Tervetuloa Pienen Suuren Tekoälysanaston pariin! Tämän artikkelin kunnianhimoisena tavoitteena on määritellä tekoälyyn ja analytiikkaan liittyvät termit lyhyesti, tarkasti ja ilman turhaa jargonia.

Paljastettakoon, että tehtävä oli haastava jo siitäkin syystä, että keskeisimmille termeille on kirjoiteltu paljon määritelmiä, ja ne ovat tietysti kaikki keskenään erilaisia. Esimerkiksi ”tiedolla johtaminen” -termin luulisi vakiintuneen aikapäiviä sitten, mutta totuus on toinen.

Toinen suuri ongelma on tarkoitushakuinen hämmentäminen. Perusanalytiikkaratkaisukin muuttuu herkästi markkinoinin käsittelyssä tai sisäisessä viestinnässä ultramoderniksi tekoälyratkaisuksi – ”tosiälyksi” tai joksikin muuksi yhtä mystiseksi. Termeistä keskustelu tuskin tähän päättyy, mutta ainakin blogimme on yritys yhdenmukaistaa alan terminologiaa. Toivottavasti sanastosta on sinulle hyötyä!

Käymme tässä artikkelissa läpi 10 mielestämme tärkeintä termiä. Jos etsimääsi termiä ei tästä artikkelista löydy, alta pääset lataamaan itsellesi ilmaisen Tekoälysanaston, johon olemme keränneet tekoälyn ja analytiikan 30 keskeisintä termiä kätevään sanakirjamuotoon.

tekoäly_edistynyt analytiikka_automaatio

1. Tiedolla johtaminen (Business Intelligence)

Tiedolla johtaminen tarkoittaa yksinkertaisesti oikeaan tietoon perustuvaa päätöksentekoa. Oikea tieto saadaan dataa analysoimalla. Toiset määrittelevät tiedolla johtamisen päätöksenteon tukijärjestelmien, raporttien ja dashboardien, tuottamaan tietoon perustuvaksi päätöksenteoksi. Tämän määritelmän mukaan edistynyt analytiikka olisi jotain, joka tulee tiedolla johtamisen lisänä. Me ymmärrämme tiedolla johtamisen tarkoittavan kaikkea analytiikkaa.

Tietoon perustuva päätöksenteko voi tiedolla johdetuissa organisaatioissa olla osin automaattista. Esimerkiksi pienet päätökset, kuten mitä tuotetta asiakkaalle suositellaan, kannattaa automatisoida. Tällaisten pienten päätösten takana voi toisaalta olla hyvinkin edistynyttä analytiikkaa. Ks. myös ”analytiikka”.

Lue lisää 👉 Mitä on tiedolla johtaminen?

Saisiko olla video aiheesta? 🎥 Videosarja – Modernin tiedolla johtamisen kulmakivet

2. Analytiikka

Analytiikalla tarkoitetaan yksinkertaisesti datan analysointia matemaattisin menetelmin jonkin selkeästi määritellyn kysymyksen ratkaisemiseksi. Data voi olla numeerista dataa, tekstiä, kuva- tai äänidataa tai jotain muuta. Analytiikan sovelluksia ovat esimerkiksi vakuutusriskin laskenta, huoltotarpeen ennustaminen tai potilasriskin laskenta. Laajasti ymmärrettynä analytiikka kattaa kaiken data-analytiikan perinteisistä raporteista edistyneimpiin ennustemalleihin.

Analytiikka- ja tekoäly-termejä käytetään nykyisin monesti sekaisin. Jos esimerkiksi asiakaspoistuman ennakoinnista puhuttiin aiemmin yksinkertaisesti analytiikkana, kutsutaan nyt tekoäly-hypen aikakaudella samaa asiaa tekoälyksi.

tekoäly_analytiikka

Analytiikan tasot on selitetty kohdissa ”Selittävä analytiikka” (taso 1), ”Diagnostiikka” (taso 2), ”Ennakoiva analytiikka” (taso 3) ja ”Optimoiva analytiikka” (taso 4).

