Pieni Suuri Tekoälysanasto – 25 tärkeää termiä

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

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 sen avulla kartalle (ja jälleen hukassa olemisen tuska lievenee 🎉).

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 iso 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! Käy lataamassa itsellesi päivitetty sanasto täältä.

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 tarkoittamaan 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

Jatkuva älykkyys (Continuous intelligence)

Tämä on Gartnerin termi, jonka voisi suomentaa myös vaikkapa jatkuvaksi tiedolla johtamiseksi. Kyse on tiedolla johtamisen suunnittelumallista, jossa reaaliaikainen analytiikka tuodaan kiinteäksi osaksi liiketoimintaprosessia. Analytiikkaan perustuva päätöksenteko voi automatisoida prosessin kokonaan tai osittain, tai toimia päätöksenteon tukena manuaalisissa prosessin vaiheissa.

Esimerkiksi monet asiakaspalvelun prosessit voisi täysin automatisoida, tai asiakaspalvelija voisi saada tiedon siitä mikä asiakasta kiinnostaa, tai vaikkapa hälytyksen siitä, että analyysin perusteella asiakas on tyytymätön ja todennäköisesti harkitsee toista palveluntarjoajaa. Perinteisessä ”peruutuspeilianalytiikassa” asiakaspalvelija saa käyttöönsä vain dashboard-näkymän kaikista asiakkaan tiedoista (jos sitäkään.)

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.

(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 analytiikka, 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.

2.3 Muita analytiikan termejä

Operatiivinen analytiikka

Operatiivisella analytiikalla tarkoitetaan analytiikkaa, joka tukee jokapäiväisiä operatiivisia prosesseja. Operatiivinen analytiikka voi esimerkiksi analysoida verkkokaupan asiakkaan käyttäytymistä ja nostaa esittelyyn asiakasta todennäköisesti kiinnostavia tuotteita.

Tosiäly (True Intelligence)

Tällainenkin termi on tullut vastaan. Uusi nimi perinteiselle tiedolla johtamiselle.

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.

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

Automaatio

Automaatio tarkoittaa yleisesti ottaen prosessia tai rutiinia, joka tehdään koneellisesti tai ohjelmallisesti siten, että siihen vaaditaan ei lainkaan tai minimaalisen vähän ihmisen työtä tai ihmisen vuorovaikutusta.

Nykyisiä tekoälysovelluksia voi ajatella yhdistelmänä automaatiota ja älykästä, inhimillistä päättelyä jäljittelevää, päätöksentekoa. Esimerkiksi itseajavat ajoneuvot täyttävät tämän määritelmän. (Automatisoitu ajoneuvon kontrolli, joka perustuu sensoreilta saatavan datan jatkuvaan analysointiin.)

Apuäly (Augmented intelligence)

Apuäly-termi on periaatteessa tekoälyn synonyymi, mutta termiä käytetään korostamaan keinotekoisen älyn pehmeää roolia ihmisen päätöksenteon tukena, apuna. Tekoäly on varsin hypetetty termi, johon liittyy myös paljon ”koneiden kapina”-tyyppisiä pelkoja. Apuäly viittaakin ihmisen älykkyyden laajentamiseen keinoälyllä, ei ihmisen panoksen korvaamiseen. Käytännössä tämä tarkoittaa työtehtävän osien jakamista ihmisen ja tekoälyn kesken hyödyntäen kummankin erityisiä vahvuuksia.

Heikko tekoäly (Weak AI)

Heikosta tekoälystä puhutaan erotuksena yleisestä eli vahvasta tekoälystä. Heikko tekoäly pystyy päättelemään varsin tarkasti hyvin rajatun ongelman ratkaisun.

Heikko tekoäly esimerkiksi oppi Go-pelin niin hyvin, että se voitti yhden maailman parhaista pelaajista, Lee Sedolin. Tämä tekoälysovellus pelaa Go-peliä, mutta ei osaa tehdä mitään muuta. Se keskittyy vain yhteen ongelmaan, Go-pelin pelaamiseen. Siksi se määritellään heikoksi tekoälyksi, kuten kaikki muutkin nykyiset tekoälysovellukset. Heikon tekoälyn sovelluksia yhdistelemällä on toki mahdollista luoda ”älykkäiltä tuntuvia” ratkaisuja, esimerkiksi puhetta ymmärtäviä robotteja.

