Tästä useimpien yritysten kannattaa aloittaa. Jos sopivia kohteita löytyy, niin voidaan edetä kokeilemaan. Siitä seuraavassa blogissani.
Arvoketjutarkastelu on sikälikin arvokasta (hah), että suurempien kokonaisuuksien kokonaishallinta on yksi niistä alueista, joilla tekoälyn arvellaan tuovan uusia mahdollisuuksia. Voisihan sitä ajatella, että esimerkiksi reklamaatioinformaation yhdistäminen asiakastyytyväisyysmittauksiin, asiakkaan maksamaan preemioon ja tuotannon laatutietoihin tuottaisi aika hyvän käsityksen siitä, miten arvo asiakkaalle syntyy. Ja arvo lisääntyy edelleen, jos saadaan jotakin merkityksellistä tietoa siitä, miten asiakas on tuotetta käyttänyt.
Kysymykseen 3 vastaaminen onkin sitten jo huomattavasti vaikeampaa. Mutta yhä useampi siihen pyrkii ja osa löytää vastauksiakin. Perinteisten työkalujen käyttö voisi toimia tässä esimerkkinä. Kukapa meistä ei olisi löytänyt uusia käyttökohteita vaikkapa ruuvitaltalle tai vasaralle.
Datan kanssa touhutessa haaste on tietysti abstraktimpi. Varhaisena esimerkkinä muistan tilanteen, jossa säätilatietoja käytettiin kysynnän suunnittelun apuna: Jos kesäviikonloppuna on aurinkoinen sää, voidaan varautua siihen, että terassilaudan menekki kasvaa. Toisaalta huonompi sää voi johtaa sisustustuotteiden lisätarpeisiin. Tai taksikuskit osaavat ajaa tyhjänäkin lentokentälle silloin, kun koneita laskeutuu paljon. Nämä siis esimerkkeinä tilanteista, joissa olemassa olevaa liiketoiminta tehostetaan marginaalisesti uuden tiedon käyttöönotolla. Tätähän tapahtuu yleisesti ja koko ajan.
”Digitalisaation” yhteydessä käydyssä keskustelussa tulevat uudet liiketoimintamahdollisuudet korostuneesti esiin. Itselleni ei ole tullut vastaan mitään menetelmää, joka tässä voittaisi inhimillisen mielikuvituksen ja sitä seuraavan rohkean kokeilun. Kuinkahan monta start-uppia tarvitaan yhden pidempiaikaisesti menestyvän liiketoiminnan syntymiseen. Onhan tätä varmasti joku tutkinut. Onhan? Arvaan, että suhde on samaa luokkaa kuin juniorijääkiekkoilijoiden ja NHL-tähtien lukumäärien välillä.
