2 Kansainväliset tekoälyn asiantuntijat: Kohti tekoälyn kolmatta aaltoa

Mihin tekoäly on matkalla ja millaisia mahdollisuuksia kehitys tuo Suomelle? Näihin kysymyksiin kerättiin näkemyksiä yhdeksältä arvostetulta kansainväliseltä asiantuntijalta, jotka erilaisten taustojensa avulla pystyvät avaamaan monipuolisesti tekoälyn tulevaisuuden näkökulmia. Luku on kirjoitettu asiantuntijoiden haastatteluihin perustuen ja niitä hyödyntäen ja siten heijastaa heidän näkemyksiään.

Haastatellut kansainväliset asiantuntijat

  • Christian Guttmann, Vice President, Global Head of Artificial Intelligence & Data Science, Tieto, Executive Director, Nordic Artificial Intelligence Institute, Sweden. Professor (adj. assoc.), University of New South Wales, Australia. Senior Researcher, Karolinska Institute, Sweden
  • Gesche Joost, Professor for Design Research at the Berlin University of the Arts, Head of the Design Research Lab, Germany
  • Doina Precup, Research Team Leader, DeepMind and Associate Professor, McGill University, Canada
  • Michele Sebag, Professor, Deputy director of Laboratoire de Recherche en Informatique, Head of A O team, CNRS, France
  • John Shawe-Taylor, Professor, Head of Department of Computer Science, University College London, UK
  • Jim Spohrer, Director, Cognitive OpenTech at IBM, California, USA
  • Masashi Sugiyama, Director of RIKEN Center for Advanced Intelligence Project, Japan and Professor for Machine learning and statistical data analysis at the Department of Complexity Science and Engineering, the University of Tokyo, Japan.
  • Volker Tresp, Professor for Machine learning at the Ludwig Maximilian University of Munich and Distinguished Research Scientist at Siemens, Germany
  • Harri Valpola, toimitusjohtaja, perustaja, Curious AI, Suomi

Haastattelut ja yhteenvedon niiden pohjalta koostivat:

  • Samuel Kaski, akatemiaprofessori, Aalto-yliopisto; Suomen tekoälykeskus FCAI:n johtaja
  • Heikki Ailisto, tutkimusprofessori, Teknologian tutkimuskeskus VTT
  • Arho Suominen, erikoistutkija, Teknologian tutkimuskeskus VTT

Viime vuosien merkittävimmät menestystarinat tekoälystä keskittyvät koneoppimiseen ja erityisesti syviin neuroverkkoihin. Valtavat datamäärät, hyvät kehitystyökalut ja vuosittain kasvava laskentateho ovat vauhdittaneet kehitystä. Jättiyritykset Facebook, Google, Amazon sekä myös Alibaba, Baidu ja Tencent hyödyntävät tekoälyteknologioita tehokkaasti ja panostavat myös merkittävästi tutkimukseen.

Tekoälyn kehitystä voidaan hahmottaa jakamalla se teknologia-aaltoihin. DARPAn John Launchbury ehdottaa jaottelua kolmeen aaltoon:

  1. käsin rakennetut toteutukset,
  2. tilastollinen oppiminen ja
  3. tilanteeseen mukautuva oppiva tekoäly.

Ensimmäistä aaltoa kutsutaan myös symboliseksi tai klassiseksi tekoälyksi, koska se oli tekoälytutkimuksen keskiössä 1960-luvulta 1980-luvulle. Tilastollinen oppiminen on nykyisin vallitseva teknologia, jota edustavat koneoppiminen ja syvät neuroverkot. Kolmannen aallon odotetaan nousevan 2020-luvulla.

Haastateltujen asiantuntijoiden mukaan koneoppiminen ja erityisesti syvät neuroverkot tulevat olemaan merkittävin tekoälyteknologia myös näköpiirissä olevassa tulevaisuudessa, siis lähivuosien ajan. Suosituimmat niin sanotut ohjatut koneoppimismenetelmät vaativat paljon laadukasta opetusaineistoa, johon on liitetty oikeat vastaukset (“labeled data”). Tällaisen aineiston perusteella menetelmät oppivat tuottamaan vastauksen myös uusille syötteille. Kuluttajasektorilla, kuten vähittäiskaupalla, digitaalisen viihteen ja sosiaalisen median yrityksillä, on käytettävissä runsaat määrät opetustarkoitukseen sopivaa dataa ja tämä selittää osaltaan sen, miksi ne johtavat tekoälyn hyödyntämistä.

