Mitä rakennamme generatiivisella tekoälyllä

Tiedämme, että ChatGPT:n kaltaiset työkalut voivat tiivistää sisältöjä, vastata tarkentaviin kysymyksiin ja jopa kirjoittaa koodia. Liiketoimintaympäristössä tarvitsemme kuitenkin huomattavasti enemmän joustavuutta. Erityisesti yritystasolla tarvitsemme malleja, jotka oppivat sisäisestä datastamme ja tarjoavat vastauksia vain omille työntekijöillemme. Miten siis voimme ottaa teknologian käyttöön ja löytää sille luovia ja tuottavia käyttötapoja ilman, että riskit kasvavat hallitsemattomiksi?

Tässä artikkelissa jaamme konkreettisia esimerkkejä siitä, miten hyödynnämme generatiivista tekoälyä oman liiketoimintamme tehostamiseen ja uusien tuotteiden kehittämiseen. Kerromme myös yleisimmistä väärinkäsityksistä generatiiviseen tekoälyyn liittyen – mukaan lukien kysymykset, joita olemme saaneet asiakkailtamme, sekä haasteet, joita ei ole helppo ennakoida.

Ymmärryksemme generatiivisesta tekoälystä ja sen avulla rakentamistamme ratkaisuista kehittyy jatkuvasti. Seuraavassa kolme ajankohtaista hankettamme, joissa hyödynnämme generatiivista tekoälyä ja monimallisia suuria kielimalleja (LLM).

Parempi vastuullisuusraportti

EU:ssa käyttöönotettava CSRD-direktiivi (Corporate Sustainability Reporting Directive) velvoittaa yrityksemme ja monet muut organisaatiot seuraamaan ja raportoimaan vastuullisuudestaan. Tavoitteena on yksinkertaistaa ja yhtenäistää ESG-raportointia, mutta CSRD on edelleen monimutkainen. Se sisältää yli 80 tunnuslukua ja edellyttää sekä määrällisiä että laadullisia vastauksia. Toisin sanoen energian kulutuksen ja CO₂-päästöjen kaltaisen datan seuraamisen lisäksi meidän on kuvattava toimenpiteitä, joilla olemme vähentäneet energiankulutusta, ja selitettävä aloitteitamme esimerkiksi sukupuolten tasa-arvon edistämiseksi.

Datapalveluyrityksenä lähes kaikki liiketoimintatietomme ovat pilvessä, mutta oikean datan löytäminen ja raportin kokoaminen vie silti paljon aikaa. Haasteemme on toteuttaa tämä prosessi mahdollisimman tehokkaasti. Haluamme käyttää mahdollisimman vähän aikaa hallinnolliseen työhön ja enemmän aikaa vastuullisuustyön kehittämiseen.

Työjärjestelyjen muuttuessa joustavammiksi myös perehdytys on monimutkaistunut. Jotta perehdytyskummille ei kertyisi liikaa kuormitusta eikä uusia työntekijöitä rasitettaisi laajoilla luettavilla dokumenteilla, sisaryhtiömme rakensi digitaalisen copilotin, GoodGPT:n, vastaamaan heidän kysymyksiinsä. Toisin kuin perinteiset chatbotit, jotka saattavat ainoastaan tunnistaa avainsanoja ja tarjota ennalta laadittuja vastauksia, GoodGPT ymmärtää luonnollista kieltä ja vastaa myös jatkokysymyksiin.

Työkalu ei ole tarkoitettu pelkästään yksinkertaisiin kysymyksiin, kuten lomakäytäntöihin ja kulukorvauksiin, vaan se toimii myös resurssina pidempään talossa olleille työntekijöille. Asiakkaillemme toteuttamamme SAP-ohjelmisto päivittyy erittäin usein, mikä tekee koulutuksen ja käyttöönottojen välisestä ajankäytön tasapainottamisesta haastavaa. GoodGPT:n avulla työntekijät voivat käyttää chat-käyttöliittymää ja löytää vastauksen välittömästi ilman, että heidän tarvitsee käydä läpi pitkiä dokumentteja ja opastusvideoita. Kyse ei ole vain pienestä mukavuudesta, sillä olemme kuulleet yrityksistä, jotka kamppailevat suurten henkilöstövaihtuvuuksien kanssa kalleimpien asiantuntijoidensa osalta, koska nämä kuormittuvat tuhansien sivujen mittaisilla koulutusmateriaaleilla.

