Tekoälyn 35 konkreettista käyttökohdetta organisaatioille

ChatGPT on kuluneen vuoden aikana saanut suurta huomiota osakseen ja aivan ansaitusti. Tekoäly on kuitenkin paljon muutakin kuin kielimalleja ja niihin perustuvia toteutuksia.

Erilaisia tekoälymenetelmiä ja niiden potentiaalisia käyttökohteita erilaisissa organisaatioissa on valtava määrä. Niinpä myös tekoälyn mahdollisuudet ulottuvat vielä paljon laajemmalle kuin moni ehkä tulee ajatelleeksi.

Käännä katse tekoälymenetelmien luokittelusta sen käyttökohteisiin

Tekoälyn etuna on kyky käsitellä epätäydellistä tietoa paremmin kuin perinteiset ohjelmistot. Se voi tuottaa järkeviä tuloksia myös silloin, kun datassa on puutteita tai jopa virheitä. Edellytyksenä toki on, että dataa on riittävä määrä ja se sisältää tarpeeksi esimerkkejä, joista tekoäly voi oppia, miten toimia epävarmoissa tilanteissa.

Tekoälyn ytimessä on jatkuvasti kehittyvä kokoelma erilaisia matemaattisia menetelmiä ja algoritmeja. Erilaisia tapoja luokitella tekoälymenetelmiä lienee vähintään yhtä paljon kuin luokittelijoitakin. Yhteistä erilaisille luokitteluille on, että niissä lähdetään yleensä liikkeelle algoritmien sisäänrakennetuista matemaattisista ominaisuuksista, eikä niinkään algoritmien soveltamiskohteista. Siksi varsinkin asiaan vähemmän perehtyneiden on hankala päästä perille tekoälyn potentiaalista liiketoiminta-arvon kasvattamisessa.

Luokittelua hankaloittaa myös se, että uusia menetelmiä syntyy kiihtyvällä vauhdilla ja ne eivät välttämättä sovi vanhoihin luokitteluihin. Lisäksi osa menetelmistä on tarkoitettu tarkoin rajattujen ongelmatyyppien ratkaisemiseen, kun taas toiset soveltuvat yleisempään käyttöön. Monet tekoälymenetelmät voivat myös olla päällekkäisiä tai sisältää toisia menetelmiä. Esimerkiksi ChatGPT:stä tuttu generatiivinen tekoäly voi liittyä sekä koneoppimiseen että luonnollisen kielen käsittelyyn, mikä vaikeuttaa selkeää rajanvetoa.

Vaikka tekoälymenetelmien luokittelulla on paikkaansa akateemisessa tutkimuksessa ja opetuksessa, liiketoiminnan kehittämisestä vastaavien henkilöiden on mielekkäämpää lähteä liikkeelle tekoälyn käyttökohteista käytännön ongelmanratkaisussa.

Käyttökohteet auttavat oivaltamaan tekoälyn mahdollisuuksia

Alla näkyvässä kuvassa olen tuonut esille tyypillisiä tekoälyn käyttökohteita ja esimerkkejä niihin liittyvistä menetelmistä. Kuten kuvasta voi nähdä, osa käyttökohteista edellyttää erikoistuneempia menetelmiä kuten rajoitelaskenta (AI Constraint Solving), kun taas esimerkiksi koneoppimista voidaan hyödyntää laaja-alaisesti erilaisessa ongelmanratkaisussa.

Kuva 1: Tekoälyn käyttökohteita ja käytettäviä menetelmiä.

Perehtymällä käyttökohteisiin muutoin vaikeasti hahmotettavan menetelmäkentän jäsentäminen helpottuu merkittävästi. Käyttökohteet on myös helppo liittää ratkaistavaan liiketoimintaongelmaan, mikä sujuvoittaa liiketoiminta- ja teknologiaosaajien välistä viestintää ja yhteistyötä luomalla yhteisen käsiteperustan (kuva 2).

Kuva 2: Käyttökohteet puuttuvana linkkinä.

