maanantai 2. joulukuuta 2019

Tekoäly avuksi liiketoiminnan kehittämiseen, päivitys 15.12.2019

Tekoäly on kuuma aihe myös tietojohtamisen kannalta. Kanasen ja Puolitaipaleen kirja osuu mielestäni liiketoiminnan ja tietojohtamisen ytimeen. (1). Heti on todettava, että kirja kannattaa lukea. Se avaa todelliset mahdollisuudet ja niihin liittyvät haasteet. Arviossani kuvattu tapausesimerkki osoittaa tämän.Toisaalta tekijät tunnistavat ongelmat ja vaarat.

Tekoälyn hyödyt ja haitat puhuttavat. Deloitten tutkimuksen mukaan automaatio ja tekoälyn käyttö liiketoiminnassa on kaksinkertaistunut vuodessa.  Deloitten robotiikkapalveluista vastaava Mika Kärkkäinen tiivistää tutkimuksen tulokset seuraavasti: (2)   
”Älykäs automatisointi näyttää lyövän itsenä läpi vuonna 2020. Organisaatiot yhdistävät automatisoituja robotiikkaprosesseja, tekoälyä ja muuta uutta teknologiaa, ja löytävät uusia tapoja tehdä työtä. Automaatioprosesseissa siirrytään tiedon keräämisestä ja prosessoinnista kohti ennustamista ja analysointia sekä päätösten tekoa. Uudesta näkökulmasta prosessejaan, työtehtäviään ja -tapojaan järjestelevät organisaatiot osaavat hyödyntää ihmisen ja koneen yhteistyötä, ja niillä on taitoa ja tietämystä ottaa uusi teknologia käyttöön”. Usein ajatellaan, että automaation lisääntyminen johtaa työpaikkojen vähenemiseen, mutta asian onkin tutkimuksemme mukaan juuri päinvastoin. Vaikka ihmiset ja koneet työskentelevät tulevaisuudessa rinta rinnan, tarvitaan yhä enemmän strategista ja luovaa ajattelua, joka onnistuu vain ihmisiltä. Ihmiset ovat luovia, strategisesti ajattelevia ja kekseliäitä. Robotit soveltuvat paremmin tehtäviin, joita ihmiset pitävät vaikeina ja joista he eivät pidä”.
Syyskuussa 2019 osallistuin HUS:n järjestämään seminaariin, jossa julkistettiin monenlaisia tuloksia tekoälyn tiimoilta. Jäi käsitys, että HUS on tekoälyn hyödyntämisessä Suomessa kärjessä - ehkä joltain osin myös maailman mitassa. (3). Monissa lukemissani artikkeleissa ja kirjoissa piirretään tekoälystä toisenlainen kuva. On varoteltu työpaikkojen häviämisestä ja ääripäässä tekoälyn yliotteesta suhteessa inhimilliseen älyyn. (4).