Kuormituksen keventäminen kehittäjiltä

Monet asiakkaat pyytävät meitä päivittämään ERP-järjestelmänsä pilvipohjaiseen SAP S/4HANA -ratkaisuun. Kun muunnamme yhden räätälöidyn alustan toiseksi, tarkasteltavia ja/tai uudelleenkirjoitettavia koodirivejä on lukemattomia, ei ainoastaan ohjelmiston monimutkaisuuden vuoksi, vaan myös siksi, että SAP S/4HANA on perustavanlaatuisesti erilainen.

Tämän mittaluokan ohjelmistomigraatiot vaativat usein satoja tunteja suunnittelu- ja kehitystyötä. Työ on myös erittäin erikoistunutta, sillä SAP on kirjoitettu ABAP-kielellä, joka ei ole läheskään yhtä yleinen kuin JAVA tai Python.

Generatiivisen tekoälyn ansiosta aiemmin pääosin manuaaliset tehtävät ovat kuitenkin nyt pitkälti automatisoituja. Tuhansien SAP-muunnosten kokemuksella meillä on laaja kirjasto vanhoja ja uusia koodipohjia LLM:mme analysoitavaksi. Vertaamalla kunkin muunnoksen aiempaa ja myöhempää koodia työkalumme voi tunnistaa malleja ja oppia, mitä koodia tulee ottaa käyttöön. Nyt insinöörimme voivat ladata suuria koodikokonaisuuksia ja saada suuren osan uudelleenkirjoituksesta tehtyä puolestaan, jolloin heille jää koodin validointi sekä vaativampi ja palkitsevampi ongelmanratkaisu.

Toivottavasti olemme edellä esitetyillä esimerkeillä herättäneet kiinnostuksesi. Tarkastellaan seuraavaksi joitakin haasteita, jotka liittyvät tekoälypohjaisten työkalujen käyttöönottoon yritystasolla.

Mallien kouluttaminen oikealla datalla

Chat-pohjaiset LLM-mallit, kuten ChatGPT ja Gemini (entinen Bard), tarjoavat yllättävän tarkkoja vastauksia, mikä voi luoda vaikutelman, että vastaavan työkalun käyttöönotto sisäisesti tuottaa saman laadun sellaisenaan. Malli voi kuitenkin olla vain niin tarkka kuin data, josta se oppii.

Lisäksi meidän oli huomioitava esimerkiksi seuraavat kysymykset:

• Miten keräämme dataa ja varmistamme, että se on mallin käytettävissä?
• Voimmeko luottaa siihen, että malli tulkitsee ja kääntää muilla kielillä laaditut asiakirjat oikein?
• Miten se tulkitsee dataa eri valuutoissa ja numeroformaateissa?
• Mihin ohjelmistoalustoihin ja -protokolliin se liitetään? (CRM, ERP, sähköposti…)

Vaikka hyvin määritelty malli on tehokas, se ei valitettavasti korvaa hyvin organisoitua ja jäsenneltyä dataa. Vahvat datanhallintakäytännöt ovat edelleen välttämättömiä, jotta mallista saadaan paras mahdollinen hyöty. Tästä syystä katsomme, että räätälöity toteutus on parempi vaihtoehto kuin valmisratkaisu. Keskusteluja on käytävä pienistä projektitiimeistä hallitustasolle asti, eikä vakioitu SaaS-tuote välttämättä tarjoa organisaatiosi tarvitsemaa räätälöitävyyttä.

Yksityisyyden suojaaminen

Luonnollisesti haluaisimme antaa LLM-mallien käsitellä kaikkea sisäistä dataamme, mutta tähän liittyy rajoitteita.

• Sallimmeko mallin käsitellä palkkatietoja ja muuta arkaluonteista dataa? Miten estämme tietojen vuotamisen, jos käyttäjä esittää aiheeseen liittyvän kysymyksen?
• Pitäisikö jokainen käyttäjän kysely kirjata lokiin, vai tulisiko kyselyiden olla salattuja ja luottamuksellisia?

Kehitysprosessin aikana kävi nopeasti ilmi, että meidän on tasapainotettava edistymisen tavoittelu ja arkaluonteisten tietojen suojaaminen. Päätimme myös tinkiä työntekijöiden valvonnasta, jotta käyttäjät luottaisivat työkaluun ja käyttäisivät sitä mahdollisimman laajasti. Toisessa toteutuksessa kaikkien kyselyiden lokittaminen voi olla arvokkaampaa, sillä se mahdollistaisi vuorovaikutusten tarkastelun ja algoritmin kehittämisen.

