Tarina kesken jääneestä projektista
Aloitan lyhyellä tarinalla eräästä tietotekniikan palveluita tarjoavasta yrityksestä. He halusivat kehittää asiakkailleen helpdesk-chatbotin, joka lukisi suoraan heidän tikettijärjestelmästään ratkaisuja yleisiin IT-ongelmiin. Tekninen toteutus oli rakennettu oikeista palasista. Botti saatiin kasaan Copilot Studiolla ja kaikki näytti hyvältä.
Kun bottia testattiin tositilanteessa, tuli seinä vastaan. Vanhan tikettijärjestelmän data oli kirjoitettu vapaamuotoisesti, epäyhtenäisesti ja ilman selkeitä rakenteita. Osa ratkaisukuvauksista oli suppeita, osa täynnä sisäpiiritermejä tai jopa väärinkäsityksiä. Malli ei osannut erottaa, mikä oli olennainen ratkaisu ja mikä vain taustahälyä. Tuloksena oli botti, joka ei ollut tarpeeksi luotettava.
Projekti keskeytettiin ennen tuotantoon vientiä. Vaikka teknologia oli kunnossa, huono data vesitti koko projektin.
Liiketoimintatavoite & KPI:t “Mitä arvoa odotat 12 kuukaudessa?”
Tekoälyn ei kuulu olla irrallinen innovaatiohanke, vaan sen tehtävä on kehittää ja kasvattaa liiketoimintaa, ratkaista olemassa olevia liiketoiminnan haasteita tai löytää uutta asiakasarvoa. Onnistuneet AI-projektit lähtevät liikkeelle siitä, että ne palvelevat jo asetettuja tavoitteita eivätkä luo uusia keinotekoisia mittareita.
Jos edellisen kohdan tarinan helpdesk– -botti olisi saatu toimimaan, sen hyöty olisi voitu mitata esimerkiksi asiakaspuheluiden määrän vähenemisenä, tikettien ratkaisuaikojen pienentymisenä tai asiakaskokemuksen parantumisena. Nämä ovat vain muutamia esimerkkejä konkreettisista mittareista, jotka kertovat, että tekoäly tukee liiketoimintaa eikä vain pyöri kokeilumielessä.
Ilman selkeää yhteyttä liiketoimintatavoitteeseen tekoälyprojekti jää helposti pelkäksi tekniseksi harjoitteeksi, jolloin sen arvoa on vaikea perustella.
Data: omistus, laatu, sijainti – mitä pitää oikeasti ymmärtää
Tekoälyratkaisujen kohdalla datan omistuksella on väliä. Jos data esimerkiksi saadaan asiakasjärjestelmistä tai se sisältää esimerkiksi henkilötietoja, on tiedettävä kuka päättää miten dataa voi käyttää. Yrityksillä pitäisi olla tiedossa datan omistajuus ja käyttöoikeudet jo lähtökohtaisesti, ei vasta tekoälyprojektin käynnistyessä
Vaikka teknisesti data saataisiin helposti käyttöön se ei silti tarkoita, että sitä voidaan käyttää tekoälyjärjestelmissä.
Blogin alussa esittelemässäni esimerkissä data on käsillä, mutta laadullisesti huonoa. Vaikka data näyttää sisältävän vaaditut komponentit hyvään vastaukseen se ei ole aina koneelle ymmärrettävää. Luetettavia tuloksia haettaessa datan laatu ja rakenne on oltava kunnossa.
Vaikka connectorien ja Model Context Protocol (MCP)-palvelinten avulla voidaan dataa hakea eri järjestelmistä, sen sijainnilla on silti merkitystä. Juridisesti osa organisaatioista vaatii, että data sijaitsee EU:n sisällä tai jopa Suomessa. Tämä liittyy muun muassa GDPR:ään ja tietosuojaan, ja varmasti myös luottamukseen.
EU:n AI Act tulee velvoittamaan korkean riskin sovelluksissa dokumentoimaan ja hallitsemaan dataa asianmukaisesti. Tämä ei aina ole helppoa toteuttaa, jos data on hajallaan, huonosti kuvailtua tai sisältää epäjohdonmukaisuuksia.
Osaaminen & roolit – kuka tekee mitä?
AI hankkeet eivät kaadu pelkästään teknisiin haasteisiin tai datan laatuun. Vaaditaan myös oikeat ihmiset oikeisiin rooleihin. Tekoälyn ympärille tarvitaan osaamista usealta eri suunnalta. Tässä kolme roolia, jotka nousevat esiin yhä useammin:
-
- Data-insinööri vastaa siitä, että data ylipäänsä saadaan oikeassa muodossa oikeaan paikkaan. Hän rakentaa yhteydet järjestelmien välillä ja siivoaa raakadatasta mallille kelvollista sisältöä.
-
- MLOps-asiantuntija huolehtii siitä, että tekoälymallit eivät jää kokeiluiksi, vaan pääsevät oikeasti käyttöön.
-
- Toimialaosaaja tuo mukaan ymmärryksen siitä, mitä ongelmaa ollaan oikeasti ratkaisemassa. Hän tuntee asiakkaat, prosessit ja kontekstin, jossa mallin pitää toimia.
Huomioi kustannukset ja skaalautuvuus
Jo projektin aloitusvaiheessa, kun arkkitehtuuria suunnitellaan, on tehtävä valinta pilven, lokaalin ympäristön ja hybridin välillä. Valintaan vaikuttavat muun muassa tietoturva, kustannukset ja palveluiden saatavuus. Seuraavassa blogissani ”Rakentaako tekoäly-ympäristöä itse vai ostaako valmista” käsittelen näiden ratkaisujen eroja tarkemmin.
Riippumatta siitä, missä järjestelmä fyysisesti sijaitsee, sen on kuitenkin kyettävä mukautumaan sekä käyttöpiikkeihin että hiljaisempiin hetkiin. On varmistuttava siitä, että skaalautuvuus on ratkaistu jo arkkitehtuuritasolla. Ei vasta sitten kun asiakkailta alkaa satelemaan tikettejä palvelusta, joka ei pysy kysynnän perässä.
Mitä seuraavaksi
Olemme käsitelleet tekoäly-ympäristön rakentamisen olennaisimmat näkökohdat, kuten liiketoimintatavoitteet, datan laadun, osaamisen ja skaalautuvuuden. On selvää, että tekoälyhankkeen onnistumiseen vaikuttaa moni asia, ja teknologia on vain yksi osa kokonaisuutta.
Seuraavassa blogissani perehdyn tarkemmin kysymykseen, jonka jokaisen tekoälyprojektiin lähtevän yrityksen johto joutuu ennemmin tai myöhemmin kohtaamaan: rakennetaanko ympäristö itse vai hankitaanko valmis ratkaisu? Käyn läpi omatoimisen rakentamisen, hallinnoidut palvelut sekä hybridimallin hyödyt ja haasteet.