AI Business Model Calvas (viite 1, s. 104)
AI Business Model Canvas. Kirjan kirjoittajat vievät aihetta eteenpäin liiketoimintanäkökulma edellä. Tekoälyn hyödyntäminen ei ole pelkkää tutkimustoimintaa. Lähtökohtana on Business Model Canvas ja sen sovellusvariantti (AI) tekoälyn hyödyntämiseen liiketoiminnassa. Oleellista on, että määritellään liiketoimintalähtöisesti ongelma, jota pyritään ratkaisemaan tai hallitsemaan hyödyntämällä tekoälyä. Se on työkalu niin kuin kirjan otsikkokin sanoo. Tekoälyn raaka-aine on data, jota kerätään mahdollisimman monista lähteistä. Oleellista on myös tunnistaa datan laatu ja sen hyödyntämismahdollisuudet. Oleellista on, miten kone saadaan oppimaan. Tähän luodaan matemaattinen malli. Tekniset koulutuksen vaiheet ovat: 1. kerää data, 2. valmistele data, 3. luo datasetit: testausdata, koulutusdata, validointidata, 4. valmenna mallia, 5 testaa ja validoi malli, 6. ota malli käyttöön. Prosessia toistetaan keräämällä uutta dataa tai korjaamalla datan virheitä jne. Ohjatussa oppimisessa koneelle näytetään merkittyjä esimerkkejä, joihin on liitetty valmis vastaus. Algoritmin avulla koulutetaan konetta. Tämän jälkeen voidaan samalla algoritmilla analysoida uutta dataa. Kouluttaja on siis kuskin paikalla koko ajan. Toinen tapa on lähteä ajatuksesta, että oikeata vastausta ei ole ennalta olemassa vaan algoritmin avulla etsitään yhtenäisiä tekijöitä datamassasta. Kolmas tapa opettaa konetta on vahvistusoppiminen. Ongelmanratkaisun menetelmällä algoritmi tutkii havaitsemaansa ympäristöä ja toimii sen mukaisesti. Kone oppii jatkuvasti matkan varrella. Tekoälyn avulla siis löydetään säännöt datasta. Oppimisprosessin aikana tekoälystä tulee yhä tarkempi ja nopeampi mutta ei älykkäämpi. Kirjoittajat korostavat: "Tekoälyn hyödyntämisessä on ymmärrettävä toimialan tarkkuusvaatimus ja tekoälyn suorituskyvyn mahdollisuudet." Jatkuvasti on muistettava, että ihminen asettaa ongelman, opettaa konetta tekoälyvälineistöllä (algoritmit), arvioi tuloksia, korjaa virheitä datassa, tuo uutta dataa mukaan, tulkitsee datamassaa sekä arvioi sen käyttölepoisuutta  johtamista ja päätöksentekoa varten. Koneoppimisen prosessi perustuu moniammatilliseen jatkuvaan yhteistyöhön tiedon tarvitsijoiden, datan kerääjien ja käsittelijöiden sekä datan analyytikkojen kesken. Datan visualisointi antaa välineet tulkita dataa. AI Business Model Canvas on moniammatillisen tiimin yhteinen väline: tavoite/arvolupaus - ongelman määrittelystä ongelman ratkaisuun tekoälyn avulla. Ensin opetetaan ja sitten hyödynnetään.

Algoritmi on ohje siitä, kuinka jokin asia tulee tehdä, jotta jokin käytännön ongelma tulee ratkaistuksi. Koneoppimisella voidaan ratkaista kahdenlaisia ongelmia: voidaan ennustaa jonkin tapahtuman todennäköisyyttä (klassifikaatiomallit)  tai suuruusluokkaa (regressiomallit). Kirjoittajat pelkistävät algoritmit viiteen kategoriaan: 1. regressioalgoritmit (Mitä a:lle tapahtuu, jos b muuttuu?), 2. luokittelualgoritmit (Kuuluuko havainto luokkaa a vai b?), 3. ryhmittelyalgoritmit (Kuuluuko havainto luokkaa a, b vai c?), 4. sijoitusalgoritmit (Missä järjestyksessä asiat ovat?), 5. generaatioalgoritmit (Miten asiaa voidaan tuottaa koneellisesti?). Neuroverkko koostuu neuroneista ja niiden välisistä suhteista. Äly on painokertoimissa, jotka koulutusalgoritmi on tunnistanut datasta. Koulutusta tehdään niin monta laskentakierrosta, että tulosten tarkkuus on riittävä. Mitä enemmän on tietoa vanhoista asiakkaista , sen tarkemmaksi malli voidaan kouluttaa. Mallin suorituskykyä testataan kunkin laskentakierroksen jälkeen. Tapaukset jaetaan neljään kategoriaan: oikein tunnistettu, väärin tunnistettu, oikein hylätty, väärin hylätty.

