Kuvittele seisovasi frontonilla, pitkällä kolmelta sivulta seinien rajaamalla kentällä. Käteesi on kiinnitetty käyrä pajukori, cesta. Vastustaja sinkoaa pallon etuseinään, ja se kimpoaa sinua kohti parhaimmillaan lähes 300 kilometrin tuntinopeudella. Sinun pitäisi siepata se ilmasta tai yhden pompun jälkeen ja palauttaa se yhdellä sulavalla liikkeellä. Joukkuetoveri huutaa jotain chulasta. Vasta myöhemmin kuulet, että se on lyönti, joka osuu takaseinään niin alas, että pallo melkein pysähtyy.
Olet keskellä Jai alai -ottelua.
Voit olla taitava tennispelaaja tai kokenut squashin pelaaja, mutta siitä on tässä tilanteessa vain rajallisesti apua. Yleinen pallopelitaito ei vielä kerro, mitkä juuri tämän pelin säännöt ovat, miten kentällä liikutaan tai miten erilaisia tilanteita tulkitaan.
Yrityksen tekoäly on samassa asemassa. Kielimalli voi olla poikkeuksellisen kyvykäs, mutta jokaisessa organisaatiossa se astuu vieraalle kentälle. Sen täytyy oppia, mitä juuri tässä yrityksessä käsitteillä tarkoitetaan, mistä luotettava tieto löytyy, miten tiedot liittyvät toisiinsa ja mitä niillä saa tehdä.
Tätä ymmärrystä voidaan ajatella yrityksen kontekstikerroksena.
Tekoälyn kontekstiongelmassa ei oikeastaan ole mitään uutta. Datasiilot, ristiriitaiset määritelmät ja hajallaan oleva tieto ovat olleet yritysten arkea vuosikymmeniä. Miksi niistä sitten puhutaan nyt niin paljon?
Koska tähän asti ihmiset ovat täydentäneet puuttuvaa kontekstia lähes huomaamattaan.
Controller tietää, että toteutunut myynti tarkistetaan yhdestä järjestelmästä eikä budjettitaulukosta. Myyjä tietää, kumpi asiakasrekisteri on ajan tasalla. Kokenut asiantuntija muistaa, mitä asiakkaan kanssa viimeksi sovittiin.
Kaikkea tätä ei ole tarvinnut kirjoittaa auki, koska ihmiset ovat oppineet organisaation toimintatavat kokemuksen kautta ja osanneet kysyä tarvittaessa toisiltaan.
Tekoälyllä ei lähtökohtaisesti ole tätä hiljaista tietoa. Se ei opi organisaation toimintatapoja kahvihuonekeskustelujen kautta, ja se voi vastata vakuuttavasti saatavilla olevan mutta väärin tulkitun tiedon perusteella. Tekoäly ei siis tuo yrityksiin kokonaan uutta tiedonhallinnan ongelmaa. Se tekee olemassa olevan ongelman näkyväksi.
Otetaan arkinen kysymys: paljonko myimme viime kuussa?
Ihmiselle kysymys voi kuulostaa yksinkertaiselta. Tekoälyn näkökulmasta se voi kuitenkin sisältää monta avoimeksi jäävää asiaa.
Mitä myynnillä tarkoitetaan? Toteutunutta liikevaihtoa, tilauksia vai laskutusta? Minkä liiketoimintayksikön myyntiä kysytään? Miltä aikaväliltä? Mistä järjestelmästä oikea luku löytyy?
Jos tekoäly ei tunne näitä yrityksen sisäisiä merkityksiä ja sääntöjä, se voi löytää esimerkiksi budjettiluvun ja esittää sen vakuuttavasti vastauksena. Luku näyttää uskottavalta, ja juuri siksi tilanne on vaarallinen. Väärään tulkintaan perustuva päätös voi olla suurempi riski kuin kysymys, johon ei saada vastausta lainkaan.
Otetaan toinen esimerkki tosielämästä: konsernin johto halusi tietää asiakkaiden kokonaismäärän sekä uusien ja poistuneiden asiakkaiden määrän. Kävi ilmi, ettei konsernissa ollut yhteistä määritelmää sille, mikä ylipäätään lasketaan asiakkaaksi. Tarkoitetaanko asiakkaalla juridista asiakasyritystä, sen toimipaikkaa tai tuotteen käyttöpaikkaa vai yksittäistä asiakasprojektia? Entä milloin asiakas lasketaan mukaan: kun sillä on voimassa oleva sopimus, laskutusta tarkastelujaksolla, avoin projekti vai käytössä oleva tuote?