Tunnetaan myös nimellä: Data-analytiikka

2.1 “Perinteinen analytiikka”

Selittävä analytiikka

Hienompi nimitys raportoinnille. Selittävä analytiikka on tason 1 analytiikkaa. Selittävä analytiikka selittää, eli kertoo mitä on tapahtunut. Talouden ja myynnin raportit ovat kaikki selittävää analytiikkaa. Jos käytetään esimerkkinä HR-raportointia, selittävä analytiikka kertoo miten paljon sairauspoissaolot ovat lisääntyneet verrattuna edelliseen vuoteen, mutta ei yritä selittää miksi niiden määrä on lisääntynyt.

Tunnetaan myös nimellä: Deskriptiivinen analytiikka

Diagnostiikka

Diagnostiikka on tason 2 analytiikkaa. Jos käytetään esimerkkinä HR-raportointia, diagnostiikka vastaa ”miksi sairauspoissaolot lisääntyivät” -tyyppisiin kysymyksiin. Taso 1 kertoo vain sen, että sairauspoissaolot lisääntyivät.

Tunnetaan myös nimellä: Diagnostinen analytiikka

Paikkatietoanalytiikka

Paikkatietoanalytiikalla eli geoprosessoinnilla tarkoitetaan yleensä tiedolla johtamisen muotoa, joka perustuu vahvasti karttapohjaiseen visualisointiin ja/tai dashboardiin. Kyse on tason 1 tai 2 analytiikasta, “peruutuspeiliin katsomisesta”, joka antaa kuvan nykytilanteesta.

Käytämme erotuksena perinteisestä paikkatietoanalytiikasta termiä ”sijaintitietoanalytiikka”, joka tarkoittaa edistynyttä analytiikkaa, jossa sijaintitieto on mukana.

2.2 Edistynyt analytiikka

Edistyneeksi analytiikaksi kutsutaan kaikkea sitä analytiikkaa, joka on edistyneempää kuin perinteinen ”peruutuspeiliin katsominen”. Yleensä selittävä analytiikka ja diagnostiikka lasketaan perinteiseksi analytiikaksi, ja kaikki siitä edistyneemmät analytiikkamallit, ennustemallit ja optimoiva analytiikka, lasketaan edistyneeksi analytiikaksi. Edistyneessä analytiikassa piilee analytiikan suurin potentiaali, jonka hyödyntämisessa on suomalaisissa organisaatioissa vasta raaputettu pintaa.

Ennakoiva analytiikka

Ennakoiva analytiikka tarkoittaa tason 3 analytiikkaa, eli historiadataan perustuvia ennustemalleja. Ennakoiva analytiikka kertoo sen, mitä tulee tapahtumaan. Jos käytetään esimerkkinä HR-analytiikkaa, ennakoivalla analytiikalla voidaan arvioida – toki datan laadusta riippuen, mutta usein hyvinkin tarkasti – miten sairauspoissaolot kehittyvät tänä tai ensi vuonna. Perinteinen analytiikka kertoo korkeintaan poissaolojen määrän ja syyt poissaoloille tähän hetkeen asti.

Tunnetaan myös nimellä: Ennustava analytiikka, Prediktiivinen analytiikka

Katso video jossa Samu käy läpi ennakoivan analytiikan hyötyjä:

Optimoiva analytiikka

Optimoiva analytiikka on tason 4 analytiikkaa, joka pyrkii viemään analytiikan vielä ennustemallia pitemmälle, löytämään optimaalisen toimintatavan ennusteen mukaan. Jos käytetään esimerkkinä HR-analytiikkaa, optimoiva analytiikka ei pelkästään ennusta miten sairauspoissaolot tulevat kehittymään, vaan vastaa kysymykseen: ”miten voimme vaikuttaa sairauspoissaolojen kehittymiseen.”