Luovuuden ja autonomian säilyttäminen

Olemme kaikki kuulleet tarinoita kuljettajista, jotka ovat luottaneet liikaa navigointijärjestelmäänsä ja päätyneet pellolle. Google- ja Apple Maps -palveluihin ei voi luottaa sokeasti, eikä myöskään generatiivisten tekoälyjärjestelmiemme tuottamiin vastauksiin. Yritystason työkalut eivät voi toimia ilman mekanismia, jolla niiden tulokset varmistetaan, mutta tämä on suunniteltava huolellisesti, jotta vastauksen tarkistaminen ei vie yhtä paljon aikaa kuin sen etsiminen perinteisellä tavalla.

Samoin mikään työkalu ei saa korvata luovuutta. Generatiivinen tekoäly voi täydentää olemassa olevia ideoitamme, esimerkiksi tuottamalla kuvia blogikirjoituksen kuvitukseksi. Se voi myös tarjota listan ideoita inspiraation lähteeksi, mutta edelläkävijäyritykset käyttävät tätä tuotosta ainoastaan lähtökohtana. On syytä muistaa, että kun generatiivinen tekoäly kirjoittaa lauseen, se ennustaa seuraavaksi todennäköisimmän sanan, ja kuvageneraattori puolestaan tunnistaa, mikä värillinen pikseli esiintyy useimmin toisen vieressä tiettyihin avainsanoihin liitetyissä kuvissa. Nämä työkalut tuottavat keskiarvoa. Ellemme halua sekoittaa kaikkia värejämme ruskeaksi, ihmisen panos on välttämätön.

Olemassa olevien vinoumien vahvistuminen

On puhuttu paljon riskistä, että tekoäly vahvistaa historiallisia vinoumia. Hyviä lähtökohtia aiheeseen ovat Netflix-dokumentti Coded Bias sekä The Center for Humane Technologyn vuonna 2023 julkaisema esitys The A.I. Dilemma, joka johti Bidenin hallinnon tekoälyä koskevaan toimeenpanomääräykseen ja sääntelyvaihtoehtojen tarkasteluun. Yhteenvetona on tärkeää ymmärtää, että tekoälypohjaiset järjestelmät heijastavat sen datan vinoumia, jolla ne on koulutettu. Sen sijaan että luottaisimme täysin siihen, että nämä vinoumat voidaan suunnitella pois järjestelmistä, vastuumme on tarkastella tuotoksia kriittisesti myös ihmisen näkökulmasta.

Generatiiviseen tekoälyyn liittyviä väärinkäsityksiä

Käytännön tasolla generatiivinen tekoäly ei valitettavasti ole teknologia, joka voidaan yritystasolla ottaa käyttöön yksinkertaisesti lataamalla sovellus tai tilaamalla SaaS-työkalu, vaikka tietyt osa-alueet voivatkin olla odotettua yksinkertaisempia.

LLM-mallit eivät ole väistämättä mustia laatikoita

Vaikka vastauksen muodostamisen tarkkaa prosessia ei voida määrittää, tämä ei tarkoita, etteivätkö LLM-mallit voisi tarjota lähteitä. Kuten kuvasimme vastuullisuusraporttia koskevassa esimerkissä, tiedon lähteiden ilmoittaminen on täysin mahdollista. Lisäksi räätälöidyssä ratkaisussa algoritmit ja koulutusdata ovat tiedossa ja organisaation omistuksessa, eivätkä ulkopuolisen toimijan omistamia.

Generatiivisen tekoälyn työkalut ovat merkittävä investointi

Yrityksissä on usein runsaasti osaavaa teknistä henkilöstöä. Katsomme, että olemassa olevia henkilöresursseja kannattaa hyödyntää mahdollisimman paljon. Organisaatiosi voi esimerkiksi jo olla erittäin osaava tietokantojen rakentamisessa tai LLM-mallien kouluttamisessa. Toisaalta teknisen asiantuntijan palkkaaminen ei aina ole tarkoituksenmukaista. Sen sijaan, että palkkaisitte Python-kehittäjän, organisaatiollenne voi olla tarkoituksenmukaisempaa tilata Python-teknologiaan perustuva SaaS-palvelu. Säästyneet varat voidaan kohdentaa esimerkiksi data scientist -asiantuntijaan, joka jäsentää datan LLM-mallien kannalta ymmärrettävään muotoon. Tällaisilla strategisilla päätöksillä voi olla merkittävä vaikutus kustannuksiin.

Tutustu aiheeseen lisää

Tutustu innovaatio- ja teknologiapalveluihimme