Tunnetaan myös nimellä: Suppea tekoäly, Kapea tekoäly (Narrow AI), Sovellettu tekoäly (Applied AI)

Yleinen tekoäly (Artificial General Intelligence, AGI)

Yleinen tekoäly tarkoittaa koneen kykyä ratkaista inhimillisen kaltaisella päättelyllä mitä tahansa ongelmaa. Joskus vahvalla tekoälyllä viitataan myös koneeseen, joka tulee tietoiseksi itsestään. Perinteinen esimerkki yleisestä tekoälystä on Tähtien Sodan C-3PO -droidi. Yleinen tekoäly kuuluukin, ainakin toistaiseksi, tieteistarinoihin. Kaikki nykyinen käytössä oleva tekoäly on heikkoa tekoälyä.

Tunnetaan myös nimellä: Vahva tekoäly (Strong AI)

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.

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.)

Neuroverkko (Artificial neural network)

Neuroverkot ovat ohjelmallisia rakenteita, joita käytetään pohjana joissain koneoppimisen ratkaisuissa. Neuroverkko voidaan ”opettaa” vastaamaan tiettyyn kysymykseen erilaisilla koneoppimisen algoritmeilla. Keinotekoinen neuroverkko jäljittelee etäisesti ihmisaivojen neuroverkkoa.

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.

Ohjaamaton oppiminen (Unsupervised learning)

Ohjaamaton oppiminen on koneoppimisen muoto, jossa opetusdataa ei ole luokiteltu eikä haluttu lopputulos ole tarkalleen tiedossa. Kone voi löytää data-aineiston elementeistä säännönmukaisuutta ja samankaltaisuuksia, joita ei aiemmin oltu tunnistettu, ja käyttää niitä luokitteluperusteena. Yksi ohjaamattoman oppimisen sovellus on poikkeamien tunnistaminen, joka auttaa esimerkiksi petosyritysten tunnistamisessa.

Osittain ohjattu oppiminen (semi-supervised learning) yhdistelee ohjaamattoman ja ohjatun oppimisen keinoja ja tarjoaa ratkaisuja ongelmiin, jotka tulisi ratkoa ohjatun oppimisen keinoin, mutta joissa data-aineiston luokittelu on kustannustensa tai monimutkaisuutensa vuoksi mahdotonta.

Vahvistusoppiminen (Reinforcement Learning)

Vahvistusoppiminen on koneoppimisen muoto, jossa kone toimii monimutkaisessa ympäristössä ja pyrkii lopulta löytämään onnistuneen lopputuloksen. Opetusdatan luokittelun sijaan ympäristö antaa positiivista tai negatiivista palautetta koneen toiminnasta. Kone oppii vähitellen tunnistamaan yhteyksiä ympäristön tilan, oman toimintansa ja saamansa palautteen välillä ja pystyy näin tekemään parempia valintoja. Monet tekoälyn showcase-esimerkit, kuten sovellukset, joissa tekoäly oppii pelaamaan tietokonepeliä, perustuvat vahvistusoppimiseen.

Syväoppiminen (Deep learning)

Syväoppimisesta on tullut hieman markkinointitermi. Kyse on monikerroksisen neuroverkon (ks. ”neuroverkko”) soveltamisesta. Syviä neuroverkkoja käytetään esimerkiksi kuvan- ja puheentunnistuksessa. Niiden vahvuutena on monimutkaisen ja monimuotoisen datan hyödyntäminen ilman työlästä datan määrittämistä ja putsaamista.

Lataa itsellesi koko sanasto - mukana 30 tärkeintä termiä

Saimmeko tiedonjanosi sammutettua, vai oliko joku tärkeä termi päässyt unohtumaan? Haasta meidät somessa (Twitterissä, Facebookissa tai LinkedInissä) tai ota meihin yhteyttä alla olevasta linkistä, jos joku tekoälytermi jäi mielestäsi vielä puuttumaan sanastostamme. Täydennämme listaa mielellämme!

Alla olevasta linkistä pääset lataamaan itsellesi päivitetyn sanaston kätevässä sanakirjamuodossa, joka sisältää yhteensä 30 mielestämme tärkeintä analytiikan ja tekoälyn termiä. Voit käyttää sanaston sisällysluetteloa siirtyäksesi helposti suoraan haluamaasi määritelmään.

Haluatko keskustella lisää tekoälystä ja tiedolla johtamisesta? Varaa ilmainen aika alta: