Kuinka kehittää koko organisaation kattava eettinen lähestymistapa tekoälyyn

Jonathan Conradt: [00:00:00] Pohjimmiltaan tekoäly on funktiokutsu. Se on kuin Excelissä oleva summafunktio. Käytätte sitä kaikki ja annatte sille luettelon sarakkeista tai riveistä, jotka haluatte laskea yhteen, ja se ottaa sen syötteenä ja tuottaa tuloksen. Sitä tekoäly pohjimmiltaan on.

David Rice: Tervetuloa People Managing People -podcastiin. Tehtävämme on rakentaa parempi työelämä ja auttaa teitä luomaan onnellisia, terveitä ja tuottavia työpaikkoja. Olen juontajanne David Rice.

Vieraana tänään on Jonathan Conradt. Hän työskenteli hiljattain Amazonilla johtavana tekoälytutkijana. Puhumme tekoälystä, koneoppimisesta ja siitä, mitä näiden teknologioiden koulutuksen suhteen on tehtävä, kun niitä otetaan osaksi ihmisten päivittäistä työtä.

Tervetuloa, Jon.

Jonathan Conradt: Kiitos.

David Rice: Kerro aluksi hieman itsestäsi, miten päädyit tähän pisteeseen ja mikä on suurin haaste, jonka parissa työskentelet juuri nyt?

Jonathan Conradt: Olen ollut teknologia-alalla pitkään.

Olin Googlen alkuperäisessä Chrome-tiimissä ja liityin siihen, kun meitä oli noin [00:01:00] 40. Jos olet koskaan käyttänyt Chromen Mac- tai Linux-versioita, ne olivat minun projektini. Sen jälkeen työskentelin eBaylla, jossa johdin markkinointia ja otin tekoälyn ja koneoppimisen käyttöön sekä sivustolla että sen ulkopuolella.

Sen jälkeen työskentelin Amazonilla 12 vuoden ajan. Amazonilla huomasin lopulta, että erinomaisia tekoälyhankkeita ei hyväksytty, kun taas eräänlaisia huonoja tekoälyhankkeita hyväksyttiin. Suurin ongelma oli, että Amazonilla on todella älykkäitä ihmisiä ja todella älykkäitä varatoimitusjohtajia.

He ovat hyvin koulutettuja, tulevat hienoista taustoista ja tuntevat liiketoimintansa läpikotaisin, mutta tekoäly tuli heille aivan uudesta suunnasta. He eivät oikeastaan tienneet, miten sitä pitäisi käsitellä tai mitä se piti sisällään. Heillä oli vaikeuksia tehdä hyviä päätöksiä siitä, mihin meidän pitäisi investoida. Niinpä he menettivät hyviä ideoita ja joskus.

Investoivat asioihin, jotka eivät tulleet toimimaan kovin hyvin. Viimeisenä vuotenani Amazonilla suurin osa työstäni oli [00:02:00] opetussuunnitelman laatimista ja varatoimitusjohtajien sekä johtajien kouluttamista koneoppimisesta ja tekoälystä Amazonin eri puolilla maailmaa. Lopulta päätin, että jos Amazonin sisällä, teknologiayrityksen työntekijöiden parissa, on näin suuri sotku, millaista sen täytyy olla Amazonin ulkopuolella?

Niinpä päätin lähteä Amazonilta ja tehdä tämänkaltaisia asioita: auttaa ihmisiä ymmärtämään, mitä tekoäly on, missä heidän pitää olla varovaisia, missä toimia rohkeasti ja miten he voivat hyödyntää sitä parhaalla mahdollisella tavalla.

David Rice: On mielenkiintoinen ja hyvin ajankohtainen aika tehdä tuota.

Tekoäly ja koneoppiminen voivat mielestäni tehdä paljon. Osa siitä, mihin yritykset ovat kiinnittäneet huomionsa, liittyy siihen, että kyseessä on uusi ja loistava asia. Ihmisillä on todella suuria ideoita, mutta kuten puhuimme ennen tätä puhelua, on olemassa myös paljon käytännöllisiä ratkaisuja, jotka voivat auttaa yrityksiä ratkaisemaan välittömiä tarpeita.

Voisitko antaa meille hyviä esimerkkejä siitä, missä henkilöstöhallinto voisi ottaa tekoälyä käyttöön saadakseen välitöntä hyötyä?

Jonathan Conradt: Generatiivinen tekoäly on se kiiltävä pallo, joka vangitsee kaikkien huomion, eikö niin? Perinteinen koneoppiminen on kuitenkin myös kehittynyt merkittävästi viime vuosina.

Yksi tällainen asia on automaattinen koneoppiminen. Tutkijat tarkastelivat tekemäänsä työtä ja ymmärsivät, että he seurasivat joka kerta pohjimmiltaan samoja vaiheita. Kaikki tämä oli mahdollista automatisoida. On olemassa erittäin hyvä avoimen lähdekoodin paketti nimeltä autogluon.