Vaikka lähestymistapa on täysin epätieteellinen, se on kuitenkin osoittautunut käytännössä toimivaksi ja helposti viestittäväksi. Se voi myös auttaa organisaatioita tuottamaan nopeammin innovaatioita, kun yhä useampi toiminnan asiantuntija oivaltaa tekoälyn mahdollisuudet toiminnan tehostamisessa ja palvelujen parantamisessa.

Käyn seuraavaksi käyttökohteita läpi esimerkkien kautta. Esimerkit ovat pääosin julkishallinnon projekteista, mutta helposti yleistettävissä myös muille toimialoille.

Poikkeamien tunnistaminen

Poikkeamien tunnistamisella pyritään löytämään epätavalliset tai poikkeavat havainnot tai tapahtumat suuresta datamäärästä. Nämä poikkeamat voivat olla odottamattomia ja erilaisia verrattuna ennalta määriteltyihin normaaleihin malleihin tai käyttäytymiseen.

1. Ostolaskujen seuranta: Tarkkailemalla ostolaskujen tapahtumia voidaan havaita epätyypillisiä kulutus- tai hankintamalleja, jotka saattavat viitata mahdollisiin huijauksiin.
2. Rahavirtojen seuranta: Tunnistamalla epätavallisia liikkeitä rahavirroissa voidaan tunnistaa virheelliset transaktiot ja estää taloudellisia väärinkäytöksiä.
3. Hankintojen seuranta: Havaitsemalla suurista datamassoista esimerkiksi määrällisesti tai kooltaan poikkeavia hankintoja voidaan tarkastustoiminnasta vastaavia asiantuntijoita auttaa keskittymään eniten huomiota vaativiin tapauksiin.
4. Energiankulutuksen seuranta: Seuraamalla rakennusten ja laitteistojen energiankulutusta voidaan ennakoida laitteiden toimintahäiriöitä, sekä tunnistaa virheelliset toiminnot, väärin säädetyt laitteet ja mahdolliset energiavuodot.
5. Liikenne- ja Ihmisvirtojen analysointi: Havainnoimalla poikkeamia liikenne- ja ihmisvirroissa voidaan tunnistaa liikenteen tai kaupunkiympäristön muutoksia, jotka on huomioitava kaupunkisuunnittelussa.

Ennustaminen

Ennustamisella pyritään arvioimaan tulevia tapahtumia tai muuttujien arvoja nykyisen tiedon ja aikaisempien havaintojen perusteella. Vaikka ennusteet eivät aina osu täysin oikeaan, ne voivat auttaa ymmärtämään trendejä, mahdollisia riskejä ja antaa suuntaa siitä, mitä voisi tapahtua tietyillä oletuksilla.

6. Väestöennusteiden laatiminen: Väestönkehitystä ja siitä seuraavaa palvelujen kysynnän muutosta ennakoimalla voidaan paremmin mitoittaa kaupungin infrastruktuuria ja palveluita kysyntään vastaavasti.
7. Energiankulutuksen ennakointi: Energiankulutuksen ennustaminen auttaa sähköntuottajia ja kuluttajia suunnittelemaan ja optimoimaan toimintaansa, ja sitä kautta vähentämään ympäristövaikutuksia.
8. Talousennusteiden laatiminen: Tekoäly voi analysoida suuria määriä talousdataa ja ennustaa muutoksia esimerkiksi BKT:ssa, työttömyysasteessa, inflaatiokehityksessä ja korkotasossa, mikä auttaa organisaatioiden johtoa ja sijoittajia tekemään parempia päätöksiä.

Luokittelu

Luokittelulla pyritään jaottelemaan objekteja tai havaintoja eri ryhmiin niiden piirteiden perusteella. Piirteet voivat olla esimerkiksi numeerisia arvoja, tekstuaalisia ja visuaalisia ominaisuuksia tai muita tietoja, jotka kuvaavat havaintoja.