Yhteisen määritelmän rakentaminen vaati määrätietoista työtä. Jos toimitusjohtaja olisi kysynyt asiaa tekoälyltä ennen sitä, tekoäly olisi saattanut pystyä tuottamaan luvun. Ongelma olisi ollut, ettei ollut olemassa yhtä yhteisesti hyväksyttyä tapaa laskea sitä.
Tästä syntyy yksi tekoälyn käytön keskeisistä paradokseista. Kun tekoälylle avataan pääsy yhä useampiin tietolähteisiin, sille on samalla tehtävä näkyväksi, mikä tieto on missäkin tilanteessa relevanttia ja luotettavaa.
Lisää dataa ei siis automaattisesti tarkoita parempia vastauksia. Ilman riittävää kontekstia se voi tarkoittaa myös enemmän mahdollisuuksia tulkita tietoa väärin.
Mitä tekoälyn sitten pitää tietää yrityksestä toimiakseen luotettavasti? Yksinkertaisimmillaan asiaa voi lähestyä viiden kysymyksen kautta.
Yrityksillä on oma kielensä. Mitä tarkoitamme asiakkaalla, myynnillä, tilauksella tai kannattavuudella? Miten mittarit lasketaan ja miten eri käsitteet liittyvät toisiinsa?
Ihmiselle nämä merkitykset voivat olla perehdytyksen tai vuosien kokemuksen jälkeen itsestäänselviä. Tekoälylle eivät. Siksi liiketoiminnan käsitteet ja niiden suhteet täytyy kuvata tavalla, jota myös kone pystyy hyödyntämään.
Seuraavaksi tekoälyn pitää tietää, mistä sen tarvitsema tieto löytyy. Asiakkaaseen liittyvää tietoa voi olla CRM:ssä, ERP:ssä, sopimuksissa, sähköposteissa ja dokumenteissa. Pelkkä pääsy näihin lähteisiin ei vielä auta, jos tekoäly ei osaa löytää oikeaa tietoa niiden joukosta.
Kontekstikerros auttaa yhdistämään kysymyksen niihin tietolähteisiin, joista vastausta kannattaa etsiä.
Tiedon löytyminen ei vielä tarkoita, että se olisi oikea vastaus.
Yrityksessä voi olla useita samankaltaisia lukuja, eri aikaan päivitettyjä tietoja tai rinnakkaisia järjestelmiä. Jos tekoälyltä kysytään viime kuun myyntiä, sen pitää pystyä erottamaan toteutunut myynti budjetista ja tietää, mikä lähde toimii tämän tiedon osalta ensisijaisena lähteenä.
Tässä metadata, tiedon alkuperä, master data ja muut tiedonhallinnan käytännöt muuttuvat tekoälyn kannalta olennaisiksi. Niiden avulla tekoälylle voidaan välittää ymmärrystä siitä, mikä tieto on ajantasaista, mistä se on peräisin ja mitä lähdettä missäkin tilanteessa pitäisi käyttää.
Tekoälyn pitää ymmärtää myös tiedon käytön rajat. Kaikki teknisesti saatavilla oleva tieto ei kuulu kaikille eikä kaikkea tietoa saa käyttää kaikkiin tarkoituksiin. Tekoälyn pitäisi pystyä huomioimaan käyttöoikeudet ja tiedon suojaamiseen liittyvät säännöt sekä tarvittaessa tunnistamaan, ettei sillä tai käyttäjällä ole oikeutta tarvittavaan tietoon.
Tämä on myös tärkeä osa luottamuksen rakentamista. Kun käyttöoikeudet ja tiedon käytön pelisäännöt kulkevat tiedon mukana, tekoälyn hyödyntäminen ei ole vain käyttäjän oman harkinnan varassa. Ihmiselle jää vastuu arvioida tekoälyn tuottamaa lopputulosta, mutta konteksti auttaa ohjaamaan tekoälyä toimimaan sovittujen rajojen sisällä.
Ehkä vaikeimmin kuvattava osa kontekstia on yrityksen toimintalogiikka. Mitä tapahtuu, kun asiakas tekee reklamaation? Miten poikkeustilanne käsitellään? Mitä pitää tarkistaa ennen päätöstä? Milloin asia pitää hyväksyttää toisella henkilöllä?