Se on varsin hämmästyttävä. Kun tutustuin siihen, koin jonkinlaisen eksistentiaalisen kriisin. Tajusin, että henkilö, jolla on kohtuulliset SQL-taidot ja joka osaa hieman Pythonia, voisi tuottaa yhdessä yössä maailmanluokan mallin, jonka luomiseen minulta olisi voinut kulua kuukausia.

Se on todella hyödyllistä. Henkilöstöhallinnossa on monenlaisia tehtäviä. Haluatte ehkä luokitella asioita. Voitte esimerkiksi haluta tunnistaa ihmiset, jotka hyötyisivät johtamiskoulutuksesta, tai työntekijät, joilla on [00:04:00] riski lähteä organisaatiosta. Tällaiset mallit voivat tehdä sen puolestanne.

On myös ennusteita, joita haluatte tehdä lukuihin liittyen. Kuinka monta ansioluetteloa odotamme saavamme? Tai kuinka monta ihmistä tarvitsemme varastoon kahden viikon kuluttua? Tällaiset lukumääräennusteet onnistuvat siltä myös hyvin. Se voi käsitellä myös aikasarjoja. Aikasarjat ovat hyödyllisiä esimerkiksi aineiston kausivaihtelun ymmärtämisessä.

En ole varma, miten se liittyy suoraan henkilöstöhallintoon, mutta olen varma, että henkilöstöhallinnossa on kausiluonteisia asioita, joista halutaan olla tietoisia. Hämmästyttävää on se, että henkilö, jolla on aineisto, voi luoda maailmanluokan mallin käytännössä kolmella koodirivillä. Se on mielestäni hämmästyttävää.

David Rice: Se on todella mielenkiintoista. Henkilöstöhallinnolla on tietenkin koko ajan enemmän dataa, etenkin kun otamme käyttöön kaikkia näitä uusia työkaluja.

Olet puhunut aiemmin vastuullisesta tekoälystä ja sanonut, että tämä on henkilöstöhallinnon kannalta haastavaa. Kerro meille hieman tekoälyn ja henkilöstöhallinnon tärkeimmistä eettisistä näkökohdista.

Mitä meidän pitää ratkaista näissä malleissa, ennen kuin otamme ne laajemmin mukaan henkilöstöhallinnon työhön?

Jonathan Conradt: Amazonilla meillä oli henkilöstöhallinnon liiketoimintakumppaneita. He olivat yhteydessä tiimeihin ja heiltä sai hyviä neuvoja. Kun aloimme työskennellä koneoppimismallien parissa, mallien oli tarkoitus käyttää asiakasdataa asiakkaisiin liittyvien asioiden ennustamiseen, ja henkilöstöhallinto sekä lakiosasto osoittautuivat meille erittäin tärkeiksi kumppaneiksi. Tietojenkäsittelytieteilijät ja tutkijat ovat ehkä suorittaneet yliopistossa aikoinaan yhden ihmis- tai yhteiskuntatieteiden kurssin. Henkilöstöhallinnossa tällaiset lait ja huolet ovat jatkuvasti mielessä. Tutkijoilla ja mallien parissa työskentelevillä onkin ainutlaatuinen mahdollisuus ottaa henkilöstöhallinto mukaan ja esittää sille hyviä kysymyksiä.

Miten haluamme käsitellä sukupuolta? Millaisia herkkyyksiä rotuun liittyy? Henkilöstöhallinnon ihmiset tuntevat tällaiset asiat läpikotaisin, [00:06:00] eikö niin? Sama voi tapahtua myös itse henkilöstöhallinnon hankkeessa. Oletetaan, että henkilöstöorganisaatio haluaa tehdä jotakin. Kaikki nämä asiat ovat hyvin arkaluonteisia.

Klassinen esimerkki on ansioluetteloiden käsittelyn automatisointi niiden saapuessa organisaatioon ja niiden luokittelu tai järjestäminen tehokkuuden lisäämiseksi. Siihen liittyy vaaroja, koska koneoppimismallit huijaavat. Ne ovat jatkuvasti huijaamassa. Ne etsivät lyhimmän mahdollisen tien vastaukseen.

Malli voi esimerkiksi oppia, että jos hakija mainitsee ansioluettelossaan pelanneensa lukiossa lacrossea, tällaiset ihmiset on historiallisesti palkattu ja ylennetty yrityksessä. Se voi olla historiallinen vinouma, jota ette halua käyttää ihmisten palkkaamisen tai haastattelemisen suodattimissa.

Ette välttämättä odottaisi kyseisen sanan olevan mallille tärkeä. Mutta kuten sanoin, mallit huijaavat ja löytävät kaikki pienet yksityiskohdat. [00:07:00] Vastuullinen tekoäly on kokonainen joukko ideoita siitä, miten hallitsemme parhaiten tavoitteidemme ja mukana olevien ihmisten välistä suhdetta.

He voivat olla asiakkaita, työntekijöitä tai työnhakijoita. Miten hallitsemme heidän dataansa? Miten olemme oikeudenmukaisia eri ryhmiä kohtaan? Miten kerromme heille rehellisesti ja läpinäkyvästi, mitä koneoppimismalli tekee? Tämä on mielenkiintoinen etiikan alue. Henkilöstöammattilaiset käyttävät paljon aikaa etiikan, ihmisten hyvän kohtelun ja oikeanlaisen kohtelun pohtimiseen.

