Näyttääkö tällainen kehote tekoälylle tutulta?
”Laske viime tilikauden nettomyynti aktiivisille asiakkaille. Aktiivisella asiakkaalla tarkoitetaan tässä asiakasta, jolla on vähintään yksi toimitettu tilaus tilikauden aikana. Yhdistä CRM:n ja toiminnanohjausjärjestelmän asiakastiedot Y-tunnuksella. Jos asiakkaalta puuttuu Y-tunnus, käytä erillistä tunnisteiden vastaavuustaulukkoa. Kohdista tytäryhtiöiden myynti emoyhtiölle, mutta käytä tilaushetken konsernirakennetta, älä nykyistä. Älä laske emoyhtiön yhteenvetorivejä uudelleen tytäryhtiöiden lukujen päälle. Jätä peruutetut tilaukset pois, vähennä hyvitykset alkuperäiseltä myynniltä ja muunna valuutat euroiksi laskutuspäivän kurssilla. Jos asiakkaan luokitusta tai konsernisuhdetta ei pystytä selvittämään, erittele tapaus tarkistettavaksi sen sijaan, että päättelet sen itse.”
Yhden vastauksen saamiseksi käyttäjä on joutunut kuvaamaan tekoälylle käsitteet, niiden väliset suhteet ja datan käsittelysäännöt. Tämä vaatii aikaa sekä aineistojen ja liiketoiminnan tuntemusta. Jos kuvausta ei tallenneta yhteiseen käyttöön, sama määrittelytyö odottaa seuraavaa käyttäjää ja tekoälyavustajaa.
Kun ohjeita kirjoittaa useampi ihminen, myös määritelmät voivat erota. Yksi määrittelee aktiivisen asiakkaan tilausten, toinen laskutuksen perusteella. Kolmas jättää osan määritelmistä tekoälyn pääteltäväksi. Kaikki voivat saada uskottavan vastauksen, vaikka luvut perustuvat eri tulkintoihin. Ongelma kertautuu, kun samaa dataa käyttävät yhä useammat agentit, sovellukset ja raportit.
Liiketoimintalogiikka ei saisi jäädä yksittäisten kehotteiden varaan. Käsitteille ja säännöille tarvitaan yhteinen kuvaus, jota voidaan ylläpitää keskitetysti ja hyödyntää eri käyttötarkoituksissa.
Tässä kuvaan astuu ontologia.
Ontologia on tapa kuvata liiketoiminnan käsitteet, niiden väliset suhteet ja niitä koskevat säännöt koneluettavassa muodossa. Sen lupaus on, että sama määrittelytyö palvelee useita käyttötapoja: jokaiselle agentille, raportille ja sovellukselle ei tarvitse rakentaa omaa versiota liiketoimintalogiikasta. Määritelmistä on edelleen sovittava ja niitä on päivitettävä, mutta työ tehdään yhteiseen käyttöön.
Tietomallia ontologia ei korvaa. Tietomalli kertoo usein, miten data on tallennettu yhteen järjestelmään, kun taas ontologia kuvaa sen merkityksiä yli järjestelmärajojen.
Ontologian ajatus ei ole uusi. Ontologioita on käytetty pitkään aloilla, joilla monen toimijan on ymmärrettävä sama tieto samalla tavalla. Terveydenhuollon SNOMED CT -termistössä on yli 360 000 käsitettä. Rahoitusalan FIBO-ontologia puolestaan syntyi vuoden 2008 finanssikriisin jälkeen yhteiseksi sanastoksi analyysiin ja viranomaisraportointiin.
Pitkään ontologiat jäivät kuitenkin erikoisosaajien välineiksi. Tekoälyagenttien myötä niiden ratkaisema ongelma koskee yhä useamman organisaation tiedonhallintaa: pelkkä pääsy dataan ei riitä, vaan koneen on ymmärrettävä myös datan merkitykset ja käyttöä ohjaavat säännöt.