Jos halutaan opettaa neuroverkko tunnistamaan kissa kuvasta, on helpohkosti saatavissa huomattavat määrät kuvia, joissa sana “kissa” on yhdistetty kuvaan metadatana. Näin ei kuitenkaan ole kaikissa sovelluksissa. Esimerkiksi teollisuusprosessista talletettua mittausdataa ei ole tyypillisesti täydennetty metadatalla. Sama koskee usein terveydenhoidon dataa. Dataa saattaa olla määrällisesti riittävästi, mutta siihen ei ole liitetty luokittelutietoa. Metadatan tuottaminen käsityönä mittauksen aikana tai jälkikäteen vaatii puolestaan huomattavia resursseja. Lisäksi ongelmana voi olla datan heikko laatu tai epäluotettavuus. Esimerkiksi teollisuudessa anturi voi olla rikki tai sairaalassa anturi voi hetkeksi irrota potilaan iholta ja antaa vääriä lukemia.

Monilla teollisuudenaloilla ei siis ole pääsyä suuriin metadatalla täydennettyihin hyvälaatuisiin datamassoihin. Tämä rajoittaa nykyisten tekoälyteknologioiden hyödyntämistä. Koneoppimisen viimeaikainen kehitys on tarjonnut osittaisia ratkaisuja ongelmaan siirto-oppimisen (transfer learning), vahvistusoppimisen (reinforcement learning) ja simuloidun opetusdatan tuottamisen muodossa. Myös “kerrasta oppiminen” (one and few shot) ja “heikosti ohjattu oppiminen” (weak supervision) ovat mahdollisia ratkaisuja. Useat asiantuntijat uskovat, että heikosti ohjattu tai ohjaamaton oppiminen voisivat toimia osittaisina ratkaisuina datasta oppimisen haasteisiin.

Viiden vuoden kuluttua meillä voi olla tekoälyä, joka kykenee järkeilyyn arkipäivän tilanteissa ja käytämme tulostauluja tekoälymenetelmien suorituskyvyn kehittymisen seurantaan.

– Jim Spohrer

Miten kehitystä voidaan mitata?

Tekoälyteknologioiden kehitystä ja niiden suorituskyvyn kasvua tulee pystyä seuraamaan ja myös mittaamaan. Tieteelliset julkaisut kuvaavat tutkimuksen sisällöllistä edistämistä ja yritysten investoinnit kertovat tekoälyyn kohdistuvista taloudellisista panostuksista. Menetelmien suorituskykyä voidaan seurata vakioiduilla tietokannoilla tehtävillä testeillä ja niihin liittyvillä “tulostauluilla” (leaderboard). Tulostaulu kertoo, miten tulokset kehittyvät ja mikä tutkimustiimi kullakin hetkellä johtaa kisaa.

Asiantuntijat ennakoivat teknologian murrosta, kun nykyiset koneoppimismenetelmät kohtaavat rajansa. Painopiste voi kääntyä takaisin datapainotteisista menetelmistä kohti symbolisia menetelmiä. Kolmas tekoälyaalto yhdistää ohjaamattoman oppimisen ja symbolisen tekoälyn menetelmät, kuten päättelyn, semanttiset esitystavat, logiikan ja hakutekniikat.
Suomi voi saada etumatkaa tekoälyn kolmannessa aallossa, sillä meillä on vahva tutkimusperinne ohjaamattomassa oppimisessa. Vahvistamalla jo olemassa olevaa huippuosaamista ja panostamalla Suomelle tärkeisiin sovellusalueisiin Suomi voi vahvistaa asemaansa globaalissa tekoälykilpailussa. Lisäksi on syytä huomata, että tietotekniikan ja tietojenkäsittelytieteen tutkimuksen rahoitus on tärkeää myös muilla aloilla kuin tekoälyn keskiössä, sillä emme voi tietää, missä tapahtuu seuraava läpimurto.

Tekoälyn kolmas aalto yhdistää nykyiset tilastolliset ja symbolipainotteiset menetelmät ohjaamattomaan oppimiseen.

– Harri Valpola

Eräs kiinnostava näkökulma on tekoälyjärjestelmien automaatio- ja autonomisuusaste. Tekoälypohjainen järjestelmä voi suorittaa rutiininomaisia työtehtäviä automaattisesti; se voi auttaa ihmistä tehtävässään tai toimia jopa itsenäisesti. Auto on hyvä esimerkki avustavien järjestelmien kehityksestä, joiden tuloksena voi olla ilman ihmisen ohjausta toimiva autonominen kulkuväline. Uusissa autoissa on jo kuljettajaa avustavia järjestelmiä kaista-avustajasta automaattiseen hätäjarrutukseen. Autonomisia autoja kokeillaan jo tieliikenteessä useissa maissa.

Autoesimerkki voidaan siirtää monille muille elämän alueille. Tekoälyjärjestelmä voi tarjota ihmisille monipuolista apua ja joissain tapauksissa korvata ihmisen toimijana. Täydellisen automaation toivottavuus riippuu monista käytännön kysymyksistä, kuten tehtävän vaarallisuudesta. Samalla se on myös filosofinen kysymys. Meidän on käytävä avointa keskustelua teknologisesta kehityksestä. Haluammeko, että tekoälyt ovat vain ihmisten avustajia? Entä missä tehtävissä niiden tulisi toimia itsenäisesti?

