Miksi jokaisen organisaation pitäisi investoida ennakoivaan tekoälyyn

David Rice: Yritykset investoivat miljoonia generatiiviseen tekoälyyn. Ne rakentavat agentteja ja tavoittelevat hypeä. Usein ne kuitenkin jättävät huomiotta tekoälypinon toisen 50 prosentin, joka todellisuudessa tuottaa mitattavaa liiketoiminta-arvoa. Ennakoiva tekoäly ei ole seksikästä. Se ei kirjoita runoja eikä luo kuvia. Se vain ennustaa, kuka klikkaa ja kuka ostaa. Se kohdentaa markkinointisi. Se havaitsee petokset ennen niiden tapahtumista ja automatisoi päätöksiä mittakaavassa ilman ihmistä päätöksenteossa. Jos jätät sen hyödyntämättä, syynä on usein se, ettei se vaikuta yhtä ihmismäiseltä.

Tämän päivän vieras on Eric Siegel, teoksen The AI Playbook kirjoittaja ja Machine Learning Week -tapahtuman perustaja. Hänen mukaansa useimpien organisaatioiden pitäisi investoida ennakoivaan tekoälyyn vähintään yhtä paljon kuin generatiiviseen tekoälyyn, mutta generatiivisen tekoälyn hype vie liikaa huomiota, ja se on kaikkien tappio. Tässä on ongelma, jonka hän näkee jatkuvasti. Yritykset käsittelevät ennakoivaa tekoälyä datatiedehankkeena.

Ne lähettävät datatieteilijän rakentamaan mallin, juhlivat sen valmistumista ja kutsuvat sitä sitten arvoksi. Malli ei kuitenkaan ole arvo. Arvo syntyy ennusteiden hyödyntämisestä. Arvo syntyy operatiivisesta integroinnista. Se edellyttää syvällistä yhteistyötä liiketoiminnan sidosryhmien kanssa kuuden vaiheen ajan, jotka Eric esittelee, ei vain kolmen teknisen vaiheen.

Useimmat yritykset ohittavat liiketoiminnan vaiheet kokonaan. Ne eivät määrittele, mitä ennustetaan ja mitä ennusteella tehdään. Ne ohittavat operatiivisen integroinnin. Sitten ne ihmettelevät, miksi niiden tekoälyinvestoinnit eivät tuota tulosta. Tänään käsittelemme sitä, miksi ennakoiva tekoäly on vähemmän seksikästä mutta autonomisempaa kuin generatiivinen tekoäly.

Miten ennakoivasta tekoälystä tulee luotettavuuskerros, joka tekee generatiivisesta tekoälystä todella käyttökelpoista. Mitkä ovat liiketoiminnan koneoppimisen viitekehyksen kuusi vaihetta ja mitkä kolme niistä liiketoiminnan sidosryhmät todennäköisimmin ohittavat. Miksi 95 prosentin tarkkuus kuulostaa vaikuttavalta mutta tekee järjestelmästäsi hyödyttömän. Ja mitä liiketoimintajohtajien pitää ymmärtää todennäköisyyksistä. Älä huoli, se ei ole rakettitiedettä.

Olen David Rice. Tämä on People Managing People. Jos olet tavoitellut generatiivista tekoälyä ja jättänyt ennakoivan tekoälyn hyödyntämättä, tämä keskustelu näyttää sinulle tarkalleen, mitä menetät. Aloitetaan.

Eric, tervetuloa! Hienoa saada sinut tänään mukaan ohjelmaan.

Eric Siegel: Kiitos, David. Hienoa olla täällä.

David Rice: Generatiivinen tekoäly saa paljon huomiota, mutta olet kutsunut ennakoivaa tekoälyä tekoälypinon unohdetuksi 50 prosentiksi, eikö niin? Se on kuitenkin olennaista todellisen liiketoiminta-arvon kannalta. Miksi organisaatiot ovat mielestäsi niin paljon innostuneempia generatiivisista malleista, ja mikä jää yleensä huomaamatta, kun ennakoivat järjestelmät jäävät ihmisten ajattelussa sivuun?