Fabric IQ tuo tämän ajatuksen osaksi Microsoftin Fabric-data-alustaa. Sen keskeinen toiminnallisuus on Ontology, jossa liiketoiminnan käsitteet, niiden väliset suhteet ja datan hyödyntämistä ohjaavat säännöt kuvataan ja sidotaan suoraan siihen dataan, joka on jo Fabricissa. Dataa ei tarvitse kopioida mihinkään. Säännöt voidaan kirjoittaa tavallisella kielellä, ja laskennassa voidaan hyödyntää Power BI -mallien valmiita mittareita.
Kaikkea ei tarvitse aloittaa tyhjästä. Ontologian ensimmäisen version voi luoda olemassa olevasta Power BI -mallista, ja standardimuotoisia ontologioita voi tuoda Fabriciin ja viedä sieltä myös ilman dataa.
Ontology-toiminnallisuus on vielä preview-vaiheessa, mutta kokeiluihin se riittää jo hyvin. Siksi ryhdyin tuumasta toimeen: rakensin Fabric IQ:hun ontologiat kahden hyvin erilaisen data-aineiston päälle ja kytkin ne tekoälychattiin. Halusin selvittää, mitä tekoäly pystyy tekemään, kun datan tulkintaan tarvittavat käsitteet ja säännöt on kuvattu sille valmiiksi.
Ensimmäisessä kokeilussa testasin liiketoimintasääntöjen soveltamista, toisessa eri lähteistä tulevan datan tulkintaa.
Kuvitellaan kaupungin tilapalvelut, jotka hankkivat kalusteita kouluihin, kirjastoihin, sairaaloihin ja muihin julkisiin tiloihin. Kalusteita voi olla eri kohteissa tuhansia, ja niiden pitäisi täyttää käyttötarkoitukseensa liittyvät vaatimukset.
Pelkkä kalusteluettelo ei kuitenkaan kerro, sopiiko kaluste siihen tilaan, johon se on sijoitettu. Arviointiin tarvitaan tietoa kalusteen käyttötarkoituksesta, sijaintipaikasta ja sitä koskevista vaatimuksista. Voisiko tekoäly yhdistää nämä tiedot ja löytää sääntörikkomukset?
Rakensin kokeilua varten tekoälyn avulla kuvitteellisen aineiston, jossa oli 848 inventaarioriviä eri rakennuksiin ja tiloihin sijoitetuista kalusteista. Aineistossa oli yli 50 huonekalutyyppiä, 21 tilatyyppiä ja 46 materiaalia.
Rakensin datan päälle ontologian Fabric IQ:lla. Kuvasin siihen kalusteisiin ja rakennuksiin liittyviä käsitteitä ja niiden välisiä suhteita: esimerkiksi sohva ja nojatuoli ovat istuimia, kaluste sijaitsee tietyssä tilassa ja tila kuuluu tiettyyn rakennukseen.
Lisäksi kuvasin 13 liiketoimintasääntöä ja annoin jokaiselle vakavuustason, kuten virhe tai varoitus, sillä kaikki poikkeamat eivät ole yhtä vakavia. Yhden säännön mukaan julkisissa rakennuksissa pitää käyttää sopimuskäyttöön tarkoitettuja kalusteita. Koska koulut, kirjastot ja sairaalat on kuvattu julkisen rakennuksen alatyypeiksi, sääntö koskee niitä kaikkia ilman erillistä luettelointia. Myös myöhemmin lisättävät rakennustyypit tulevat sen piiriin automaattisesti.
Kuva 1. Sohva-käsite Microsoft Fabric IQ:ssa. Näkymä havainnollistaa, miten käsite sijoittuu hierarkiaan Huonekalu → Istuin → Sohva ja perii ominaisuuksia ylemmiltä käsitteiltä.
Erotin myös tuotemallin fyysisestä kalusteesta. Tieto siitä, että tietty pöytämalli on tarkoitettu kotikäyttöön, määriteltiin tuotemallille kerran. Inventaariodata puolestaan kertoi, missä kyseisen mallin pöytiä sijaitsee.