Vastuullisuus on henkilöstöhallinnolle kiehtova alue, ja se koskettaa monia henkilöstöhallinnon ratkaisuja. Oletetaan, että haluatte rakentaa mallin, joka ennustaa, kenestä nykyisistä työntekijöistänne tulee varatoimitusjohtaja kuuden vuoden kuluttua. Se on hyödyllinen malli, koska haluatte pitää nämä ihmiset organisaatiossa ja kehittää heitä.

Se on hyvä malli. Samalla mallia luotaessa pitää olla erittäin [00:08:00] varovainen. Jos kaikki nykyiset varatoimitusjohtajanne ovat esimerkiksi valmistuneet pääasiassa Ivy League -kouluista tai ovat miehiä, kaikki tällaiset tekijät ovat mukana koulutusaineistossa.

Vastuullisen tekoälyn kannalta oikein toimiminen edellyttää siis sellaisten tekijöiden poistamista, joita ei pitäisi ottaa huomioon. Älkää antako mallin nähdä tai päätellä asioita, joita ette ottaisi huomioon oikeassa ylennyspäätöksessä. Vastuullinen tekoäly on todella mielenkiintoista. Aiheesta on verkkokursseja ja paljon tutkimuksia verkossa, ja sääntely on tulossa. Se on jo voimassa EU:ssa. Se on tulossa Yhdysvaltoihin, ja sitä on mahdollisesti esitelty kongressissa jo muutaman kerran. Tällä alueella henkilöstöhallinto on jälleen todennäköisesti monia tutkijoita edellä, joten voitte olla tietoisia asiasta ja auttaa heitä ymmärtämään sitä.

David Rice: Se on todella tärkeää. Kuten sanoit, tietyt tiedot voivat ylläpitää vinoumia. Puhuin hiljattain henkilön kanssa, joka viittasi tutkimukseen, jonka mukaan naiset kokeilevat tekoälyä 75 prosenttia [00:09:00] epätodennäköisemmin kuin miehet. Ensimmäinen ajatukseni oli, millaista dataa se tuottaa?

Malli voisi oppia siitä, lähes jatkuvasti, että naisilla ei ole tiettyjä taitoja. En tiedä. Kaikilla asioilla on seurauksensa, eikö niin?

Jonathan Conradt: Se on mielenkiintoista. Otetaan esimerkiksi suuri kielimalli, kuten ChatGPT tai OpenAI. Ne eivät käytä kirjoittamiasi asioita suoraan mallin kouluttamiseen.

Ihmiset kirjoittavat kaikenlaista järjetöntä, kauheaa ja kamalaa, eikö niin? Koulutusaineisto on tekoäly-yrityksen arvokkain resurssi, joten ette halua laimentaa sitä tai lisätä siihen roskaa. Sen kanssa ollaan hyvin varovaisia. Mallit kuitenkin havaitsevat signaaleja siitä, miten ihmiset ovat vuorovaikutuksessa niiden kanssa. Yksi signaali on se, toistitko kysymyksen.

Jos kysyt OpenAI:lta jotain esimerkiksi Korean sodasta, saat vastauksen ja kysyt sitten saman kysymyksen hieman eri tavalla, se on heille hyvä merkki siitä, että vastaus ei ollut hyvä. [00:10:00] Lopulta kysyit asian tavalla, johon sait vastauksen, josta vaikutit pitävän.

Se on meille hyvä signaali. Mutta jos vuorovaikutuksessa on sukupuoleen, tuloihin tai maantieteeseen liittyvää vinoumaa, järjestelmä oppii luonnostaan tekemään sitä, mistä tietty ryhmä pitää. Hyvä esimerkki on itse asiassa tämä, vaikka en tiedä, pitääkö huhu paikkansa.

OpenAI:n malleissa oli kuulemma erikoista kieltä. Tietyt sanat esiintyivät vastauksissa useammin kuin sinä tai minä käyttäisimme normaalissa keskustelussa. Joku sanoi lopulta, että tämä muistuttaa tapaa, jolla Keniassa puhutaan. Se taisi olla Kenia, mutta saattoi olla toinen Afrikan maa.

Kyse oli jostakin Afrikan maasta. Mallien luomisen aikana käytettiin prosessia nimeltä vahvistusoppiminen ihmispalautteen avulla. Esität kysymyksen, tekoäly tuottaa viisi vastausta ja sitten valitset niistä parhaan. Pari asiaa tapahtui.

Ihmiset valitsivat pisimmän vastauksen, joka ei välttämättä ollut paras, mutta vaikutti sellaiselta, että sen ehkä pitäisi olla paras. Malli alkoi siis tuottaa yhä pidempiä vastauksia. Lisäksi ihmiset valitsivat luonnostaan vastaukset, jotka kuulostivat [00:11:00] heidän omalta puheeltaan.