Vaikka Google Alpha Go voitti ihmisen Go:ssa, se ei tarkoita, että tekoäly tiesi pelaavansa.

– John Shawe-Taylor

Lähitulevaisuudessa tulemme näkemään tekoälyjärjestelmiä, jotka ovat paljon tietoisempia ympäristöstään ja pystyvät mukautumaan muutoksiin. Tämä johtaa vääjäämättä järjestelmiin, jotka tuntuvat paljon inhimillisemmiltä sekä kykeneviltä sopeutumaan ympäristön muutoksiin.

Tekoälyratkaisuissa käyttäjäystävällisyys, helppous ja ymmärrettävyys ovat ratkaisevan tärkeitä. Käyttäjät odottavat “älykkäältä” teknologialta enemmän kuin perinteiseltä tietotekniikalta. Sen tulisi siis käyttäytyä järkevästi! Jos järjestelmän ja ihmisen vuorovaikutus koetaan kömpelöksi ja hankalaksi, sitä ei oteta käyttöön.

Ihmisen ja tietokoneen välistä vuorovaikutusta on Suomessa tutkittu paljon, myös tekoälytutkimuksen yhteydessä. On siis meille eduksi, jos vuorovaikutustaitoihin liittyvät vaatimukset tulevaisuudessa korostuvat.

Tekoäly teollisuudessa ja palveluissa

Tekoälyteknologioita hyödynnetään eniten aloilla, joilla on suurten ja hyödyllisten datamassojen helppo saatavuus. Kuluttajaliiketoiminnan ja esimerkiksi digitaalisten jättiyritysten lisäksi ilmeinen tekoälyn hyödyntäjä on terveys- ja hyvinvointiala. Edistystä on tapahtunut varsinkin lääketieteellisen kuvantamisen alalla, jossa tekoälymenetelmät auttavat lääkäriä löydösten tunnistamisessa. Tekoälymenetelmiä tullaan jatkossa hyödyntämään myös potilaan kunnon ennakoinnissa, lääkevasteiden arvioinnissa ja lääketieteellisten koeasetelmien suunnittelussa.

Robottien ja älykkäiden apuvälineiden rooli kasvaa niissä hoitotehtävissä, joissa ihmisen läsnäolo ja empatia eivät ole olennaisia. Esimerkkeinä ovat potilaan nostaminen ja liikkumisen tukeminen.

Tekoälyn ja robotiikan käyttöönottoon terveydenhoidossa vaikuttaa alan sääntely ja ammattilaisten, lääkärien ja hoitajien, asenteet uuden teknologian hyödyntämistä kohtaan. Alan teollisuuden ja terveyspalveluiden tuottajien täytyy toimia niin, että uusi teknologia ansaitsee ammattilaisten ja potilaiden luottamuksen.

Terveydenhoidon prosessien osittainen automatisointi tekoälyratkaisujen avulla vapauttaa terveydenhoidon ammattilaiset toimistorutiineista varsinaiseen potilas- ja hoivatyöhön. Rutiiniprosessien automatisointia tekoälyn avulla voidaan toki hyödyntää myös monilla muilla aloilla.

Valmistava- ja prosessiteollisuus ottavat myös tekoälyteknologioita käyttöön. Prosessiteollisuus on perustellusti varovainen uuden teknologian suhteen, sillä uusien teknologioiden käyttöönotto vaatii tarkat suunnitelmat, eikä muutoksia tehdä hetkessä. Yritykset ovat jo vuosikymmeniä optimoineet tuotantoaan; laitosten investointien elinkaari on jopa kymmeniä vuosia ja teollisuuteen kohdistuu tiukkoja turvallisuus- ja ympäristömääräyksiä.

Valmistavan teollisuuden pienillä alihankintayrityksillä on erityinen ongelma, jonka ratkaisemisessa tekoälyteknologioista voi olla merkittävää apua. Kun yritysten henkilöstö vanhenee ja eläköityy, hiljainen tieto katoaa. Nuoria ala kiinnostaa vähän. Toimitusketjun juurilla olevien pienten yritysten katoaminen voikin uhata kokonaisia teollisuudenaloja Suomessa ja muissakin maissa, esimerkiksi Japanissa. Tekoälyteknologioiden soveltaminen voi auttaa kolmella tavalla:

  1. automaatio vähentää työvoiman tarvetta suoraan,
  2. tekoäly voi auttaa hiljaisen tiedon talteenotossa ja
  3. uusi teknologia tekee alan kiinnostavammaksi nuorille.

Tekoälyteknologiat tuovat muutosta myös kuljetus- ja logistiikka-alalle sekä maatalouteen, jossa anturit, miehittämättömät lentolaitteet (drone) ja tekoäly mahdollistavat niin sanotun täsmämaatalouden.