Osa tällaisesta tiedosta löytyy prosessikuvauksista ja liiketoimintasäännöistä. Osa taas ei löydy järjestelmistä tai dokumenteista lainkaan, vaan elää kokeneiden asiantuntijoiden päässä hiljaisena tietona. Juuri tässä tekoälyn ja ihmisen ero tulee erityisen näkyväksi: ihminen oppii vähitellen, miten täällä on tapana toimia. Tekoälylle myös tämä ymmärrys täytyy tehdä tavalla tai toisella näkyväksi.
Yhdessä nämä viisi asiaa muodostavat kontekstin, jonka avulla tekoäly pystyy toimimaan yrityksen omalla pelikentällä: se ymmärtää, mitä asiat tarkoittavat, mistä tieto löytyy, mihin tietoon voi luottaa, mitä sillä saa tehdä ja miten organisaatiossa toimitaan.
Kontekstikerroksen rakentaminen voi kuulostaa suurelta urakalta, mutta harva yritys lähtee liikkeelle tyhjästä. Raaka-aineita löytyy jo dokumenteista, tietomalleista, datakatalogeista, prosessikuvauksista ja ihmisten osaamisesta. Erityisen arvokasta aineistoa ovat yritysten perehdytysmateriaalit ja työohjeet: niihin on jo valmiiksi pyritty tekemään näkyväksi sitä tietoa ja niitä toimintatapoja, jotka uuden työntekijän pitää ymmärtää päästäkseen sisälle yrityksen tapaan toimia. Juuri tällaista kontekstia myös tekoäly tarvitsee.
Myös tekoäly voi auttaa tämän olemassa olevan perustan jäsentämisessä. Olen työurani aikana istunut lukuisissa työpajoissa, joissa käsitteitä on kirjattu post-it-lapuilla seinälle. Hiljattain näin demon, jossa datakatalogityökalu tunnisti asiakkaan kvartaaliraportista noin 150 kriittistä tietoelementtiä validoitavaksi. Myös käsitemalleja voidaan muodostaa tekoälyn avulla olemassa olevasta dokumentaatiosta. Tässä on kiinnostava kehä: tekoäly voi auttaa rakentamaan juuri sitä kontekstia, jota se itse tarvitsee toimiakseen yrityksessä luotettavasti. Ihmiselle jää edelleen olennainen tehtävä tarkistaa, priorisoida ja päättää, mikä on liiketoiminnan kannalta oikein.
Kaikkea ei myöskään tarvitse kuvata kerralla. Hyvä lähtökohta on yksi liiketoiminnan kysymys tai käyttötapaus, jossa parempi vastaus tuo selvää arvoa. Mitä tekoälyn pitäisi ymmärtää, jotta se voisi esimerkiksi vastata luotettavasti asiakkaisiin, myyntiin tai kannattavuuteen liittyvään kysymykseen? Mitkä käsitteet sen täytyy tuntea, mistä tarvittava tieto löytyy, mihin lähteisiin voi luottaa, kuka tietoa saa käyttää ja mitä tekoälyn pitää ymmärtää yrityksen toimintatavoista?
Näin kontekstia rakennetaan tarpeeseen, ei kaiken kattavaksi harjoitukseksi. Kun samaa perustaa hyödynnetään ja täydennetään seuraavissa käyttötapauksissa, pala palalta yksittäisistä tekoälykokeiluista alkaa syntyä jotain pysyvämpää: yrityksen yhteistä, uudelleenkäytettävää kontekstia.
Jai alaissa pisteen voittaja jää kentälle kohtaamaan seuraavan haastajan. Hyvin rakennettu konteksti toimii hieman samalla tavalla: sitä ei rakenneta vain yhtä kysymystä varten, vaan se jää yrityksen käyttöön ja voi palvella seuraavia tekoälyn käyttötapauksia.
Siksi tekoälyhankkeen alussa kannattaa pysähtyä yhden kysymyksen äärelle jo ennen mallien ja teknologioiden vertailua:
Kuinka suuri osa yrityksemme toimintalogiikasta on edelleen vain ihmisten päissä?
Juuri sitä osaa tekoäly ei itsestään näe.
Autamme tunnistamaan, mitä määritelmiä, tietolähteitä ja toimintatapoja teillä on jo olemassa, ja rakentamaan niistä kontekstia, jota tekoäly voi hyödyntää.