Meillä oli suuri joukko alihankkijoita Afrikan maassa, ja he näyttivät reagoivan heille tutun oman maansa kielenkäyttöön ja sävyyn. Se poikkesi hieman amerikanenglannista ja brittienglannista.

Tämä havaittiin, ja ihmiset alkoivat luoda työkaluja, jotka pystyivät tunnistamaan tekoälyn tuottamia vastauksia tämän oudon sanajakauman perusteella. Se oli outo Yhdysvaltojen näkökulmasta. Tässä on siis esimerkki siitä, miten vinoumat voivat hiipiä tekoälyyn monin tavoin.

Jos useammat miehet käyttävät sitä, se saattaa alkaa vastata tavalla, joka tyydyttää miehiä enemmän kuin naisia. Se saattaa kiinnostua enemmän asioista, joista enemmistö puhuu. Tai se saattaa jäljitellä kouluttajiensa murteita.

David Rice: Kiehtovaa.

 

Yksi jatkuvasti esiin tuleva asia on suojakaiteet. Niistä puhutaan paljon, kun kyse on siitä, miten työntekijät käyttävät tekoälyä. Joskus kuitenkin mietin, pitäisikö johtajille olla enemmän suojakaiteita. Tarkoitan ehkä sitä, että heitä estettäisiin investoimasta liikaa vääriin asioihin.

Teknologian osalta haluaisin tietää, kuinka paljon voimme oikeasti asettaa suojakaiteita työntekijöille. Tarvitaanko johtajille koulutusta näistä työkaluista ennen kuin mitään otetaan käyttöön ja annetaan työntekijöiden käyttöön?

Jonathan Conradt: Tässä on paljon purettavaa. Ensinnäkin on hyödyllistä kertoa, että myös tiedepuolella puhumme suojakaiteista. On olemassa suojamalleja, jotka tunnistavat esimerkiksi kysymyksen siitä, mikä olisi paras kaava lannoitteesta valmistetun pommin rakentamiseen.

Kun tällainen kysymys tulee, suojamallit ovat pieniä, nopeita ja tarkasti viritettyjä tunnistamaan väkivaltaan, laittomuuteen tai epäeettisyyteen liittyviä asioita. Ne yksinkertaisesti hylkäävät kysymyksen, koska kallista käsittelyä ei ole järkevää jatkaa, jos tällaisiin kysymyksiin ei saa vastata.

Tekoälyn vastauksen jälkeen on vielä toinen suoja. Sen tehtävä on varmistaa, ettet huijannut tekoälyä kertomaan jotakin, mitä sen ei pitäisi kertoa, kuten pommin rakentamista. Se yrittää tunnistaa, että tekoäly on mennyt raiteiltaan, ja hylkää vastauksen.

Työntekijöiden suojakaiteet ovat kiinnostava ongelma. Kaikilla on puhelin, ja olen omassa elämässäni rakentanut kotiin koneen, joka pystyy käyttämään tekoälyä. [00:14:00] Pääsen siihen puhelimellani ja voin tehdä koneella mitä haluan.

Voin keskustella sen kanssa mistä tahansa ja lähettää sille mitä tahansa asiakirjoja verkossa. Jos estätte kaiken täysin ettekä tarjoa ihmisille mitään tapaa käyttää tällaisia työkaluja, he löytävät keinon. Työkalut ovat heille liian arvokkaita. Ne voivat lyhentää sähköpostin kirjoittamiseen kuluvan ajan 20 minuutista viiteen minuuttiin, koska tekoäly aloittaa tekstin ja ihminen voi muokata sitä.

Ihmiset haluavat tehdä niin. Täydellisen estämisen ongelma on myös se, että työntekijät alkavat käyttää malleja, joihin teillä ei ole pääsyä, joita ette voi hallita tai nähdä. He saattavat tehdä todella typeriä asioita, kuten ladata yrityksenne asiakirjoja näihin malleihin.

OpenAI:n, Googlen ja todennäköisesti muidenkin mallien käyttöehdoissa sanotaan, että kaikkea malliin syötettyä voidaan käyttää yrityksen toimesta ikuisesti ja ilmaiseksi mallin parantamiseen tai kehittämiseen. Ette todellakaan halua jonkun [00:15:00] lataavan seuraavan vuoden liiketoimintasuunnitelmia, budjettia tai työntekijäluetteloita. Se olisi painajainen.

Onneksi on tapoja tarjota hyviä suojakaiteita. Useimmilta tekoälypalveluilta voi nykyään hankkia yritystilejä. Entinen työnantajani Amazon tarjoaa hyvän tavan käyttää omaa tekoälyä, johon kaikki pääsevät käsiksi ja jossa asiat on eristetty niin, ettei mitään ladata Amazonille tai jaeta sen kanssa.

Uskon, että tämä on hyvä tapa edetä. Useimmat yritykset tulevat tarjoamaan jotakin vastaavaa. Entä johtajat? Johtajien kanssa on oma ongelmansa. Tiedämme ensinnäkin, että johtajat lataavat arkaluonteisia asiakirjoja tekoälyyn yhtä todennäköisesti kuin kaikki muutkin. He saattavat jopa olla siinä muita huonompia.