Eric Siegel: Pidän tavasta, jolla muotoilit asian. Ennakoiva tekoäly on vanhempaa, mutta ei vanhanaikaista. Suuri osa sen arvosta on edelleen hyödyntämättä. Se on tavallaan toinen, alkuperäinen tekoäly. Ennen ChatGPT:n ja muiden generatiivisten tekoälyratkaisujen ilmestymistä muutama vuosi sitten useimmat ihmiset tarkoittivat tekoälyllä juuri sitä. Se oppii datasta ennustamaan, jotta olemassa olevia laajamittaisia toimintoja voidaan kohdentaa ja parantaa. Ennustetaan, kuka klikkaa, ostaa, valehtelee, kuolee tai syyllistyy petokseen – mikä tahansa tulos tai käyttäytyminen, jolla on arvoa laajamittaisia toimintoja harjoittavalle organisaatiolle. Kysymyksesi kuuluu, miksi generatiivinen tekoäly saa niin paljon huomiota?

Vastaus on hyvin yksinkertainen. Se on paljon seksikkäämpää ja paljon helpommin käytettävää. Kumpikaan näistä asioista ei tarkoita, että se olisi välttämättä arvokkaampaa, ja käsittelen kumpaakin erikseen. Esitän väitteen, joka on nykypäivän kulttuurissa varsin kumouksellinen, kun keskitytään niin voimakkaasti generatiiviseen tekoälyyn ja sen mahdolliseen arvoon liittyvään hypeen.

Vaikka se on erittäin arvokasta enkä kritisoi itse teknologiaa – olen siitä hämmästynyt – kritisoin osaa siihen liittyvästä tarinankerronnasta ja hypestä. Kumouksellinen väitteeni on, että useimpien organisaatioiden pitäisi investoida ennakoivaan tekoälyyn vähintään yhtä paljon kuin generatiiviseen tekoälyyn. Ne ratkaisevat eri ongelmia, eikä niiden pitäisi kilpailla keskenään sen enempää kuin vesipuiston ja hiihtokeskuksen.

Ne kuitenkin kilpailevat vahvasti huomiosta, datatieteilijöiden ajasta ja resursseista. Valitettavasti kyse on siis jonkinlaisesta nollasummapelistä. Se on vahingollista meille kaikille, koska generatiivinen tekoäly vie huoneesta liian paljon happea. Tilanne on suhteeton ja kaikkien tappio. Ennakoiva tekoäly kohdentaa markkinointia ennustamalla, kuka ostaa, ja kohdentaa petosten torjuntaa ennustamalla, mikä tapahtuma osoittautuu petolliseksi.

Tarkemmin sanottuna se kohdentaa, mikä tapahtuma estetään, asetetaan odottamaan tai tarkastetaan. Kun toiminta on laajamittaista, resurssit ovat aina rajalliset. Liiketoiminta on numeropeliä. Meillä ei ole taikapalloa, mutta voimme kääntää todennäköisyydet eduksemme ennustamalla paremmin kuin arvaamalla. Tämä on ennakoivan tekoälyn avulla pelattavan numeropelin ydin.

Se laskee historian perusteella todennäköisyyksiä. Todennäköisyys ei ole maailman seksikkäin keskustelunaihe, mutta jos olet kiinnostunut arvosta tai olemassa olevien laajamittaisten toimintojen parantamisesta, juuri sen puoleen yleensä käännytään. Generatiivisen tekoälyn seksikkyys johtuu siitä, kuinka ihmismäiseltä se vaikuttaa ja kuinka hyvin se sopii tekoälyä koskevaan pitkän aikavälin kertomukseen.

Aina siitä lähtien, kun termi syntyi 1950-luvulla, ja tietysti kaikkien viihdyttävien elokuvien ja muun vastaavan ansiosta. Se vaikuttaa ihmismäiseltä, ja onkin hämmästyttävää. Tämä liittyy myös sen mahdolliseen arvoon käyttötapauksissa, joissa se toimii ajatuskumppanina, ensimmäisten luonnosten ja ohjelmakoodin luonnostelijana sekä monissa muissa tehtävissä, joissa se suoriutuu huomattavan hyvin. Suurimmassa osassa käyttötapauksia ihminen täytyy kuitenkin pitää vahvasti mukana päätöksenteossa.

Ironista kyllä, koska generatiivinen tekoäly vaikuttaa ihmismäisemmältä, sitä sovelletaan asioihin, joita ihmiset normaalisti tekisivät ja joissa virheitä siedetään vähemmän. Ennakoiva tekoäly puolestaan vaikuttaa vähemmän ihmismäiseltä mutta voi tosiasiassa olla autonomisempaa, koska se voi automaattisesti päättää, mikä luottokorttitapahtuma estetään mahdollisen petoksen vuoksi.