Tapaus Kainuu ja yli 75-vuotiaat. Olin kuluvana vuonna mukana SoteDigi oy:n hankkeessa Kainuun pilotti. (5) Sen yhtenä osiona oli ennustaa yli 75 vuotiaiden tulevia palveluita. Koneoppimisen keinoin saatiin aikaan 86%:n tarkkuus tunnistaa ne henkilöt, jotka ovat riskissä ohjautua 12 kuukauden kuluttua säännöllisiin palveluihin. Lopputulos saatiin aikaan likimäärin edellä kuvatulla koneoppimisen prosessilla, jossa lähdettiin liikkeelle AI-hypoteesikanvaksesta, kerättiin tietoja eri tietolähteistä. Tämä jälkeen aineistosta valittiin muuttujat ja opetettiin seuraavat mallit ja muodostettiin niistä paras mahdollinen kokonaisuus: lineaariset mallit (SVM, SGD), päätöspuihin perustuvat mallit (Decision Tree, Random Forest, XGBoost), Naivi Bayesilainen, neuroverkko (MLP/NN). Loppuraportissa tiivistetään koneoppimisen ennustemallimme seuraavasti (ss.37-42):

"Ennustemallin tavoitteeksi asetettiin tunnistaa etukäteen ja ajoissa henkilön ohjautuminen tiettyihin säännöllisiin palveluihin. Data-aineisto jaettiin kahteen osaan, josta 75 prosenttia käytettiin opetusaineistona ja 25 prosenttiatestiaineistona. Opetusaineistolla koneoppimisen mallia opetettiin tunnistamaan henkilöt, jotka saivat säännöllisen palvelun päätöksen määrätyn ajanjakson sisällä. Testiaineistolla testattiin, miten hyvin malli osasi ennustaa sitä, päätyikö asiakas säännöllisiin palveluihin vai ei, vertaamalla ennustetta tapahtuneeseen. Mallinnusta tehtiin sekä toimintakykytietoa sisältävällä aineistolla että aineistolla, josta toimintakykytiedot puuttuvat. Vertailun tuloksena todettiin, että aineisto, jossa toimintakykytiedot eivät ole mukana tuottaa parempia ennustetuloksia kuin toimintakykytiedot sisältäväaineisto...  Tuotettavan tiedon pohjalta voidaan esimerkiksi lisätä ymmärrystä ja tehdä väestötason linjauksia tulevasta palvelutarpeesta, suunnitella kohderyhmäkohtaisia palveluja ja ennaltaehkäiseviä toimia sekä pyrkiä siirtämään säännöllisiin palveluihin ohjautumisen ajankohtaa. Tämän tyyppisillä päätöksillä on merkittävä vaikutus kustannuskehitykseen, mutta mahdollisesti myös asukas-ja asiakastyytyväisyyteen. Jatkossa ennuste voidaan päivittää ja ennustevertailulla on mahdollista päästä kiinni mm. interventioiden kustannusvaikuttavuuteen."

Tapaus Kainuu osoittaa sen, että arvioinnin kohteena olevassa kirjassa esitetty kehittämispolku on mahdollista toteuttaa aidolla ongelmalla ja aineistolla. Tämä todella vaatii tiivistä moniammatillista yhteistyötä. Tiedon laadulla on merkitystä, mutta oppimisprosessin aikana voidaan myös saada esille tiedon laadun ongelmakohdat. Inhimillisellä tulkinnalla on keskeinen osa mallin päätelmien tekoa. Ainakin tämän aidon "kokeen" avulla voidaan todeta, että on mahdollista saada aikaan päätöksentekoa tukevaa ennusteaineistoa. Oleellista on kuitenkin tehdä ennusteiden perusteella kohdennettua päätöksentekoa. Sen vaikutuksia emme tässä Kainuu-tapauksessa vielä pysty arvioimaan.

Niin tulivertaus pätee hyvin tähän koneoppimiseenkin. Tuli on hyvä renki mutta huono isäntä. Koneoppisessa on tärkeä olla isäntänä moniammattillinen tiimi. Kanasen ja Puolitaipaleen kirja kuvaa liiketoimintalähtöisesti monin esimerkein, miten tekoälyä voitaisiin hyödyntää bisneksessä.