Lisäksi ymmärrys siitä, missä tekoäly oikeastaan sijaitsee, on rajallista. Ihmisten voi olla vaikea tietää, onko se oman IT-ympäristömme sisällä, suojattu ja turvallinen vai satunnainen kolmannen osapuolen palvelu internetissä. Johtajien voi olla vaikea selvittää tätä, koska he ovat työnsä [00:16:00] asiantuntijoita.

He ovat hyvin koulutettuja, älykkäitä ja osaavia, mutta he eivät ole IT-ihmisiä. Kun heidät on koulutettu samalla tavalla kuin me kaikki tietojenkalastelusta, eli olemaan napsauttamatta tiettyä linkkiä tai lataamatta tiettyä asiakirjaa, on hyvä tarjota heille pääsy johonkin hyödylliseen.

Sen pitäisi olla hyvin suojattu, virallinen, lokitettu ja muutenkin asianmukainen. Hankkeet ovat kuitenkin eri asia. Hanke voi olla esimerkiksi päätös korvata koko asiakaspalveluosasto tekoälyllä.

Jotkin yritykset ovat jo yrittäneet tällaisia aloitteita. Varhaiset omaksujat etenivät nopeasti, käyttivät valtavasti rahaa ja kohtasivat suuria vaikeuksia. He eivät todennäköisesti onnistuneet, mutta olivat varhaisia omaksujia. Yrityksiä, jotka pohtivat näitä hankkeita nyt, kutsuisin nopeiksi seuraajiksi.

Niillä on mahdollisuus tarkastella, mikä markkinoilla toimii. Hinnat ovat laskeneet dramaattisesti, joten ne eivät käytä yhtä paljon rahaa. Lisäksi on tehty hyvää tutkimusta siitä, miten tällaisten asioiden vaikutuksia mitataan. Otetaan esimerkiksi asiakaspalvelu.

En tunne ketään, joka todella toivoisi pääsevänsä keskustelemaan koneen kanssa ongelmastaan. Enkä tunne ketään, joka odottaisi sitä innolla, eivätkä varsinkaan parhaat asiakkaanne. Vaikka joistakin asioista voidaan tehdä tehokkaampia tekoälyn avulla, tässä on oltava varovainen.

Yksi ensimmäisistä asioista kannattaa olla hyvä malli, jolla erotetaan kallis ja vakava ongelma, josta voidaan vielä palautua, puheluista, jotka maksavat paljon mutta koskevat yksinkertaisia asioita, joihin on helppo vastata.

Esimerkiksi: miten vaihdan salasanani? Johtajien suojakaiteet ovat todellinen ongelma. Se oli yksi syistä, joiden vuoksi lähdin Amazonilta: jotta voisin keskustella yritysten kanssa syvällisesti siitä, mitä dataa niillä on, millaista kokemusta niillä on ja mitä ongelmaa ne yrittävät [00:18:00] ratkaista.

Yritättekö ansaita enemmän vai säästää rahaa? Mitkä ovat tavoitteenne? Oletteko kokeilleet jotakin yksinkertaisempaa? Se on myös vaihtoehto. Kutsun ihmiset varaamaan kalenteristani 50 minuuttia, jotta voimme keskustella ja päättää, voinko auttaa heitä.

Yrityksiä on mielestäni kolmenlaisia. Ensimmäisiä ovat varhaiset omaksujat. Ne ovat kokeilleet asioita, käyttäneet valtavasti rahaa, ottaneet suuria riskejä eivätkä todennäköisesti ole onnistuneet. Toinen ryhmä ovat ne, jotka eivät koskaan lähde mukaan. He uskovat, että kyseessä on uusi kryptovaluutta, suuri muoti-ilmiö, joka ei tule toimimaan.

Ne ovat välttäneet tällaisia asioita aiemmin ja jatkavat kaiken tekemistä samalla tavalla. Juuri nämä yritykset ovat suurissa vaikeuksissa, koska kyse ei ole vain ohimenevästä ilmiöstä. Tämä muistuttaa enemmän sähkön saapumista.

Kolmas ryhmä ovat nopeasti seuraavat organisaatiot. Ne tarkastelevat parhaillaan dataa, selvittävät, miten tulevaa mitataan ja aloittavat pilotteja. Ne säästävät paljon rahaa, koska hinnat ovat laskeneet. Mielestäni [00:19:00] juuri nämä mielenkiintoiset ryhmät tulevat menestymään.

Ne saavuttavat varhaiset omaksujat. Mallien suorituskyky saavuttaa aikanaan huipun. Tulee tasanne, jolle ne pysähtyvät pitkäksi aikaa. Varhaiset omaksujat saavuttavat sen ensin, mutta vaikka aloittaisitte myöhään, kehitysvauhti on niin nopea, että nopeasti seuraava yritys ehtii mukaan hyvissä ajoin.

David Rice: Oppimiskäyrä ja siihen liittyvät kasvukivut eivät siis ole yhtä vakavia, koska suuri osa niistä on jo koettu.