Tunnetaan myös nimellä: Preskriptiivinen analytiikka

Sijaintitietoanalytiikka

Puhumme sijaintitietoanalytiikasta erotukseksi paikkatiedosta, joka ei yleensä ole muuta kuin pisteet kartalle -tyyppisiä datan visualisointeja. Sijaintitietoanalytiikka on edistynyttä analytiikkaa, joka tuodaan kiinteäksi osaksi prosesseja (Ks. myös ”Jatkuva älykkyys”.)

Perinteinen paikkatieto-dashboard voi näyttää esimerkiksi yleisnäkymän kaupungin takseista kartalla. Tälläkin on käyttötarkoituksensa, mutta sijaintitietoanalytiikka tuo juuri oikean informaation juuri oikealla hetkellä oikeille henkilöille. Esimerkiksi taksiasiakkaan mobiililaitteeseen tulee tarkka tieto siitä missä juuri hänen taksinsa juuri tällä hetkellä menee, ja kertoo tarkan arvion siitä, milloin taksi on perillä.

Edistynyt sijaintitietoanalytiikka optimoi kaikkien taksien ajot, mutta esittelee analytiikan käyttäjälle, tässä tapauksessa taksiasiakkaalle, vain häntä kiinnostavan tiedon. Edistynyt sijaintitietoanalytiikka voi käyttää aika-arviossa suuren määrän historiadataa ja ottaa huomioon liikennetilanteen kehittymisen kellonajan mukaan sekä huomioida myös tiedossa olevat poikkeamat (liikenneonnettomuudet, tietyöt, ym.)

👀 Tutustu täällä tarkemmin siihen, kuinka sijaintitietoanalytiikka voisi vauhdittaa liiketoimintaasi.

3. Tekoäly (Artificial Intelligence, AI)

Tekoälyllä tarkoitetaan sitä, että kone jäljittelee inhimillistä päättelyä. Puhtaasti looginen päättely, jossa tietokoneet ovat jo pitkään olleet ylivoimaisia, antaa tulokseksi aina ”tosi” tai ”epätosi”. Tällaiseen päättelyyn perustuu kaikki tietokoneiden laskenta. Tietokone on ylivoimainen esimerkiksi laskemaan yrityksen tuloksen kirjanpidon luvuista silloin, kun lukuihin ei liity mitään tulkinnanvaraa.

tekoäly_analytiikka_automaatio_pieni

Inhimillisellä päättelyllä ei tässä tarkoitetakaan matemaattis-loogisten ongelmien ratkaisua, vaan sitä päättelyä, joka tapahtuu enimmäkseen tiedostamattamme. Kun näemme ihmishahmon lähestyvän, pystymme usein jo kaukaa arvaamaan onko kyseessä tuttu vai ei. Mitä tutumpi henkilö, sitä tarkemmin ja pienemmistä vihjeistä arvaamme kenestä on kyse. Kun arvioimme riittävän suurella todennäköisyydellä kyseessä olevan tutun, heilautamme kättämme. Tämä kaikki tapahtuu melko automaattisesti. Jos joku kysyy jälkeenpäin, millä perusteella tunnistimme esimerkiksi tutun naapurin, ei mieleen välttämättä nouse yhtään yksittäistä seikkaa, joka antoi meille varmuuden henkilöstä.

Juuri tällaista päättelyä tekoäly jäljittelee. Kone voi esimerkiksi tunnistaa lukuisten tekijöiden perusteella kuvasta ihmishahmon hyvin tarkasti, esimerkiksi 98% todennäköisyydellä. Tässä on kuitenkin merkittävä ero perinteiseen laskentaan, jossa datan sisältö on jo valmiiksi tarkkaan määritelty ja tulos on aina ”tosi” tai ”epätosi” sadan prosentin varmuudella. Tekoälysovellus sen sijaan tunnistaa itse datasta sille tärkeät piirteet ja antaa tulokseksi todennäköisyyden. Kuten ei inhimillinen päättelykään ole 100% tarkkaa – kukapa ei olisi joskus erehtynyt henkilöstä – ei ole tekoälykään.