Päivitys 3.12.2019: Jari Pekkanen kommentoi Linkedinin puolella erityisesti tapaus Kainuusta. Hän nostaa esille tutkimustiedon merkityksen. Tuolla tosiaan korostui se, että asiantuntijoiden tietämys tarvittavista lähtötiedoista ja johdetuista muuttujista on erittäin tärkeää. Lisäksi hyödynsimme tuolla etenkin johdettujen muuttujien osalta asiantuntijoiden tietämiä tutkimuksi, joiden perusteella meidän tekijät saivat uusia ideoita johdettavista muuttujista.

Päivitys 4.12.2019:  H&M:n Pekka Autereen luento 3.12.2019: Oleellista on käyttäjän ymmärrys koneen mahdollisuuksista auttaa päätöksentekoa. Mallin realisointi osaksi johtamista ratkaisee käytettävyyden ja hyödyn. Toiminnassa olevaa mallia on jatkuvasti päivitettävä. Kannattaa pyrkiä vähentämään epävarmuutta: kaikki vaikuttaa kaikkeen - seurattava, että data ei muutu hallitsemattomasti, kannattaa välttää kompleksisuuden lisääntymistä - monimutkaisia ketjuja on vaikea purkaa, selvitettävä tähdätäänkö mallin tarkkuuden lisäämiseen vai vähemmän kompleksiseen malliin. Yhteenvetona Pekka totesi:  1. liiketoiminta edellä (ei teknologia edellä), 2. aloita yhdessä määritellyllä liiketoimintatapauksella (käyttäjät mukana), 3. pilotti (skaalautumisen huomioonotto), 4. teknologiavalinnat (automatisointi, skaalautuvuus), 5) minimoidaan epästabiilisuus. On tehtävä liiketoiminnan kanssa yhdessä, palvelua ei voi ostaa valmiina ulkoa. 

Päivitys 15.12.2019: Digitaalisessa muodossa on 20.11.2019 ilmestynyt Matti Pietikäisen ja Olli Sivenin teos "Tekoälyn haasteet". Oulun yliopiston tutkijoiden kirjoittama teos on luonteeltaan tehtyä tutkimustyötä popularisoiva kertoen menetelmien taustat ja keskeiset sovelluskohteet. "Tässä yleistajuisessa kirjassa kuvataan, kuinka tekoäly on kehittynyt 1950-luvulta lähtien kulloinkin lupaavimpien tutkimustulosten pohjalta. Tarkastelussa ovat tärkeimmät menetelmät, tekniikan edistysaskeleet sekä niiden vaikutukset. Käsittelytapana on katsoa ”konepellin alle” valaisten älykkäiksi miellettyjen toimintojen pohjimmiltaan yksinkertaiset periaatteet, toteutushaasteet, sekä rajoitteet." Tähän yhteyteen voisin siteerata syväoppimiseen liittyviä haasteita: 1. vaatii erityisen paljon dataa, 2. on itseasiassa "matalaa oppimista" ja sillä on rajallinen ongelmasta toiseen siirtyminen, 3. puuttuu luonnollinen tapa käsitellä hierarkkisia rakenteita, 4. on vaikeuksissa avorakenteisissa päättelyongelmissa, 5. ei ole riittävän läpinäkyvää, 6. ei ole integroitu etukäteistietämykseen, 7. puuttuu kyky erottaa syy-seuraussuhteita korrelaatiosta, 8. olettaa ympäröivän yhteiskunnan olevan vakio, 9. toimii hyvin likiarvona, mutta vastauksiin ei aina voi luottaa, 10. vaikea viedä käytäntöön. (s. 209-210).  http://jultika.oulu.fi/files/isbn9789526224824.pdf

Viitteet

(1) Heidi Kananen, Harri Puolitaival: Tekoäly bisneksen uudet työkalut, Alma 2019

(2) Deloitte: Automaatio kaksinkertaistui vuodessa. https://www2.deloitte.com/fi/fi/pages/technology/articles/automaatio-kaksinkertaistui-vuodessa.html