Joskus mietin, onko ihmisillä riittävän perustavanlaatuinen ymmärrys esimerkiksi koneoppimisen toiminnasta, jotta he osaavat hyödyntää sitä parhaalla tavalla. Onko näin? Mitä voimme tehdä sen muuttamiseksi lähiaikoina koulutuksen ja kehittämisen näkökulmasta?

Jonathan Conradt: Heillä ei todellakaan ole siitä hyvää ymmärrystä. Monissa yrityksissä on teknisiä ihmisiä, jotka eivät myöskään ymmärrä sitä kunnolla. Olin Pennsylvanian yliopiston Whartonissa ja pidin jatko-opiskelijoille puheen aiheesta koneoppiminen. Puhe kestää noin puoli tuntia, ja siinä selitän, että tekoäly on pohjimmiltaan funktiokutsu.

Se on kuin Excelin summafunktio. Käytätte sitä kaikki, annatte sille luettelon sarakkeista tai riveistä, jotka haluatte laskea yhteen, ja se ottaa syötteen ja tuottaa tuloksen. Sitä tekoäly on.

Jos ajattelette summafunktiota käyttökertojen välillä, se ei pohdi, mitä se viimeksi sanoi. Se ei juonittele teitä vastaan, unelmoi tai oikeastaan ole olemassa. Se on olemassa vain sillä hetkellä, kun sitä käytetään, ja katoaa sen jälkeen.

Tekoäly on pohjimmiltaan matemaattinen objekti ja funktio. Se ottaa syötteen, käsittelee sen ja tuottaa tuloksen. Monet hämmästyttävistä asioista, joita [00:21:00] näemme sen tekevän, ovat oikeastaan tekoälyn ympärille kirjoittamiemme laajennusten ja koodin ansiota. Niiden avulla dataa järjestetään ja tehdään muita asioita. Se on monimutkaista.

Se on vähän kuin odottaisi kaikkien ymmärtävän tarkalleen, miten polttoaineen ruiskutusjärjestelmä toimii. Useimmat eivät edes tiedä, mitä se tarkoittaa, mutta silti he pystyvät ajamaan autoa ja elämään elämäänsä luotettavien järjestelmien avulla.

Meidän pitää auttaa jokaista organisaation ryhmää tai alaryhmää saavuttamaan oikea ymmärryksen taso. Jotkut ovat käyttäjiä, jotkut teknikoita, jotkut työskentelevät syvällisesti näiden asioiden parissa ja jotkut ovat vain hyötyjiä. He eivät koskaan ole vuorovaikutuksessa järjestelmän kanssa, mutta se tekee hyviä asioita heidän puolestaan.

Se tulee olemaan haastavaa. Henkilöstöhallinto vastaa yleensä koulutuksesta. Sen pitää päättää, keitä koulutetaan ja millaiseen koulutukseen investoidaan. Kaikille sama ratkaisu ei toimi: koko organisaation kattava tekoälykoulutus, jossa kaikki saavat saman sisällön, [00:22:00] ei tule toimimaan.

Amazonilla opetin varatoimitusjohtajia ja ylempiä varatoimitusjohtajia. Yksi kysymys oli, mitä voisimme tehdä kuorma-autojemme kuljettajille ja ihmisille, jotka pakkaavat tuotteet laatikoihin. Monilla heistä ei välttämättä ole korkeakoulututkintoa. He ovat ahkeria, hyviä ja älykkäitä ihmisiä, mutta eivät teknisiä.

Miten saan heidät ajan tasalle tekoälyn suhteen, jotta he eivät pelkäisi sitä? Yrityksen täytyy ottaa koneoppiminen ja tekoäly käyttöön. Ei saa jäädä jälkeen siksi, että työntekijät pelkäävät sitä. Heille tarvitaan heidän tarpeitaan vastaavaa koulutusta, joka vastaa heidän kysymyksiinsä. Johtotason koulutus on puolestaan hyvin erilaista.

David Rice: Yksi alue, jossa tätä teknologiaa ollaan kiinnostuneita ottamaan käyttöön, on työntekijöiden hyvinvointi. Puhuin hiljattain henkilön kanssa, joka käytti ääniteknologiaa työuupumuksen tai [00:23:00] stressin tunnistamiseen. Meillä on kaikenlaista dataa, joka voi tarjota käyttäytymiseen liittyviä indikaattoreita.

Miten näet työntekijöiden hyvinvointiin suhtautumisen muuttuvan tulevina vuosina?

Jonathan Conradt: Olen juuri nyt erityisen kiinnostunut tästä. Työskentelen kahden tutkijan kanssa menetelmän parissa, jolla työntekijöiden hyvinvointia voidaan paitsi mitata myös parantaa ajan mittaan. Yksi tekoälyn hienoista puolista on sen kärsivällisyys.

Se voi olla arvokas tiedonlähde, koska sille voi antaa tarkkaa ja toimintaan johtavaa tietoa, ja tekoäly voi vastata ihmisille ja tarjota heille tällaisia syötteitä. Aikoinaan työskentelin Gallup-organisaatiossa ja autoin kehittämään StrengthsFinderin. Se oli väline, jonka tarkoituksena oli auttaa esihenkilöitä ymmärtämään työntekijöitään. Syvemmän suhteen kautta tavoitteena oli, että kaikki organisaatiossa hyötyisivät siitä.