Koulutuksen ja opetuksen uskotaan muuttuvan tekoälyteknologioiden myötä merkittävästi. Kuten terveydenhoidossa, tälläkin alalla sääntelyllä ja sidosryhmien asenteilla on suuri merkitys käyttöönoton nopeuteen. Luovilla aloilla tekoälyteknologiat täydentävät ja tukevat nykyisiä prosesseja, mutta avaavat myös uusia mahdollisuuksia.

Tekoälyn vaikutukset liiketoimintaan

Tekoälyn käyttöönoton vauhti vaihtelee eri aloilla. Tarjolla on sinänsä käyttökelpoisia avoimen lähdekoodin työkaluja, joiden avulla voidaan kokeilla, mitä tekoälyllä ja erityisesti koneoppimismenetelmillä voidaan tehdä. Yksittäisistä kokeiluista on kuitenkin matkaa todelliseen hyödyntämiseen. Käyttöönotto edellyttää huomattavia ponnisteluja teknisten valmiuksien kehittämisessä, käyttäjän ja teknologian vuorovaikutuksen parantamisessa sekä liiketoimintamallien luomisessa. Jotta tekoälyratkaisu pääsee tuotantokäyttöön, sen on oltava yhteensopiva olemassa olevien prosessien, työtapojen ja organisaation liiketoimintamallin kanssa.

Kun sata yritystä kokeilee tekoälyä, ehkä vain kymmenen löytää kannattavan liiketoimintamallin.

– Volker Tresp

Tekoälyteknologioiden soveltaminen tähtää usein aluksi operatiivisen tehokkuuden parantamiseen. Tämä tarkoittaa esimerkiksi työvoiman tehokkaampaa käyttöä vanhustenhuollossa, epäkuranttien tuotteiden prosenttiosuuden vähentämistä vähittäismyynnissä tai parempaa polttoainetaloutta merikuljetuksissa. Säästöt tai parantunut tuottavuus voivat olla merkittäviä. Nämä parannukset ovat luonteeltaan organisaation sisäisiä.

Kuorruttamalla nykyistä toimintaa tekoälyllä ei voi pelastaa yrityksiä, joilla on vaikeuksia perusliiketoiminnassaan.

– Christian Guttmann

Asiantuntijoiden mukaan tekoälyteknologiat mahdollistavat disruptiivisia muutoksia, joiden vaikutus on merkittävämpi kuin operatiivisen tehokkuuden parantaminen. Tekoälyteknologioiden avulla voidaan luoda täysin uusia liiketoimintamalleja, jotka vaikuttavat paitsi yhteen organisaatioon myös laajemmin yritysten ekosysteemiin. Siksi on tärkeää stimuloida yritystoimintaa tekoälyn ympärillä, esimerkiksi lisäämällä eri alojen ja erikokoisten yritysten yhteistyötä. Yhteistyöverkosto voi olla alueellinen, mutta sillä tulisi olla myös kansainvälisiä ulottuvuuksia. Yhteistyöverkostot luovat samalla houkuttelevan ympäristön osaajille. Esimerkiksi ulkomailta tulevaa tekoälyosaajaa houkuttelee mahdollisuus valita työpaikka useiden yritysten joukosta. Yrityksestä toiseen liikkuvat asiantuntijat siirtävät tietoa “pölyttämällä” ja lisäävät samalla kaikkien toimintaympäristössä mukana olevien yritysten menestystä.

Vaikka kuluttajaliiketoimintaa hallitsevat kansainväliset jätit ovat jo pitkällä tekoälyn hyödyntämisessä, yritysten välisessä liiketoiminnassa (business to business, B2B) se on vasta saamassa jalansijaa. Näillä toimialoilla on usein vähemmän saatavilla opetusaineistoa tekoälyn hyödyntämiseen ja siksi ala tarvitsee uusia, vähemmän opetusaineistoa vaativia tekoälymenetelmiä. Suomelle tässä on suuri mahdollisuus, sillä meillä on vahvaa tutkimus- ja teknologiaosaamista juuri tällä alueella sekä vahva perinne B2B-liiketoiminnassa.

Tekoäly yhteiskunnan ja demokratian uudistajana

Euroopassa ja Suomessa käytävä tekoälykeskustelu painottuu tällä hetkellä vahvasti eettisiin kysymyksiin. Avainpohdintoja ovat yksityisyyden suoja, vastuu tekoälyjärjestelmien tekemistä virheistä ja algoritmipohjaisen päätöksenteon läpinäkyvyys ja jäljitettävyys. Paneelin asiantuntijat pitävät näitä kysymyksiä tärkeinä mutta vaikeina, ja niiden ratkaisuun tarvitaan kansainvälistä yhteistoimintaa.