Kun ontologia oli kytketty dataan, kysyin tekoälyavustajalta: ”Mitkä julkisten rakennusten kalusteet ovat kotikäyttöön tarkoitettuja?”
Tekoäly löysi 848 inventaariorivistä kaksi kysymystä vastaavaa tapausta. Yksi niistä oli Harjunrinteen yhtenäiskoulun ruokasalissa olevat 12 Kallio-ruokapöytää.
Pelkkä tieto pöytien sijainnista ei kerro, onko kaikki kunnossa. Ontologian avulla tekoäly yhdisti siihen tiedon, että Kallio-pöytämalli on tarkoitettu kotikäyttöön, ruokasali kuuluu kouluun ja koulu on julkinen rakennus. Koska julkisissa rakennuksissa pitää käyttää sopimuskäyttöön tarkoitettuja kalusteita, pöydät muodostivat tarkistettavan poikkeaman.
Olennaista ei ollut vain kahden poikkeaman löytyminen. Niiden tunnistamiseen tarvittavaa liiketoimintalogiikkaa ei tarvinnut selittää itse kysymyksessä, sillä käsitteet, niiden väliset suhteet ja sovellettava sääntö oli kuvattu ontologiaan.
Tilapalveluille tällainen apu voisi vähentää inventaariotietojen ja käyttövaatimusten käsin yhdistelyä ja kohdistaa asiantuntijan huomion tarkistettaviin kohteisiin. Kuvitteellisella aineistolla tehty kokeilu havainnollistaa mahdollista käyttötapaa, ei vielä todellisessa työssä mitattua hyötyä.
Kuvitellaan korkeakoulun suunnittelu- ja raportointitoiminto tai opetusalan viranomainen, joka seuraa tutkintoja, opiskelijamääriä ja henkilöstöä useasta tilastoaineistosta. Sama tilanne on tuttu muillekin organisaatioille, joiden data tulee useasta järjestelmästä.
Kysymykset ”Montako tutkintoa korkeakouluissa suoritettiin viime vuonna?” tai ”Paljonko henkilöstöä niissä oli?” kuulostavat yksinkertaisilta. Oikea vastaus edellyttää kuitenkin aineistojen erityispiirteiden tuntemista:
Asiantuntija tuntee nämä erot. Tekoäly ei tunne niitä, ellei tunnisteiden yhteyksiä, luokitusten vastaavuuksia ja laskentasääntöjä ole tehty sille näkyviksi.
Käytin toisessa kokeilussani todellista, opetushallinnon Vipunen-palvelusta ladattua avointa tilastodataa oppilaitoksista, tutkinnoista, opiskelijamääristä ja henkilöstön henkilötyövuosista. Rakensin aineistosta ensin yhtenäisen tietomallin sekä ontologian Copilotin avustamana ja vein sen datan kera Fabriciin.
Kuvasin ontologiaan yhteisen käsitteistön, jonka avulla eri tunnisteilla esiintyviä organisaatioita ja eri tavoin muodostettuja luokituksia voidaan tulkita yhtenäisesti. Esimerkiksi korkeakoulu, oppilaitos, koulutuksen järjestäjä ja toimipaikka kuvattiin yhteisen Organisaatio-käsitteen alle. Yliopistojen ja ammattikorkeakoulujen henkilöstöluokitukset puolestaan yhdistettiin yhteiseen käsitteistöön niin, että alkuperäiset koodit säilyivät.
Laskentasäännöt kirjasin tässä kokeilussa mittareiden kuvauksiin, jotta myös lukujen käyttöä koskevat ohjeet olivat tekoälyn saatavilla.
Sen jälkeen kysyin tekoälyavustajalta: ”Montako tutkintoa suoritettiin viimeisimpänä lopullisena tilastovuonna?”