9. Palautteiden luokittelu: Luokittelemalla asiakaspalautteita voidaan automatisoida palautteiden käsittelyprosessia ja samalla tunnistaa eniten kehittämistä vaativia palveluita.
10. Asiakasryhmien tunnistaminen: Luokittelemalla asiakkaat ryhmiin esimerkiksi palvelujen käytön perusteella voidaan tuottaa paremmin asiakkaiden tarpeita vastaavia palveluita ja säästää kustannuksia, kun palvelut kohdentuvat oikein.
11. Ajoneuvojen luokittelu: Automaattinen ajoneuvojen luokittelu auttaa liikennesuunnittelijoita ymmärtämään liikennevirtoja ja sitä kautta kehittämään liikenneinfrastruktuuria, sekä seuraamaan päästö- ja ympäristövaikutuksia.
12. Verkkosivuston käyttäjien luokittelu: Luokittelemalla verkkosivuston käyttäjiä voidaan kasvattaa ymmärrystä käyttäjien kiinnostuksen kohteista ja kyetään luomaan kiinnostusta vastaavaa sisältöä.
13. Kaupunkitilan käytön seuranta: Kaupunkitilan käytön seuranta auttaa kaupungin suunnittelijoita ymmärtämään mitkä alueet ovat suosittuja ja suunnittelemaan kaupunkiympäristöä entistä käyttäjälähtöisemmin.
14. Liikenneturvallisuuden edistäminen: Erilaisten ajoneuvoluokkien liikkumistavan ymmärtäminen voi auttaa tunnistamaan liikenneturvallisuuden riskitekijöitä ja kehittämään toimenpiteitä riskien vähentämiseksi.
15. Huijausten havaitseminen: Luokittelu voi auttaa tunnistamaan väärennettyjä kuvia, dokumentteja tai tekstiä ja sitä kautta välttämään huijausyrityksiä.

Automaattinen sisällön tuottaminen

Automaattinen sisällön tuottaminen viittaa prosessiin, jossa tietokonejärjestelmät tai tekoälymallit luovat itsenäisesti tekstiä, kuvia, ääntä tai muita sisältöjä. Lähestymistapa on hyödyllinen erityisesti tehtävissä, joissa tarvitaan suurta määrää riittävän laadukasta sisältöä nopeasti ja tehokkaasti.

16. Artikkelien, blogitekstien ja uutisten laatiminen: Automatisoitu suurten tietomäärien tiivistäminen artikkeleiksi, sekä päivittäisten uutisten ja blogitekstien laatiminen säästää aikaa ja resursseja.
17. Kuvien ja videoiden tuottaminen: Automaattisesti tuotettujen kuvien ja videoiden käyttäminen tulevien kaupunkiympäristön kehittämishankkeiden havainnollistamiseen auttaa päätöksentekijöitä ymmärtämään hankkeiden vaikutuksia.
18. Puheentunnistus: Puheen muuntaminen tekstiksi ja edelleen rakenteiseksi tiedoksi taustajärjestelmiin nopeuttaa merkittävästi esimerkiksi potilastietojen tallentamista potilaskertomuksiin, vähentää kirjoitusvirheitä ja varmistaa, että tiedot ovat ajantasaisia.

Prosessien ja tehtävien automatisointi

Tekoälyavusteisessa prosessien automatisoinnissa siirretään toistuvat rutiiniluonteiset tehtävät koneen tehtäväksi. Näin voidaan saada aikaan merkittäviä säästöjä, parantaa liiketoiminnan tehokkuutta ja vapauttaa työntekijöiden aikaa vaativampiin tehtäviin.