Hidastaako keskittyminen tekoälyn eettisiin kysymyksiin kehitystä Euroopassa, kun samaan aikaan Kiinassa kehitetään ja otetaan sumeilematta laajasti käyttöön tekoälyratkaisuja? Haastateltujen asiantuntijoiden mukaan meidän on löydettävä tasapaino yksityisyyden suojan sekä muiden kansalaisten oikeuksien ja toisaalta tekoälyratkaisujen käytöllä saatavan hyödyn välillä.

Euroopan pitää löytää tasapaino yksityisyyden suojan ja tekoälyn käytön välillä.

– Gesche Joost

Pitäisikö huomio kohdistaa käytännöllisempään kysymykseen luottamuksesta? Luotammeko organisaatioihin ja ihmisiin, jotka tuottavat tekoälypohjaiset palvelut? Entä luotammeko tarjottuihin teknologiaratkaisuihin?

Syvät neuroverkot ovat käytännössä mustia laatikoita. Tätä on kritisoitu, ja algoritmien läpinäkyvyyttä vaadittu. Mutta tarvitaanko tätä oikeasti ja onko se edes mahdollista? Vertailukohdaksi voimme ottaa 4G-matkapuhelinverkon toiminnan. Ymmärrämmekö, miten puhelu toiseen maanosaan onnistuu? Vaikka emme ymmärrä, ei se välttämättä haittaa, koska luotamme tietoliikennejärjestelmään ja sen toimijoihin. Tässäkin kyse on siis enemmän luottamuksesta kuin läpinäkyvyydestä.

On tärkeää puhua sekä luottamuksesta tekoälyyn että tekoälyn etiikasta.

– Christian Guttmann

Tekoälyteknologioiden laaja käyttöönotto vaikuttaa työllisyyteen, tuloihin ja pidemmällä aikavälillä veropohjaan. Lähivuosina tekoälyn mahdollistaman automaation uskotaan vaikuttavan lähinnä työpaikkoihin, joissa on paljon rutiinitehtäviä. Asiantuntijoiden mukaan Suomen kaltaiset maat, joissa yleinen koulutustaso on hyvä, eivät lähivuosina merkittävästi kärsi tekoälyratkaisujen käyttöönotosta johtuvasta työttömyydestä. Tärkeää on myös ennen kaikkea tukea uusien työpaikkojen syntyä kuin suojella häviämässä olevia.

Pidemmällä aikavälillä, noin 20–50 vuoden päästä, tekoäly voi saavuttaa tai jopa ohittaa ihmisen kyvykkyydet useimmissa tehtävissä. Sen myötä tavaroiden ja palveluiden tuottamiseksi ei tarvita enää nykyisen kaltaista laajaa työhön osallistumista. Jos palkkatyö elannon ansaitsemisen keinona harvinaistuu, veropohja tulevaisuudessa rapautuu. Tarvitaan siis uusia keinoja elannon hankkimiseen sekä uusia verotulojen lähteitä.

Tekoäly voi fasilitoida sivistynyttä keskustelua yhteiskunnan ja politiikan kysymyksistä. Se voisi tuottaa nykyajan vastineen ateenalaiselle torille.

– Michele Sebag

Tekoälyteknologioiden roolista yhteiskunnallisessa vaikuttamisessa ja päätöksenteossa käydään vilkasta keskustelua. Vaikka ulkopuolinen vaikuttaminen äänestäjiin on tuonut negatiivista huomiota tekoälylle ja analytiikalle, erityisesti Yhdysvaltain vuoden 2016 presidentinvaalien yhteydessä, voidaan tekoälyteknologioita hyödyntää myös positiivisesti. Tekoälyn avulla voidaan kerätä kansalaisten mielipiteitä yhteen, havaita vihamielisiä vaikutusyrityksiä sosiaalisessa mediassa sekä kehittää puolustuskeinoja hybridiuhkia vastaan. Robotit ja älylaitteet voivat auttaa vanhuksia viettämään pidempään itsenäistä elämää. Lennokit voivat hyödyttää syrjäseutuja ja tekoälypohjaiset “valmentajat” voivat neuvoa työntekijöitä tehokkaampaan tiimityöhön tai jopa auttaa löytämään ratkaisuja perhe-elämän solmukohtiin.

Kiina nousee tekoälymahdiksi – mitä Suomi ja EU tekevät?

Kiina panostaa tekoälyteknologioihin ja pyrkii olemaan alalla maailman johtava toimija vuoteen 2030 mennessä. Yhdysvaltalaiset yhtiöt johtavat vielä teknologian ja tekoälyyn pohjautuvan liiketoiminnan kehittämistä, mutta Kiina investoi suhteessa enemmän. Kiinan merkittävä etu on se, että sillä on pääsy valtaviin datamääriin. Tämä on merkittävä etu niin kauan kuin suuriin opetusaineistoihin perustuvat tekoälyteknologiat hallitsevat tekoälyn kehitystä. Keskusjohtoisessa maassa voidaan nopeasti toteuttaa radikaalejakin tekoälypohjaisia ratkaisuja ilman sääntelyyn tai kansalaisoikeuksiin liittyvää pohdintaa.

