AI-pöhinä jatkaa kiihtymistään, mutta kokemukseni mukaan meille kaikille ei kuitenkaan ole selvää, kuinka tekoälyä voi ja kannattaa käyttää.
Yleisin tapa hyödyntää tekoälyä tällä hetkellä on työn tehostaminen. Voimme tehostaa työtämme hyödyntämällä tekoälyä suoraan eli keskustelemalla sen kanssa, automatisoimalla rutiineja ja vapauttamalla aivokapasiteettia tärkeimpiin työtehtäviin. Tekoälyn suora käyttö vaatii kuitenkin tiettyä osaamista, mielikuvitusta ja ylipäätään sen olemassaolon muistamista kiireisessä työn tohinassa.
Tekoälyn käyttö omassa työssä
Oma työ ja sen tulevaisuus ovat yksilötasolla tietysti mielenkiintoisin ja eniten kuumotuksia aiheuttava asia. "Viekö AI työni?" tai realistisemmin: ”Jäänkö jälkeen, kun AI-ehosteiset ihmiset tekevät töitäni tehokkaammin?”. Tähän löytyy lääke pelkästään AI-työkaluja käyttämällä ja niihin positiivisesti suhtautumalla.
Spesifien käyttötapausten listaamisen sijaan tässä muutamia ajattelumalleja, joita voit soveltaa omaan työhösi.
- AI on kamera dataan. Voit kysyä AI:lta mitä tahansa dokumentista, tekstistä, kuvasta, äänestä tai muusta datasta, ilman excel-, SQL-, tai muuta ATK-osaamista.
- AI on kiteyttäjä. AI voi kiteyttää minkä tahansa tekstin lyhyemmäksi, todennäköisesti säilyttäen tekstin ytimen.
- AI on laajentaja. AI voi myös tuottaa materiaalia todennäköisyyteen ja kontekstiin pohjaten. Tekstiä, kuvia, koodia, ääntä.
- AI on kääntäjä. AI voi kääntää tekstiä tai puhetta kieleltä toiselle. AI voi kääntää konsepteja ja jargonia lukijan tai koneen ymmärtämään muotoon.
- AI on agentti. AI tai siihen liitetyt työkalut voivat tehdä puolestasi (toistaiseksi) yksinkertaisia asioita.
- AI on samanaikaisesti maailman paras ja huonoin assistentti. AI on väsymätön apuri, joka osaa joitain perustason asioita todella tehokkaasti, mutta johon ei kuitenkaan voi aina täysin luottaa.
- AI on järkeilymoottori. Kielimallit voivat yhdessä käyttäjänsä kanssa järkeillä ja päätellä asioita loogisten väittämien pohjalta.
- AI on kollektiivinen älykkyys. Keinotekoisen älykkyyden lisäksi nykyisiä kielimalleja kannattaa ajatella kollektiivisen älykkyyden vuorenhuippuina. Mallit ovat luotu ihmiskunnan kollektiivisen datan pohjalta – hyvässä ja pahassa.
Näitä käyttölogiikoita yhdistelemällä voit luoda mielenkiintoisia käyttötapauksia omaan työhösi tai digipalveluusi. Esimerkiksi aivoriihen, jossa AI:n avulla laajennetaan konsepteja ja generoidaan ideoita, jonka jälkeen AI:n avustamana valitaan niistä parhaat tai autetaan niiden viestimisessä erilaisille yleisöille.
Muutamia käyttötapoja tekoälyavusteisista työkaluista ohjelmistokehityksessä voit lukea aiemmasta blogikirjoituksestamme sekä katsoa Perjantaipresis-taltioinnin tavoista hyödyntää generatiivista tekoälyä projektin discovery-vaiheessa.
AI ei voi ulkoistaa ajatteluamme
AI:tä käytettäessä on erityisen tärkeää ymmärtää, kuinka oma muisti toimii; vain itse ajattelemalla asioita syntyy muistijälkiä. Tekoälyn tuottama erinomainenkin materiaali unohtuu helposti, kun se luetaan kerran, mutta sen luomiseen ja käsittelyyn ei käytetä omaa aivokapasiteettia. Kirjoittaminen, puhuminen tai minkä tahansa datan tuottaminen auttaa ajattelemaan, ja sitä ei voi täysin ulkoistaa.
Tekoälyn tulisi olla avustaja, joka ei korvaa ajattelua, vaan antaa tilaa ajattelulle. Tämä mielessä pitäen voit integroida minkä tahansa näistä käyttötapauksista osaksi omaa palveluasi suhteellisen kevyesti – käyttäen perinteistä ATK:ta.
Tekoälyn integrointi omaan palveluun
Tekoälyä käytetään tänä päivänä paljon niitä tuottavien palveluntarjoajien omissa chat-pohjaisissa käyttöliittymissä. Kyseisiä tekoälymalleja kuitenkin integroidaan kiireellä osaksi muita palveluita.
Kun vuonna 2024 puhumme tekoälystä, puhumme yleensä LLM:istä (large language model) eli suurista kielimalleista. Näiden integrointi web- tai mobiilipohjaisiin palveluihin muistuttaa tänä päivänä enemmän minkä tahansa API:n käyttöönottoa kuin perinteistä syvää tekoäly-, koneoppimis- tai datatiedettä.
Puhumme ”ATK:sta AI:n ympärillä”. Moni AI-buumin aikana syntynyt startup onkin juuri tätä; OpenAI:n ja vastaavien tarjoamien kielimallien ympärille rakennettu AI-käärijä eli wrapper. Hyvä uutinen on se, että kuka tahansa voi kääriä kielimallin palveluunsa.