19. Laskujen reititys: Tekoäly voi automaattisesti tunnistaa, luokitella ja reitittää saapuvat laskut, mikä säästää aikaa ja vähentää virheiden mahdollisuutta.
20. Palautteisiin vastaaminen: Tekoäly voi analysoida ja luokitella asiakaspalautteita, sähköposteja tai puheluita, laatia valmiita vastauspohjia tai jopa vastata yksinkertaisiin kysymyksiin automaattisesti, mikä säästää ihmistyötä ja parantaa asiakaspalvelun reagointinopeutta.
21. Ohjeiden ja dokumenttien löydettävyyden parantaminen: Tekoäly voi tehostaa organisaation toimintaa auttamalla asiantuntijoita löytämään nopeasti tarvittavat ohjeet ja muut asiakirjat, sekä antamaan suosituksia dokumenteista, jotka liittyvät käyttäjän tarpeisiin.
22. Palvelu- ja asiakasohjauksen tehostaminen: Hyödyntämällä virtuaalisia asiakaspalvelijoita organisaatiot voivat analysoida asiakkaiden tarpeita reaaliajassa ja ohjata heidät nopeasti tarvetta vastaaviin palveluihin.
23. Kokonaisten tehtävien automatisointi: Liiketoimintaa voidaan merkittävästi tehostaa hyödyntämällä ihmisten apuna toimivia autonomisia agentteja, jotka voivat suorittaa monimutkaisiakin tehtäviä kuten palautteiden käsittelyä itsenäisesti.

Optimointi

Tekoälyyn perustuva optimointi (AI Constraint Solving) soveltuu monimutkaiseen ongelmanratkaisuun, jossa on samanaikaisesti useita eri tavoitteita ja rajoitteita. Menetelmät voivat tarjota nopeita ratkaisuja vaikeisiin ongelmiin, vaikka ne eivät välttämättä takaa absoluuttista optimaalisuutta. Erityisen hyödyllinen tekoälyyn perustuva optimointi on tilanteissa, joissa perinteiset matemaattiset menetelmät saattaisivat olla liian hitaita tai monimutkaisia toteuttaa.

24. Esiopetuspaikkaehdotusten laatiminen: Esiopetuspaikkaehdotuksen automatisoitu tuottaminen varmistaa, että esiopetuspaikat jaetaan mahdollisimman oikeudenmukaisesti ja vapauttaa asiantuntijoiden aikaa poikkeustilanteiden käsittelyyn.
25. Jakelureittien suunnittelu: Tekoälyn avulla monimutkaisetkin jakelureitit saadaan suunnittelua siten, että matka ja päästöt minimoidaan ja kuljetuskapasiteetti on mahdollisimman tehokkaassa käytössä.
26. Työvuorosuunnittelu: Työvuorosuunnittelun automatisointi säästää aikaa ja kustannuksia mahdollistamalla ihmiselle hankalat suunnittelutehtävät, joissa on otettava huomioon esimerkiksi työntekijöiden preferenssit, lakisääteiset rajoitukset, työaikalainsäädäntö ja työkuorman vaihtelu.
27. Tapahtumien aikataulutus: Laatimalla aikataulut, jotka huomioivat samanaikaisesti tapahtuman keston, osallistujamäärän, tilojen saatavuuden, osallistujien preferenssit ja muut merkitykselliset rajoitteet saadaan minimoitua päällekkäisyydet ja vähennettyä resurssien hukkakäyttöä.

Ohjelmistokehitys

Tekoälyavusteisessa ohjelmistokehityksessä tekoälymenetelmiä käytetään osana ohjelmistojen suunnittelua, toteutusta ja testausta. Ihmisen luovuuden yhdistäminen älykkäisiin algoritmeihin mahdollistaa aikaisempaa tehokkaamman ja innovatiivisemman ohjelmistokehityksen.

28. Ohjelmistokoodin tuottaminen: Tekoäly voi auttaa ohjelmoijia tuottamaan ohjelmistokoodia nopeammin ja virheettömämmin ehdottamalla koodinpätkiä, optimoimalla suorituskykyä ja varoittamalla potentiaalisista virheistä.
29. Koodin kääntäminen toiselle ohjelmointikielelle: Tekoäly helpottaa sovellusten modernisointia ja siirtämistä esimerkiksi pilviympäristöön kääntämällä ohjelmistokoodia eri ohjelmointikielille.
30. Testitapausten luominen: Tekoäly voi automaattisesti tunnistaa sovelluksen toiminnallisuudet ja luoda testitapauksia näiden perusteella.
31. Ohjelmistoarkkitehtuurin kuvaaminen: Tekoäly voi kuvata erilaisia ohjelmisto- ja tietokantarakenteita sekä ohjelmistokomponenttien välisiä suhteita ja auttaa sitä kautta optimoimaan ohjelmiston suorituskykyä ja ylläpidettävyyttä.