Kiina investoi huomattavasti, mutta myös aktiivisesti houkuttelee osaajia maahan. Emme ole täysin hahmottaneet kehityksen merkitystä.

– Gesche Joost

Vaikka asia ei ole saanut paljoa huomiota Euroopassa ja Suomessa, on Kiinan, Yhdysvaltojen ja muun maailman yritysten ja akateemisten instituutioiden välillä käynnissä kova kilpailu tekoälyalan huippukyvyistä. Jos emme havahdu tilanteeseen ajoissa, Euroopassa ja Suomessa kärsitään pian aivovuodosta.

Suomen tulisi luottaa ja keskittyä vahvuuksiinsa, jotta se pystyy pitämään ja houkuttelemaan huippulahjakkuuksia. Suomen vahvuuksia ovat innostavat tutkimusryhmät, joiden painopiste on nousevilla aloilla, kuten ohjaamattomassa oppimisessa, vilkas startup-kenttä sekä hyvä tutkimuksen ja yritysten välinen yhteistyö. Vahvuuksien voimistamisessa Suomen tekoälykeskus, FCAI:lla on suuri merkitys. Lisäksi Suomi tarjoaa perheille turvallisen ja puhtaan ympäristön sekä yritystoiminnalle ennakoitavissa olevan lainsäädännön ja verotuksen. Näitä vahvuuksia tulee markkinoida Suomessa ja maailmalla.

Euroopan unioni ja sen jäsenvaltiot, Suomi etunenässä, ovat käynnistäneet toimenpiteitä tekoälytutkimuksen ja kehitystoiminnan ympärillä. EU-maiden tulee yhdistää voimansa tekoälyn tutkimuksen, kehityksen ja sääntelyn yhtenäistämiseksi. Näin voidaan tarjota yrityksille kilpailukykyinen toimintaympäristö.

Kansainvälisen asiantuntijapaneelin suositukset Suomelle

  1. Huippuosaajista pidettävä kiinni
    Kova kilpailu lahjakkaista osaajista on käynnissä. Eurooppa ja Suomi eivät ole reagoineet tähän riittävästi. Suomen on pidettävä kiinni nykyisistä ja toisaalta houkuteltava lisää tekoälyn huippuosaajia Suomeen; sekä nykyisiä että tulevia osaajia, eli opiskelijoita.
  2. Panostuksia B2B-liiketoimintaan
    Kilpailu B2B-kentällä on vasta alkamassa. Suomella on mahdollisuus pärjätä tässä kilpailussa panostamalla vahvuuksiinsa, joita ovat teollisuuden ratkaisuille olennaiset tekoälytekniikat, kuten ohjaamaton oppiminen ja hybridilähestymistavat, sekä painotus teolliseen B2B-liiketoimintaan. Tämä kehitysvaihe sopii hyvin Suomen teollisuuspohjaan ja tarjoaa merkittäviä mahdollisuuksia yhteiskunnalle ja taloudelle.
  3. Demokratian ja vapauden periaatteiden kunnioittaminen
    Suomen ja Euroopan tulee löytää lähestymistapa, jossa voidaan samanaikaisesti kunnioittaa länsimaisen demokratian ja vapauden periaatteita sekä hyödyntää tekoälyteknologioiden yrityksille, kuluttajille ja julkisille palveluille tarjoamat mahdollisuudet. Tekoälyyn perustuvat ratkaisut tulee nähdä hyvänä keinona uudistaa yhteiskuntaa, lisätä kansalaisten osallistumista päätösten valmisteluun ja demokraattisiin prosesseihin.
  4. Tekoäly on muutakin kuin tekniikkaa
    On tärkeää pitää mielessä, että tekniikka on vain keino toteuttaa uusia liiketoimintamalleja ja parempia julkisia palveluita. Käyttäjien hyväksyntä on edellytys ratkaisujen käyttöönotolle.
  5. Datan vapaa liikkuvuus
    Tekoälyn hyöty riippuu paljolti datan saatavuudesta. Kun merkityksellistä dataa tuodaan yhteen useasta lähteestä, tulokset paranevat merkittävästi. Poistetaan siis siilot yritysten ja julkisten palveluiden sisältä ja väliltä aina kun se on mahdollista ja annetaan datan liikkua.

Case K-ryhmä: Tekoäly tietää paremmin kuin sinä, mitä haluat syödä

Ruokakauppojen kanta-asiakasjärjestelmät ovat jo pitkään tunteneet asiakkaansa läpikotaisin. Ostosdatan perusteella on helppo tehdä päätelmiä asiakkaan ostoskäyttäytymisestä. Lisäksi tiedämme, että ihmiset tuppaavat ostamaan ruokakaupasta suunnilleen samankaltaisia asioita.

