Tekoäly (AI)
Tekoäly (AI) viittaa tietokonejärjestelmiin, jotka suorittavat tehtäviä, jotka normaalisti vaativat ihmisälyä, kuten mallien tunnistamista, kielen ymmärtämistä tai päätösten tekemistä.
Tekoäly on tietojenkäsittelytieteen ala, joka keskittyy rakentamaan järjestelmiä, jotka pystyvät ratkaisemaan tehtäviä, jotka normaalisti vaatisivat ihmisen ajattelua, kuten mallien tunnistamista, kielen ymmärtämistä, ennustamista tai päätösten tukemista. Useimmat nykyisin käytössä olevat tekoälyjärjestelmät perustuvat koneoppimiseen: sen sijaan, että niihin ohjelmoitaisiin selkeät säännöt, ne koulutetaan suurella määrällä dataa, josta ne oppivat tilastollisia kaavoja. Tunnettu esimerkki ovat suuret kielimallit, jotka tuottavat tekstiä ennustamalla toistuvasti todennäköisintä seuraavaa sanaa valtavasta tekstimäärästä opittujen kaavojen perusteella. Hyödyllinen erottelu tehdään kapean tekoälyn, joka on rakennettu yhtä tiettyä tehtävää varten, ja yleisen tekoälyn välillä, joka vastaisi ihmisen tason ajattelua kaikilla alueilla mutta jota ei vielä ole olemassa.
Yritysympäristöissä tekoälyä käytetään enimmäkseen suppeasti määriteltyihin tehtäviin, ei laajaan, yleiseen ongelmanratkaisuun. Yleisiä esimerkkejä ovat asiakirjojen automaattinen luokittelu, virheiden havaitseminen valokuvista, konedatan analysointi vikojen ennustamiseksi (ennakoiva kunnossapito) tai asiakaspalvelun chatbottien käyttö. Tekoälymallit tukevat myös suunnittelu- ja ennustetyötä, esimerkiksi varastonhallinnassa tai tuotannon aikataulutuksessa. Yhdistettynä RPA:han (robottiprosessiautomaatioon) tekoäly tarjoaa usein päätöksentekologiikan, kun taas RPA suorittaa varsinaiset vaiheet liiketoimintajärjestelmissä.
Tekoälyjärjestelmä on vain niin hyvä kuin data, jolla se on koulutettu, ja se tekee päätöksiä todennäköisyyksien, ei aidon ymmärryksen, perusteella. Tämä tarkoittaa, että se voi tuottaa itsevarman mutta väärän tai keksityn vastauksen, ongelmaa kutsutaan hallusinaatioksi. Tästä syystä ihmisen valvonta on edelleen välttämätöntä tärkeissä päätöksissä, erityisesti silloin, kun tuloksilla on oikeudellisia, taloudellisia tai turvallisuuteen liittyviä seurauksia. Tekoälyä käyttöön ottavien yritysten kannattaa yleensä aloittaa pienestä, pistokoein tarkistaa tulokset ja soveltaa sitä ensin siellä, missä virheet havaitaan ajoissa ja aiheuttavat vain vähän haittaa.
Käytännön esimerkki
18 työntekijän käsityöyritys käyttää tekoälypohjaista kuvantunnistusta havaitakseen vaurioituneet osat saapuvan tavaran tarkastuksessa. Aiemmin yksi työntekijä tarkasti käsin noin 200 saapuvaa osaa päivässä ja jätti huomaamatta noin 3-4 prosenttia virheistä. Tekoälytarkastuksen käyttöönoton jälkeen huomaamatta jäävien virheiden osuus laskee alle 1 prosenttiin, ja työntekijä säästää noin 45 minuuttia päivässä, jonka hän käyttää nyt reklamaatioiden käsittelyyn ja toimittajien kanssa keskusteluun. Tekoäly ei korvaa työntekijää; se hoitaa tarkastuksen toistuvan osan, kun taas rajatapaukset päättää edelleen ihminen.
Miten Leanshift auttaa
Leanshiftille tekoäly on työkalu prosessien parantamiseen, ei itsetarkoitus. Sitä kannattaa käyttää siellä, missä se havaittavasti parantaa jotain tiettyä prosessin vaihetta, säästää aikaa tai vähentää virheitä, samalla mittapuulla kuin mitä tahansa muuta Kaizen-toimenpidettä. Se pitää huomion oikeassa tavoitteessa: ei mahdollisimman paljon tekoälyn käytössä, vaan siinä, että ihmiset ymmärtävät ja parantavat omia prosessejaan.
Usein kysytyt kysymykset
Onko tekoäly sama asia kuin algoritmi?
Ei. Jokainen algoritmi on kiinteä laskennallisten vaiheiden sarja, mutta kaikki algoritmit eivät opi datasta. Tekoälyjärjestelmät käyttävät algoritmeja, jotka johtavat kaavoja esimerkeistä itsenäisesti sen sijaan, että ne olisi ohjelmoitu selkeästi jokaista tapausta varten.
Tarvitseeko pienyritys omia tekoälymalleja?
Yleensä ei. Valmiit tekoälytyökalut ja -palvelut kattavat jo tyypilliset tehtävät, kuten tekstin tuottamisen, kuvantunnistuksen tai ennustamisen; oman mallin kouluttaminen kannattaa vain hyvin spesifisissä, toistuvissa käyttötapauksissa.
Kuinka luotettavia tekoälyn tulokset ovat?
Se riippuu vahvasti tehtävästä ja koulutusdatasta. Suppeasti määritellyissä tehtävissä, kuten kuvantunnistuksessa, virhemäärät ovat usein pieniä ja helposti mitattavissa, kun taas avoimet tehtävät, kuten tekstintuotanto, tulisi aina tarkistaa pistokokein.