Toisia ymmärrettäisiin paremmin, toisia tuettaisiin enemmän ja siitä seuraisi paljon hyvää. Nykyään kutsuisimme sitä osaksi hyvinvointia.

[00:24:00] Tekoälyn avulla yritämme ensinnäkin oppia vuorovaikutteisemmin ihmisiltä, miten heillä tällä hetkellä menee. Monissa arvioinneissa turhauttavaa on se, että pitää vain napsauttaa vaihtoehtoja. Päivän päätteeksi tuntuu usein siltä, etten tiedä, tulkitaanko valintani niin kuin itse ajattelin.

Siksi annamme pakotetun valintadatan lisäksi työntekijöille mahdollisuuden ilmaista itseään. He voivat kertoa, mitä ajattelivat viimeisen osion aikana, mikä heidän mielestään oli tärkeintä ja mitä he toivoisivat meidän oppivan heidän sanoistaan.

Tämä teksti on erittäin arvokasta. Rakensin kerran koneoppimismallin, joka otti tutkimusartikkeleita ja yritti ennustaa, pitäisinkö niitä kiinnostavina. Olin merkinnyt useita satoja artikkeleita kiinnostaviksi tuhansien joukosta. Malli toimi kohtuullisesti.

Sitten käytin tekoälyn osaa. Tekoälyt eivät ymmärrä sanoja, joten sanat on muutettava matemaattiseksi objektiksi, jota kutsutaan vektoriksi. Vektori on matemaattinen objekti, jolla on suunta ja suuruus. Sanat, lauseet tai kokonaiset kappaleet voidaan muuntaa tällaisiksi objekteiksi.

Otin kaikkien artikkeleiden otsikot ja tiivistelmät ja käytin tekoälyn ensimmäistä osaa vektorin luomiseen. Nyt minulla oli enemmän dataa. Syötin sen samaan malliin, ja se parani 14 prosenttia. Se on suuri harppaus. Jos työntekijöiden tyytyväisyyskyselyssä ymmärretään avoimia vastauksia ja työntekijöistä saadaan 14 prosenttia parempi ymmärrys, [00:26:00] sillä voi olla valtava merkitys.

David Rice: Kun tätä ajatellaan, mikä on käyttämätöntä potentiaalia datassa ja työkaluissa, joiden käyttöön ihmisillä on yhä parempi pääsy? Miten voimme auttaa ihmisiä suhtautumaan työhönsä, yritykseen ja kokemukseensa? Voimmeko käyttää tekoälyä muuttamaan sitä, miten johtajat lähestyvät näitä asioita?

Jonathan Conradt: Yksi yleisimmistä kysymyksistä, joita saan, on: voinko ulkoistaa henkilöstöhallinnon tai lakiasiat tekoälyagentille? Vastaan, että henkilöstöhallinnon agentteja tulevat todennäköisimmin käyttämään nykyiset henkilöstöammattilaiset. Heidän työnsä on hyvin monimutkaista.

Tapahtuu paljon asioita, ja heidän täytyy usein etsiä lisää tietoa ja yhdistää suuria tietomääriä. Agentti on tekoäly, joka pystyy tekemään asioita itsenäisesti, pyytämään tietoja, käyttämään tietokantaa tai sovellusta ja tekemään verkkohakuja.

Ihmiset saavat käytännössä henkilökohtaisen avustajan. Kuvitelkaa, että jokaisella koko yrityksen työntekijällä olisi henkilökohtainen avustaja. Se hoitaisi työntekoon liittyvää hallinnollista taakkaa ja yksinkertaistaisi asioita. Kun sähköposti sisältää pyynnön, agentti lukee sen, järjestää vastaamiseen tarvittavat tiedot ja kertoo, mitä vastauksessa kannattaa ottaa huomioon.

Se voisi ehdottaa vastausta. Ihminen tekee kuitenkin päätökset. Hän voi katsoa tietoja ja sanoa haluavansa kuvata asian eri tavalla, kertoa jotain muuta tai korjata tekoälyn väärinymmärryksen. Näistä tulee todella tehokkaita välineitä.

Tekoäly onnistuu parhaiten varatoimitusjohtajien korvaamisessa. Varatoimitusjohtajan työ on tiedon yhdistämistä. Koko organisaatio kerää tietoa, joka [00:28:00] kulkeutuu organisaation läpi ylöspäin. Sitten varatoimitusjohtaja tekee strategisia päätöksiä koko organisaation laajan näkymän perusteella.

Tällainen tiedon yhdistäminen on alue, jolla tekoäly on ihmisiä vahvempi. Aloitamme todennäköisesti apupiloteista, henkilökohtaisista avustajista tai tekoälyavustajista. Niistä tulee hyödyllisiä ja voimakkaita. Ne säästävät aikaa ja auttavat ymmärtämään liiketoimintaa paremmin.