K-ryhmässä päätettiin muutama vuosi sitten ryhtyä rakentamaan tästä datasta huomattavasti nykyistä älykkäämpää järjestelmää, joka suosittelisi ihmisille reseptejä heidän puolestaan ja siten helpottaisi heidän arkeaan. Järjestelmä otettiin käyttöön vuonna 2017. Yksinkertaisimmillaan se tarkoittaa sitä, että kun hakukenttään kirjoittaa ”maito”, hakukone antaa sisäänkirjautuneelle käyttäjälle automaattisesti ostoshistoriaan perustuvan suosikkimaidon.

Pian kuitenkin järjestelmää opetettiin älykkäämmäksi ja hakua laajennettiin antamaan myös reseptisuosituksia. Se päättelee ihmisten hakutuloksista, minkälaisia ruokia ostavat ihmiset käyttävät minkäkinlaisia reseptejä, ja suosittelee näitä automaattisesti uusille käyttäjille.

Vuoden alusta järjestelmää on opetettu entistä älykkäämmäksi ja se on laajennettu koskemaan ostolistoja. Käytännössä sisäänkirjautunut käyttäjä voi nyt yhdellä napinpainalluksella saada ensi viikon ostoslistan valmiina itselleen. Harkinnan siitä, mitä ruokakassiin tulisi laittaa, on tehnyt käyttäjän puolesta tekoäly pohjautuen aiempaan ostoslistaan. Se ei siis suosittele ainoastaan aiemmin ostettuja tuotteita, vaan päättelee, mitä käyttäjä haluaisi ensi viikolla mahdollisesti syödä. Mitä enemmän ostoksia ja listoja käyttäjä tekee, sitä paremmin järjestelmä oppii tuntemaan – ja suosittelemaan myös uusia.

Tällöin voi käydä lopulta niin, että tekoäly oppii ihmistä paremmaksi mielitekojen asiantuntijaksi ja ihmisten aikaa vapautuu johonkin muuhun kuin sen miettimiseen, mitä seuraavaksi tekisi mieli.

Ruokaostosdataa on monista asiakkaista jo hyvin pitkän ajan takaa, joten ruokaostoksia ja reseptejä suositteleva tekoäly lähtee liikkeelle varsin hyvästä lähtökohdasta. Dataa on runsaasti ja se on laadukasta.

Sen sijaan vaikeampaa tekoälylle on ollut opettaa henkilökohtaisten mieltymysten ja sesonkivaihtelujen eroa. Eli vaikka käyttäjä kuinka rakastaisi runebergintorttuja, hän tuskin haluaa niistä suosituksia marraskuussa. Haasteena on ollut datan saavutettavuus, laatu ja datamassojen laskentatehojen riittävyys, joissa on vasta viime vuosina saavutettu sellaisia teknisiä harppauksia, että relevanttien suositusten antaminen on mahdollista.

Seuraavana tavoitteena on nivoa resepti- ja ostoslistasuosittelu eheäksi kokonaisuudeksi, joka muuttaa ruokakaupassa käymisen kokonaan. Silloin ruokaostosten valinta ja hankkiminen tapahtuvat käytännössä muutamalla napinpainalluksella. Tähän tapaan:

Järjestelmä kysyy käyttäjältä, haluaako tämä kokata ensi viikolla makaronilaatikkoa ja kasvispastaa, johon käyttäjä vastaa kyllä. Tämän jälkeen järjestelmä ehdottaa ostoslistalle tuotteita, jotka käyttäjä hyväksyy. Tämän jälkeen järjestelmä kysyy, haluatko ostaa tuotteet, jolloin käyttäjä hyväksyy ja maksaa ostokset – ja saa ne hetken päästä toimitettuna kotiovellensa.

Tämä voi olla mahdollista jo vuoden sisällä.

K-ryhmän reseptisuositukset on esimerkki digitaalisten palveluiden kehittämisestä. Kyseessä on ihmisten arkeen vahvasti vaikuttava tekijä: käytämme merkittävän osan ajastamme ruokaostosten hankkimiseen ja sen miettimiseen, mitä ruuaksi laittaisimme tai haluaisimme laittaa. Näin ollen tekoäly voi mullistaa käytännön arkeamme minimoimalla tuon ajan ja oppimalla älykkääksi arvioimaan puolestamme sen, mitä olemme syöneet ja mitä meidän kannattaisi seuraavaksi syödä.

Case Fiva: Tekoäly avuksi rutiinitöihin

Finanssivalvonnassa eli Fivassa käynnistettiin keväällä 2018 pilottihanke, jossa tavoitteena oli vähentää manuaalisen ja rutiininomaisen työn määrää merkittävästi.