Entä tietosuoja, regulaatio ja muut meitä härmäläisiä ja EU:n jäseniä koskevat huolet? Vaikka omat dokumentit ovatkin Googlen tai Microsoftin pilvessä, tuntuu niiden syöttäminen saman tai eri tarjoajan kielimallille silti riskiltä tai muuten väärältä, käyttöehdoista huolimatta. Sen sijaan voimme toimittajariippumattomuuden hengessä käyttää avoimen lähdekoodin kielimalleja, kuten Metan kehittämää LLaMA:a.
Oman kielimallin kehitys
Ennen LLM-buumia tekoälyä kehitettiin usein pitkän ja raskaan koneoppimisprosessin kautta, jossa omia malleja koulutettiin itse omalla datalla. Tällekin toimintamallille on olemassa vielä käyttötarkoituksensa.
Oma hyvin spesifiin tarpeeseen rakennettu malli on todennäköisesti paljon pienempi, tehokkaampi ja ympäristöystävällisempi. Tilanne on kuitenkin muodostumassa sellaiseksi, että ison toimijan huippuälykkään mallin kanssa voi jo käyttää kertaluontoisesti isoja omia datasettejä, jolloin omaa kouluttamistyötä ei tarvitse tehdä. Oman mallin kouluttamiseen käytettävä aika ja resurssit säästetään, mutta vastaavia kuluja syntyy mahdollisesti enemmän isojen kielimallien käytöstä.
Tärkein tapahtunut muutos on kuitenkin se, että valtaosan meistä ei lähtökohtaisesti tarvitse ymmärtää tekoälyn tai koneoppimisen syvintä olemusta.
Tekoälyn integroimiseen tarvitaan ohjelmointiosaamista, keskimääräistä enemmän datan käsittelyyn liittyvää kokemusta ja ymmärrystä kielimallien toiminnasta prompteineen (eli kehotteineen). Hankalimmat haasteet ovat mielestäni enemmän käyttäjäkokemuksen, juridiikan ja tietosuojan teemojen äärellä.
Käyttöönoton haasteet eivät ole teknisiä
Oletko jo kyllästynyt sähköpostiin tipahteleviin "Lisäsimme AI:n palveluumme ja samassa muutamme hinnoitteluamme"-viesteihin? AI:tä survotaan lähes kaikkiin palveluihin ja moneen se on tullut jäädäkseen.
Nyt meneillään on PoCien (proof of conceptien eli ratkaisujen todentamisen) ja pilottien buumi, joista moni on toteutettu siksi, koska ei ole varaa olla käyttämättä generatiivista AI:tä. Pyri kuitenkin miettimään, kaipaavatko käyttäjäsi tekoälyä sovellukseesi ja millaisissa käyttötapauksissa? Haluatko tuoda käyttäjälle lisää virveleitä, nappuloita, tekstikenttiä ja pahimmassa tapauksessa stressiä ja murhetta tietosuojan näkökulmasta? Data on modernia öljyä, kuten sanotaan, mutta se on myös sen hallinnoijalle riski.
Tekoälyn käyttö tai integrointi palveluun voi olla jopa liiankin helppoa. LLM-mallit eivät ole deterministisiä eli niiden tuottamat vastaukset tai tulosteet voivat ajan saatossa muuttua. Kehotteita eli tekoälylle annettua dataa voidaan säilöä tai käyttää mallien koulutukseen, mikä tulee huomioida tietosuojan näkökulmasta. Koulutukseen käytetty data voi olla epäeettisesti hankittua. Ja vaikka amerikkalaiset korporaatiot käyttöehdoissaan jotain esittävät, ei se välttämättä riitä EU:n sisällä, jo pelkästään ennakkoluulojen takia.
Näistä syistä haasteet tekoälyn integroimisessa ovat äkkiä enemmänkin juridisia ja turvallisuuteen liittyviä asioita. Tekoäly kuluttaa lisäksi merkittävän määrän sähköä, reilusti enemmän kuin ns. tavallinen ATK-rauta. Tekoälyn hyödyllisyyttä arvioidessa tulisi huomioida myös sen epäsuorat kustannukset ja vaikutukset. Toteutetaan siis tekoälytoiminnallisuuksia järjellä, maltilla ja harkiten.
AI luonnolliseksi osaksi palvelua
Tekoäly tuodaan osaksi palvelua virittämällä kielimalli oikeaan asiayhteyteen ja määrittämällä sille tarkoituksenmukaiset kehotteet. Mikäli tekoäly on upotettu järkevästi osaksi palveluasi, ei asiakkaasi tarvitse osata AI:n käyttöä, vaan se on luonnollinen osa palvelun käyttökokemusta.
Tässä muutamia esimerkkejä hyvästä kielimallin integroimisesta olemassaolevaan palveluun:
- (Github) Copilot osana IDEä tai tekstieditoria auttaa analysoimaan ja tuottamaan koodia.
- Lex on kirjoittamiseen tarkoitettu tekstinkäsittelypalvelu, joka on rakennettu AI-edellä, ja jossa tekoäly auttaa tuotetun proosan analyysissä, parantamisessa ja tuottamisessa.
- Miro on virtuaalinen valkotaulu, jossa AI-ominaisuuden avulla voi nopeammin lajitella ja summata työpajan virtuaalisia post-it-lappujen tulvaa.
Onnistuneet AI/LLM-integraatiot ovat joko johonkin todella spesifiin pieneen pulmaan rakennettuja työtä helpottavia ominaisuuksia tai kokonaisuuksia jotka on rakennettu täysin AI-edellä. Näitä yhdistää se, että tekoäly ei ole väkisin palvelun päälle liimattu ominaisuus.
