Kirjoitin tekoälystrategian jalkauttamisesta Nordic Business Forumin blogiin syyskuussa 2018. Kirjoituksessa käsittelin asioita, joita organisaatiotasolla on syytä ottaa huomioon ennen ensimmäistä tekoälyprojektia.

Tässä kirjoituksessa keskityn – useiden projektien kokemuksella – muutamiin konkreettisiin asioihin, jotka tulevat eteen lähes jokaisessa tekoälyprojektissa. Toisin sanottuna olen aikeissa paljastaa jokusen mokan, jotka itsekin olen joutunut oppimaan kantapään kautta, ja joita sen ansiosta tiedän tulevaisuudessa parhaani mukaan välttää.

Tekoälyllä tarkoitan tässä blogissa edistyneen analytiikan toteutusta, johon tyypillisesti liittyy päätöksenteon automatisointi. Tekoälyyn liittyvistä termeistä lisää aiemmassa blogissani.

Oppi #1: Tekoälyprojektin tavoitteiden määrittely ja kommunikointi ei olekaan niin yksinkertaista, kuin voisi luulla

Projektin alkuvaiheessa oleellisin asia on niiden kysymysten määrittely, joihin tekoälyllä haetaan vastausta.

Kuulostaa helpolta, lähes itsestäänselvältä. Kuitenkin olen todistanut tilanteita, joissa projektin eri sidosryhmät tietävät tasan tarkkaan mihin kysymykseen projekti hakee vastausta, ja kuitenkin kaikki ymmärtävät asian eri tavalla. Miten tämä on edes mahdollista?

Ensinnäkin isossa organisaatiossa termit ovat hyvin vakiintuneet – osastokohtaisesti. Organisaatiossa kaikki esimerkiksi tietävät tasan tarkkaan mitä tarkoitetaan termillä ”asiakas”. Tosin IT-osastolle ”asiakas” tarkoittaa yrityksen business-yksikköä, siis sisäistä asiakasta, toiselle osastolle ”asiakas” on yritysasiakas ja kolmannelle henkilöasiakas. Kaikille on tietenkin itsestäänselvää, että juuri hänen määritelmänsä asiakkaasta on oikea.

Kun kaikki tuntuu liiankin selvältä, on suuri vaara, että asiat ovat todellisuudessa kaikkea muuta kuin selviä. Käsi sydämellä tunnustan, että olen itsekin astunut tähän miinaan. Sen vuoksi täytyy varmistaa ja varmistaa uudestaan, että ”itsestäänselvät” asiat ymmärretään samalla tavalla kaikissa sidosryhmissä.

Hölmöltä tuntuvia kysymyksiä täytyy uskaltaa kysellä silläkin uhalla, että joku todennäköisesti pitää niiden myötä sinua tyhmänä. Näitä kysymyksiä täytyy myös uskaltaa toistella niin kauan, kunnes itse ymmärtää asian.

💡 Jos et itse ymmärrä jotakin asiaa, on erittäin todennäköistä, että moni muukaan ei ymmärrä sitä – tai ymmärtää sen väärin.

Oppi #2: Tekoälyprojektin tavoite unohtuu

”Kukaan ei ole soveltanut tätä menetelmää tähän ongelmaan ennen.”

”Tämä todella sofistikoitunut menetelmä toimisi hienosti, jos dataa olisi enemmän.”

”Tuloksia on vaikea selittää arkijärjellä, mutta menetelmä on todella hieno.”

Jos kuulen edellä mainitun kaltaisia kommentteja, hälytyskelloni soivat täysillä. Joskus on oikeasti tarpeellista käyttää todella edistyneitä menetelmiä. Joskus taas yksinkertainen tilastollinen analyysi toimii parhaiten – itse asiassa aika usein.

On turha tehdä hienoa mallia, jos se ei tuota organisaatiolle mitään todellista arvoa. Liiketoiminnan näkökulmasta ei ole väliä, kuinka hieno ja kaunis analyysimalli on matemaattisesti. Väliä on vain sillä, antaako malli vastauksen oikeisiin kysymyksiin, riittävän tarkasti ja oikealla hetkellä.

💡 Jos tiimi osaa hommansa ja mukana on kokeneita data scientisteja, tavoitteen unohtumisesta ei tarvitse huolehtia, mutta jos se unohtuu, seuraukset ovat vakavat.

Oppi #3: Datan laatu on aina yllätys

Data on ikuisuusongelma. Joko dataa ei ole saatavilla, se on huonolaatuista tai sitä ei ole riittävästi. Tai sitten sitä on liikaa. Tai sitä on, mutta kukaan ei oikein ymmärrä sitä. Tai sitten, kuten usein on tilanne, dataa on saatavilla useassa eri lähteessä, mutta datalähteet ovat ristiriidassa keskenään – eikä kukaan oikein osaa sanoa mikä datalähde on määräävä.

Yksi ratkaisumalli olisi laittaa kaikki data ensin kuntoon. Tämä on myös yleinen peruste tekoälyprojektin lykkäämiselle: laitetaan ensin data kuntoon, niin sitten voimme aloittaa analysoinnin.