Fivassa lähdettiin pohtimaan robotiikan ja tekoälyn tuomia mahdollisuuksia ja toteutettiin ensimmäinen pilotti sijoituspalvelunotifikaatioissa. Järjestelmä, johon robottia päätettiin testata, ei ainoastaan vie ihmiseltä työaikaa merkittävästi, vaan sisältää myös ihmisen tekemänä runsaasti virhemahdollisuuksia. Tuo työ on käytännössä tietojen syöttämistä tietokantaan, joten teoriassa robotin ohjelmoiminen sen tekemiseen olisi hyvin mahdollista. Tiedot käsittelevät eurooppalaisten yhtiöiden tarjoamia sijoituspalveluita ja notifikaatiot ovat viranomaisten välistä tietojen vaihtoa.

Sijoituspalvelunotifikaatioiden robotti koulutettiin käsittelemään sähköposteja. Robotti lukee sähköpostien liitetiedostot, ja sisällön perusteella se osaa luoda valvontarekisteriin uusia yrityksiä tai päivittää notifikaatioissa ilmoitettavia muutostietoja. Se tallentaa myös rekisteriin kymmeniä eri lupa- ja palvelutietoja. Osana prosessia robotti pyytää sähköpostilla rekisteröintiin tarvittavia tietoja muualta organisaatiosta ja tallentaa saadut tiedot rekisteriin.

Ensimmäinen pilotti onnistui erinomaisesti, joten Fivassa päätettiin toteuttaa toinen pilotti hieman toisenlaisessa hankkeessa, rahastonotifikaatioissa. Rahastonotifikaatioissa asiakirjoissa on huomattavasti enemmän vaihtelevuutta kuin ensimmäisessä pilotissa, jolloin pelkkä robotti ei vielä olisi selvinnyt näistä tehtävistä. Siksi robotin avuksi kehitettiin tekoäly, joka pystyy käsittelemään vapaamuotoista tekstiä tilastollisella kontekstin tunnistuksella. Yksinkertainen tekoälyalgoritmi osaa tunnistaa näitä erilaisia asiakirjoja toisistaan. Tekoäly pystyy käsittelemään dokumentteja suomen, ruotsin ja englannin kielillä. Lisäksi se kykenee paitsi luokittelemaan dokumentteja myös poimimaan tiettyjä tietoja riippumatta niiden sijainnista dokumentissa. Rahastonotifikaatioiden tekoälyavusteinen robotti otettiin käyttöön helmikuussa 2019.

Tulokset ovat olleet niin robotin kuin tekoälyavusteisen robotin osalta lähes yksinomaan positiivisia. Eniten ylimääräistä työtä pilottihankkeissa on tuottanut se, että eurooppalaiset valvojat poikkeavat jonkin verran yhteisesti sovituista ilmoitusmuodoista. Ohjelmistorobotit luonnollisesti toimivat kaikista parhaiten, kun data on yhdenmukaista, virheetöntä ja saumatonta.

Koska pilottihankkeen robotit on käytännössä opetettu matkimaan ihmisen tekemää työtä, on useita kertoja hankkeiden aikana herännyt myös kysymyksiä siitä, mihin järjestelmiin robotti pääsee, millä tunnuksilla ja minkälaisilla oikeuksilla. Asiat on saatu linjattua hankkeen aikana. Esimerkiksi on sovittu, että käyttäjillä on mahdollisuus valvoa robotin käsittelemiä ilmoituksia ja että robotti lähettää sähköpostiviestit aina omalla nimellään.

Lopputuloksena Fivan asiantuntijoilla työ on mielekkäämpää ja mikä tärkeintä, robotin ja tekoälyn ansiosta työtä ei ole enää yhtä paljon jatkuvasti odottamassa tekemistä. Lisäksi robotit hoitavat sellaisia tehtäviä, joissa ihmisen tekemien virheiden määrä on huomattavasti robottia suurempi – myös virheet siis ovat vähentyneet. Kun vasta alkanut toinen pilotti on saatu valmiiksi, Fivassa päätetään jatkosta.

Finanssivalvonta on esimerkki viranomaisesta, joka hyödyntää tekoälyä. Finanssivalvonta on rahoitus- ja vakuutusvalvontaviranomainen, jossa on paljon työtehtäviä, joiden tekemiseen eivät nykyiset henkilöresurssit ole aina riittäneet. Robotiikka ja tekoäly ovat tuoneet näihin apua ja lisäksi vähentäneet merkittävästi ihmisen tekemien virheiden määrää. Finanssivalvonnan valvottavia ovat muun muassa pankit, vakuutus- ja eläkeyhtiöt sekä muut vakuutusalalla toimivat, sijoituspalveluyritykset, rahastoyhtiöt ja pörssi. Valvottavat rahoittavat toiminnan 95-prosenttisesti, ja jäljelle jäävä viisi prosenttia rahoituksesta tulee Suomen Pankilta.

Mitä mieltä sinä olet?

Mitä mieltä sinä olet?