En kertonut kysymyksessä, mikä aineisto tekoälyn pitäisi valita tai että ennakkoaineisto pitäisi jättää pois. Tekoäly käytti sille kuvattua kontekstia, valitsi lopullisen aineiston ja sai vuoden 2025 tutkintomääriksi ammattikorkeakouluissa 35 861 ja yliopistoissa 38 752.
Olennaista ei ollut tutkintojen määrä, vaan se, että pystyin esittämään tiedontarpeeni tekoälylle ilman laskentaa koskevia erityisohjeita. Tarvittavat tulkintasäännöt oli kuvattu valmiiksi.
Tiedon käyttäjälle hyöty näkyy sujuvampana tiedonhakuna: kysymyksen voi esittää tuntematta lähdeaineistojen kaikkia erityispiirteitä.
Kokeiluissa tekoäly ei tarvinnut lisää raakaa dataa, vaan tietoa sen tulkintaan. Ensimmäisessä kokeilussa korostuivat käsitteiden väliset suhteet ja käyttövaatimukset, toisessa eri lähdeaineistojen tulkintasäännöt.
Yhteinen ontologia voi tarjota tekoälylle:
Ontologialle voi esittää kysymyksiä luonnollisella kielellä suoraan Fabricissa antamalla sen Fabricin data-agentin tietolähteeksi. Omissa kokeiluissani kytkin ontologiat kuitenkin ulkoiseen tekoälyavustajaan MCP:n eli Model Context Protocolin kautta. Fabric IQ tarjoaa tämän mahdollisuuden jo preview-vaiheessa.
MCP on avoin standardi, jolla tekoälysovellus liitetään ulkoisiin työkaluihin ja tietolähteisiin. Se toimii kuin pistoke: kun ontologia on tarjolla MCP-palvelimena, sen voi liittää mihin tahansa MCP:tä tukevaan tekoälysovellukseen, kuten Claudeen, Copilot Studioon tai organisaation omaan agenttiin, ilman erillistä integraatiokoodia.
Avustajan ei tarvinnut tietää taulujen nimiä tai liitosavaimia. Se luki ensin ontologiasta, mitä käsitteitä on ja mitä sääntöjä niitä koskee, ja haki sitten vastauksen oikeasta datasta. Kaikki tämän blogin kokeiluissa käytetyt tulokset haettiin näin.
Yhteys salli vain tietojen lukemisen, ja kyselyt noudattivat Fabricin käyttöoikeuksia. Ontologia ei siis kierrä tietoturvaa: avustaja ei saa pääsyä dataan, johon käyttäjällä ei ole oikeutta.
Oman kokemukseni perusteella ontologian rakentaminen Fabric IQ:lla sujui suhteellisen helposti, ja hyöty näkyi kokeiluissa heti. Visuaalinen työkalu mahdollisti rakentamisen ilman koodaamista, säännöt pystyi kirjoittamaan tavallisella kielellä ja Copilot nopeutti matkaa raakadatasta ontologiaan.
Suurin haaste ei silti ole tekninen. On sovittava, mitä liiketoiminnan käsitteet tarkoittavat, miten ne liittyvät toisiinsa ja mitkä säännöt niitä koskevat. Tätä ymmärrystä mikään työkalu ei tuota valmiina. Uskon, että työ maksaa itsensä takaisin, kun samoja määritelmiä hyödynnetään useissa raporteissa, integraatioissa ja tekoälysovelluksissa. Liikkeelle kannattaa lähteä rajatusti:
Tekoäly ei luo liiketoiminnan yhteistä ymmärrystä puolestamme. Ontologian avulla voimme kuitenkin tehdä tuosta ymmärryksestä yhteisen lähtökohdan sen sijaan, että rakennamme sen uudelleen jokaisessa kehotteessa.
Efima auttaa kokoamaan yrityksesi käsitteet, tiedon ja toimintatavat tekoälyn hyödynnettäväksi kontekstikerrokseksi. Yhdistämme data-, prosessi- ja teknologiaosaamisen ja etenemme kanssasi vaiheittain konkreettisista käyttötarpeista lähtien.