Yrityksen olisi virhe ajatella, että tehokkuuden kasvaessa tarvitaan vähemmän ohjelmoijia samaan työmäärään. Jokaisessa teknologiayrityksessä tulee vastaan hetki, jolloin kaikki ohjelmoijien toivottu työ priorisoidaan ja osa asioista jää tekemättä.

Jos tekoäly lisää tuottavuutta, se siirtää tätä rajaa alaspäin. Älykkäät yritykset tehostavat kaikkien työtä, auttavat ihmisiä saamaan asiat valmiiksi nopeammin, vähentävät työnteon hallinnollista taakkaa ja tuottavat enemmän asiakkaille.

Yritykset, jotka päättävät pienentää henkilöstöään ja pysyä samalla työmäärän tasolla, jäävät niiden yritysten jalkoihin, jotka säilyttävät henkilöstömääränsä mutta lisäävät merkittävästi tehtävän työn määrää ja asiakkaidensa hyväksi tehtäviä asioita.

David Rice: Hienoa.

Jonathan, kiitos, että olet mukana. Ennen lopetusta teen aina jokaisen vieraan kanssa kaksi asiaa. [00:30:00] Ensimmäiseksi haluan antaa sinulle mahdollisuuden kertoa, missä ihmiset voivat ottaa sinuun yhteyttä. Jos haluat mainita jonkin työn alla olevan asian, ole hyvä.

Jonathan Conradt: Annamme linkin, jonka kautta kanssani voi keskustella 15 minuutin ajan mistä tahansa. Kerro yrityksestä, jossa työskentelet, ja ongelmista, joita yritätte ratkaista. Keskustelen niistä mielelläni. Opin mielelläni uusista yrityksistä.

Tämä oli suuri osa työtäni Amazonilla. Amazon on valtava yritys, joka tekee kaikenlaista, joten tapasin eri tiimejä ja autoin niitä ymmärtämään, millaista koneoppimisprosessia ne voisivat käyttää työnsä helpottamiseen ja miten tekoälyä voisi soveltaa. Toivon, että ihmiset ottavat Calendlyssä yhteyttä ja varaavat kanssani ajan.

David Rice: Linkki lisätään tämän jakson kuvaukseen. Käykää tutustumassa siihen ja varatkaa aikaa Jonin kanssa. Voitte tietysti ottaa häneen yhteyttä myös LinkedInissä.

Toinen asia on podcastissa aloittamamme pieni perinne. Saat esittää minulle kysymyksen. Se voi liittyä aiheeseen tai olla jotakin aivan satunnaista. Se on sinun päätettävissäsi. Annan puheenvuoron sinulle.

Jonathan Conradt: Olen utelias: tekoäly osaa editoida videoita ja tehdä muita vastaavia asioita todella hyvin. Miten tekoäly on vaikuttanut sinuun ja podcastiin?

David Rice: Podcastissa se pystyy joskus tekemään äänelle uskomattomia asioita ja todella tehostamaan äänen käsittelyä.

En tiedä, tekeekö sen tekoäly vai joku editoijistamme, mutta joskus sillä on outo vaikutus jonkun ääneen. Suurin muutos työssäni on sisällöntuotanto, se, kuinka nopeasti kaikki on muuttunut ja miten järjestämme prosessin ideasta luonnokseen ja koko tuotantoon.

Se on suurin muuttunut asia. Sisällöntuotannon luonne on muuttunut. En sanoisi, että se on helpompaa, koska olemme edelleen oppimisvaiheessa ja selvitämme, miten saamme siitä eniten irti ja mitä haluamme sen sanovan. Sisällön pitää sopia yleisöprofiiliin. En voi uskoa, kuinka pitkälle se on edennyt siitä, kun kirjoitin ensimmäisen kerran jotakin ChatGPT:hen. [00:32:00] Tarkoitan...

Jonathan Conradt: Se on hämmästyttävää, eikö olekin?

David Rice: Se on muuttunut niin nopeasti.

Jonathan Conradt: Saippuaoopperoiden editointi on ilmeisesti mullistunut yhdessä yössä.

Koska niissä kuvataan valtavasti videota, editointi on valtava työ. Luultavasti tosi-tv on samanlaista. Nämä työkalut vähentävät huomattavasti siihen kuluvaa aikaa. Niiden sanotaan pystyvän tekemään ensimmäisen karkean leikkauksen automaattisesti. Se on hämmästyttävää.

David Rice: Uskomatonta. Olen varma, että jokainen suuri elokuvastudio investoi niihin voimakkaasti.

Jonathan Conradt: Oli ilo tavata sinut, David.

David Rice: Keskustelu oli hieno. Arvostan sitä, että tulit mukaan. Toivottavasti teemme tämän uudelleen joskus.

Jonathan Conradt: Kiitos.

David Rice: Hyvät kuuntelijat, jos ette ole vielä tehneet sitä, menkää osoitteeseen peoplemanagingpeople.com/subscribe ja tilatkaa uutiskirje. Ensi kertaan saakka: jatkakaa [00:33:00] kokeilemista.