Yhden määritelmän mukaan tekoäly on edistynyttä, usein koneoppimiseen perustuvaa, analytiikkaa yhdistettynä automaatioon. Tämä käytännönläheinen määritelmä kattaakin kaikki nykyiset tekoälysovellukset.

Katso myös termit ”Heikko tekoäly” ja ”Yleinen tekoäly”.

Tunnetaan myös nimellä: Keinoäly

4. Koneoppiminen (Machine Learning, ML)

Koneoppimista käytetään joskus virheellisesti tekoälyn synonyymina. Koneoppiminen on oikeastaan analytiikan menetelmä, tai oikeammin joukko menetelmiä, jossa analytiikka toteutetaan antamalla koneelle kaikki tarpeellinen aineisto ja käskemällä sitä itse keksimään paras tapa vastata annettuun kysymykseen. Tällöin kone oppii tunnistamaan kysymyksen kannalta merkittäviä malleja ilman, että niitä ohjelmoidaan erikseen silloin kun ongelma on kohtuuttoman monimutkainen tai työläs ihmisen määriteltäväksi.

Advian-blogikuvitus-tekoaly-1

Koneoppimisessa opetusaineiston on oltava riittävän suuri. Mikä sitten on ”riittävän suuri” riippuu käyttötapauksesta, mitä tahansa tuhansista miljooniin esimerkkeihin. Esimerkiksi Go-pelin suvereenisti oppinut AlphaGo-tekoälyn opetusaineistona oli 30 miljoonaa siirtoesimerkkiä. Opetusaineiston haaliminen onkin joskus tekoälysovellusten kehittämisen haasteellisin vaihe.

Koneoppimisen menetelmät voidaan yksinkertaistetusti luokitella ohjattuun oppimiseen (haluttu lopputulos tunnetaan historiallisessa aineistossa), ohjaamattomaan oppimiseen (haluttua lopputulosta ei tunneta, aineistosta ei välttämättä tiedetä mitään, mutta tiedetään millaista rakennetta siitä yritetään löytää) ja vahvistusoppimiseen (toiminnan monimutkaisia vaikutuksia on vaikea arvioida, mutta lopputulokset voidaan pisteyttää niiden hyödyn mukaan.)

Ohjattu oppiminen (Supervised learning)

Ohjattu oppiminen on koneoppimisen muoto, jossa opetusdata on valmiiksi luokiteltu ja haluttu lopputulos tarkalleen tiedossa. Esimerkiksi, opetusdatana voi olla suuri määrä kuvia, joista kissaa esittävät kuvat on merkitty kissaksi, ja tehtävänä on opettaa kone tunnistamaan kuvasta kissa.

Mallia testataan aineistolla, jossa osa kuvista esittää kissaa, osa koiraa ja osa jotain aivan muuta, ja katsotaan millä tarkkuudella kone tunnistaa kissan oikein.

Lataa itsellesi koko sanasto - mukana 30 tärkeintä termiä

Jäikö jokin termi määrittelemättä? Koostamamme sanasto sisältää yhteensä 30 tärkeintä tekoälyn ja analytiikan termiä ja niiden määritelmää. Pääset siirtymään helposti haluaamasi termiin käyttämällä sanaston sisällysluetteloa, lisäksi sanaston rakenne auttaa hahmottamaan eri termien väliset suhteet ja riippuvuudet.

Toivomme, että tämä sanakirja on tarpeeksi tarkka cheat sheet -tyyppiseksi tarkistuslistaksi liiketoimintajohdolle – ihmisille, joilla ei ehkä ole aikaa eikä kiinnostusta kaivaa jokaista aihepiirin termiä Wikipediasta. Sanasto on kuitenkin myös siinä määrin ymmärrettävä, että se kuuluisa Pihtiputaan mummokin pääsee tarvittaessa kartalle (ja jälleen hukassa olemisen tuska lievenee 🎉).