Analytiikka

Data-analytiikan tavoitteena on tuottaa tietoa ja merkityksiä, jotka mahdollistavat paremman johtamisen ja päätöksenteon. Tekoäly mahdollistaa laajojen ja monimutkaisten tietoaineistojen nopean käsittelyn, sekä edistää tiedon demokratisointia.

32. Tekstien yhteenvedot ja tiivistelmät: Laajojen tekstiaineistojen käsittely ja analysointi nopeutuu, kun tekoäly voi automaattisesti lukea ja tiivistää suuria tekstimassoja.
33. Visuaalinen analytiikka: Tekoäly voi tuottaa visualisointeja ja grafiikkaa suurista datamääristä ja siten tehdä monimutkaisista tietoaineistoista ja tilastoista helpommin ymmärrettäviä.
34. Tiedon löydettävyyden parantaminen: Ymmärtämällä luonnollista kieltä ja osaamalla vastata monimutkaisiinkin kysymyksiin, tekoäly auttaa asiakkaita helpommin löytämään tarvitsemansa tiedot.
35. Ydintietojen hallinta: Tekoäly osaa tunnistaa ja yhdistää esimerkiksi asiakastietoja hajallaan olevista tietolähteistä, vaikka ne olisivat eri muodoissa tai sisältäisivät kirjoitusvirheitä, ja siten auttaa automatisoimaan ydintietojen hallintaa.

Organisaatiot voivat saavuttaa merkittäviä etuja tekoälyn hyödyntämisestä, mutta hyötyjen toteutuminen vaatii ennen kaikkea tietoisuuden kasvattamista. Tekoäly vaikuttaa liiketoimintaan ja prosesseihin monin eri tavoin ja siksi tekoälyosaamista tarvitaan läpi koko organisaation. Pelkkä tekninen osaaminen ei riitä.

Tietoisuuden lisääminen tulisikin nähdä strategisena kilpailutekijänä. Mitä useampi työntekijä on tietoinen tekoälyn tarjoamista mahdollisuuksista, sitä paremmaksi muodostuu organisaation kyky innovoida uusia tuotteita ja palveluita, tehostaa prosessejaan ja reagoida nopeasti muuttuviin asiakasvaatimuksiin.

Keskeisessä roolissa tietoisuuden lisäämisessä ovat organisaation omat kokeilut ja pilotoinnit. Näissä nopeissa ja konkreettisissa kokeiluissa työntekijöillä on mahdollisuus kokeilla tekoälyn soveltamista käytännössä ja nähdä sen hyödyt ja mahdolliset haasteet. Turvallinen kokeiluympäristö, jossa voi oppia ja tehdä virheitä ilman suurta riskiä, auttaa hälventämään mahdollisia tekoälyyn liittyviä huolenaiheita ja edistää halukkuutta ottaa uusia työvälineitä käyttöön.

Tässä artikkelissa esitetty jaottelu tekoälyn käyttömahdollisuuksista tarjoaa organisaatioille yksinkertaisen viitekehyksen, jota soveltamalla on mahdollista nopeasti tunnistaa tekoälyn mahdollisuuksista eniten hyötyvät liiketoiminta-alueet.

Webinaarissa "Tekoälyn käyttötapaukset julkishallinnossa" käyn läpi esimerkkejä, miten tekoälyn avulla voidaan lisätä tuottavuutta ja helpottaa niin työntekijöiden kuin kansalaisten arkea. Katso tallenne!

Tutustu myös:

• Tekoälyllä tuottavuus ja asiakastyytyväisyys kasvuun
• Pieni sanakirja tekoälystä