Järkeenkäypä peruste, mutta ongelma on siinä, että data ei koskaan ole kunnossa. Voit odottaa kolme vuotta, ja edelleen Se Suuri Tietovarastoprojekti, joka tulee ratkaisemaan kaikki dataongelmat, on kesken (en edes liioittele, nähty on).

Älä siis turhaan jää odottelemaan, että maailma tulee valmiiksi – ei se tule.

Usein keskitytään myös pelkästään yrityksen sisäiseen dataan. Kaikkia datalähteitä, erityisesti ulkoisia sellaisia, ei osata hyödyntää. Ongelma on siinä määrin haastava ja monisyinen, että en osaa antaa sille yhtä yleispätevää ratkaisumallia. Neuvoni onkin: älä pelkää huonoa dataa. Lähde selvittämään mitä siitä saa irti. Rikasta dataa ulkoisilla lähteillä.

Voi olla, että että projekti onnistuu yli odotusten. Voi myös käydä niin, että data todellakin on niin huonoa, että siitä ei saa mitään irti. Tällöin tekoälyprojektin hyöty on ainakin siinä, että se tuo näkyväksi sen, missä ne suurimmat dataongelmat piilevät.

On turha käyttää aikaa ja rahaa sellaiseen datan hinkkaamiseen, jonka analysoinnilla ei ole suurtakaan arvoa. Kannattaa mieluummin keskittyä siihen osaan, josta voidaan saada todellista arvoa.

💡Datan keräämiseen, muokkaamiseen ja siivoamiseen täytyy myös varata aikaa, paljon aikaa. Tämä työvaihe tulee todennäköisesti viemään monta kertaa kauemmin kuin itse analytiikan toteutus.

Oppi #4: Paraskin tekoälyratkaisu päätyy helposti pöytälaatikkoon

”Me olemme joskus pilotoineetkin tätä, pari vuotta sitten yhden toisen kumppanin kanssa, mihinkähän se homma sitten jäi...”

Organisaatioissa on usein halua lähteä pilotoimaan tekoälyä (mikä on tietenkin kunnioitettavaa!), mutta usein pilottiprojekti jää pilotiksi. Tällöin rahaa on poltettu, mutta hyötyjä ei ole ulosmitattu – ei oikeastaan edes yritetty. Kokemukseni mukaan edes kiinnostavat ja potentiaalisesti arvokkaat löydökset eivät takaa sitä, että homma koskaan jatkuisi pilottia pitemmälle.

Ensimmäinen syy on lähellä oppia #1: jos ei tavoitteita aina osata kommunikoida ja kuvata selkeästi, ei osata löydöksiäkään. Olen nähnyt projektin loppuraportteja, joita ei ymmärrä ilman maisterin tutkintoa matematiikasta. Ei näin.

Jokainen numero ja jokainen löydös pitää selittää ymmärrettävästi, liiketoiminnan kielellä. Pidä mielessä Einsteinin lausahdus: ”If you can’t explain it simply, you don’t understand it well enough.”

Tuotantoonviennin suunnittelu on toinen asia, jossa usein tehdään virhe. Suurin virhe on, että suunnittelua ei tehdä. Vaikka pilotti olisi onnistunut, ei ole kovin todennäköistä, että se menisi tuotantoon, jos tuotantoonviennistä ja sen kustannuksista ei ole mitään uskottavaa suunnitelmaa.

Tee konkreettinen, realistinen ja uskottava suunnitelma tuotannollistamisesta tai tuotantoonviennistä pilottiprojektin aikana. Tai vaihtoehtoisesti hyväksy se, että tekoälyratkaisusi tulee jäämään pöytälaatikkoon.

Jos projekti, huolimatta ilmeisestä lisäarvosta liiketoiminnalle, ei etene pilottia pitemmälle, ei projektin toimittaja voi kuin katsoa peiliin (ja taas kerran joudun käsi sydämellä toteamaan, että olen itsekin joskus joutunut tekemään niin).

Jokainen numero pitää selittää siten, että mummosikin sen ymmärtää. Toiseksi, tuotantoovienti pitää suunnitella, ja suunnitelman pitää olla ymmärrettävä ja konkreettinen. Helppoja asioita – noin periaatteessa – mutta yllättävän monessa projektissa näiden kanssa mokataan.

💡Löydökset pitää dokumentoida siten, että kaikki ymmärtävät mistä on kyse.

Saammeko auttaa tekoälyprojektiasi onnistumaan?

Yhteenvetona todettakoon, että suurimmat haasteet eivät useinkaan liity vaikeisiin koneoppimisen malleihin, ainakaan jos data scientistit osaavat hommansa. Isoimmat haasteet tekoälyprojekteissakin ovat varsin arkisia.

Haluaisitko tietää, kuinka tekoäly voisi vauhdittaa liiketoimintaasi? Tutustu rauhassa ratkaisuihimme ja varaa aika kalenterista, niin soitamme sinulle.