(3) HUS - tekoälyn ja robotiikan hyödyntämisen kärjessä. Tiivistin seminaarin annin seuraavasti: Perustaa on rakennettu viimeisten viiden vuoden aikana sekä tietovarantojen että oppimisen, kokeilun ja tutkimisen avulla. Tekoälyn ja robotiikan ilosanomaa on levitetty HUS:n klinikoihin ja perustettu oma kehittämisyksikkö tietohallinnon yhteyteen. HUSssa on oivallettu, että kaiken kehittämisen pitää lähteä toiminnasta, kliinisestä tarpeesta kehittää toimintoja potilashoidon kehittämiseksi, potilasturvallisuuden parantamiseksi.
https://ollintuumailut.blogspot.com/2019/09/hus-tekoalyn-ja-robotiikan-karjessa.html

(4) Vaarat
  • Martin Ford: Robottien kukoistus, Sammakko 2017: Martin Ford piirtää tulevaisuuden visioita - varsin synkkiä sellaisia. Tulkitsisin itse Martinin visioiden lähtökohdiksi ihmisten, organisaatioiden, kansakuntien osa-optimoinnin. Tuottavuus, tehokkuus ja uudet teknologiat nähdään positiivisina utopioina, kun niitä tarkastellaan yksi kerrallaan. Yhdistettäessä nämä utopiat kansakuntien tasolle saadaan aikaan synkkiä tulevaisuuden kuvia. Palkkatyö vähenee, kun työ siirtyy roboteille - älykkäille roboteille. Ensin häviävät kaikki tarkkaan automatisoitavissa olevat työtehtävät. Lopulta muuttuu koko yrityskulttuuri. Uhkana on, että ei ole enää ihmisille edellytyksiä kuluttaa. Eriarvoisuus keskittää varallisuutta harvojen käsiin, mutta tätä kautta ei saada kuluttajia lisää. Uhkana on maailmanlaajuinen taloudellisen toimeliaisuuden loppuminen. https://ollintuumailut.blogspot.fi/2017/05/robottien-kukoistus-positiivisia-ja.html 
(5) SoteDigi oy julkisti 15.11.2019 projektiraportin. Uutisen otsikko oli seuraava:
Keskiössä yli 75-vuotiaiden sote-palvelut – SoteDigi Oy:n ja Kainuun soten tietojohtamisen pilottiprojektin loppuraportti julkaistu.
SoteDigi Oy toteutti sote-järjestäjän tietojohtamisen pilottiprojektin yhteistyössä Kainuun sosiaali- ja terveydenhuollon kuntayhtymän (Kainuun sote) kanssa touko-syyskuussa 2019. Pilottiprojektin loppuraportti on nyt julkaistu. Lopputuotoksena projektissa on kokonaisnäkymä yli 75-vuotiaiden kainuulaisten sote-palveluiden käytöstä ja palvelukäyttöön liittyvistä kustannuksista yli toimiala- ja kuntarajojen. Projektin tulokset tarjoavat tietoa yli 75-vuotiaiden henkilöiden sosiaali- ja terveydenhuollon keskimääräisistä kustannuksista asukasta ja asiakasta kohden. Lisäksi vertailutietoa saatiin eri asiakasryhmien palvelukäytöstä ja toteutuneista kustannuksia palveluittain.
”Toteutimme myös koneoppimisen keinoin ennustemallin, joka tunnisti 86 prosentin tarkkuudella henkilöt, jotka ovat riskissä ohjautua 12 kuukauden kuluttua säännöllisiin palveluihin”, kertoo SoteDigin hankejohtaja Jaakko Pentti.”Pilotin toimintamalli osoittautui tehokkaaksi. Voimme hyödyntää saatuja tuloksia oman toimintamme tehostamisessa, ennakoinnissa, palvelujen suunnittelussa ja strategian laadinnassa”, kertoo Kainuun soten kehittämisjohtaja Marita Pikkarainen.
https://sotedigi.fi/2019/11/15/keskiossa-yli-75-vuotiaiden-sote-palvelut-sotedigi-oyn-ja-kainuun-soten-tietojohtamisen-pilottiprojektin-loppuraportti-julkaistu/
Lähettänyt klo
Tunnisteet: , , ,

Ei kommentteja:

Lähetä kommentti

Tilaa: Lähetä kommentteja (Atom)