Siinä oli pieni monologini näiden kahden alan eroista.

David Rice: Ei hätää. On hauskaa, koska se on kuin kaveriporukan henkilö, joka järjestää kaikki upeat illalliskutsut, mutta kukaan ei ajattele häntä ruokaharrastajana, koska hänen Instagraminsa ei näytä Food Networkilta.

On mielenkiintoista, että kuten sanoit, tämä on ollut olemassa jo pitkään. Monilla yrityksillä, erityisesti suuryrityksillä, on ollut tällaisia järjestelmiä käytössä jo jonkin aikaa. Olin hiljattain eräässä keskustelussa, jossa puhuimme siitä, että jos jotkin näistä järjestelmistä on otettu käyttöön ja työ on tehty, tuleva agenttivallankumous ei todennäköisesti ole sinun juttusi, koska suuri osa tästä on jo automatisoitu.

Eric Siegel: Suhtaudun hieman varauksella termeihin agenttinen tekoäly ja tekoälyagentit. Olen kirjoittanut Forbesiin muutaman artikkelin, joissa sanon, että termi on mielestäni pääosin harhaanjohtava ja hyödytön.

Se on hype-termi. Se ei viittaa mihinkään tiettyyn uuteen teknologiaan. Se viittaa vain tarkoitukseen eli automaation lisäämiseen. Se on itsestään selvä tavoite. Siksi rakennamme koneita: jotta ne tekisivät asioita, jotka muutoin pitäisi tehdä ihmisen toimesta.

Se, että siihen liitetään sana agenttinen, ei tarkoita, että kyseessä olisi jokin uusi asia. Kyse on suhteellisen ilmeisistä käyttötapauksista, joita voisi yrittää toteuttaa generatiivisella tekoälyllä, mutta projektin tavoitteet ja kunnianhimo kasvavat nopeasti sellaisiksi, ettei järjestelmä pysty toimimaan autonomisesti ilman ihmistä päätöksenteossa.

Tämä johdattaa minut tärkeään ajatukseen, josta olen alkanut puhua paljon: siihen, missä nämä kaksi universumia kohtaavat ja missä ennakoiva ja generatiivinen tekoäly todella tarvitsevat toisiaan. Uskon, että ennakoivan tekoälyn seuraava merkittävä käyttötapaus on toimia generatiivisen tekoälyn luotettavuuskerroksena.

Kun meillä kaikilla on nopeasti kunnianhimoisia tavoitteita generatiivisen tekoälyn suhteen, kutsummepa sitä agentiksi tai miksi tahansa, ajatuksena on, että se toimisi esimerkiksi asiakaspalveluagenttina. Se olisi suoraan vuorovaikutuksessa kuluttajien kanssa monista aiheista tai kykenisi jopa toteuttamaan tapahtumia.

Ajatus täysin automaattisesta toiminnasta muuttuu nopeasti hankalaksi riippuen tarkasta laajuudesta ja siitä, mitä järjestelmän pitäisi pystyä tekemään. Ehkä viisi prosenttia ajasta se tekee kriittisen virheen, paljastaa tietoa, jota ei pitäisi paljastaa, tai toteuttaa tapahtuman, jota sen ei pitäisi toteuttaa.

Jos se onnistuu 95 prosentissa tapauksista, se on uskomatonta ja ennennäkemätöntä, jotakin sellaista, mitä emme olisi voineet kuvitella muutama vuosi sitten. Koko järjestelmä on silti arvoton. Se ei ole käyttökelpoinen eikä sitä oteta käyttöön.

Viiden prosentin virhemäärä on liian suuri. Miten siihen vastataan? Voimme odottaa, että kaikki ongelmakohdat hiotaan ja teknologia paranee, mutta se on paljon suurempi tehtävä kuin ymmärrämme. Generatiivisen tekoälyn ja ihmisten kykyjen välinen ero sijoittuu juuri tuohon viiteen prosenttiin tai mihin tahansa lopulliseen osuuteen tehtävästä riippuen.

Generatiivisen tekoälyn ja ihmisten kykyjen välinen ero tulee vain näkyvämmäksi. Kehityksessä on laskevaa rajahyötyä, mutta voisimme toteuttaa suuren osan kunnianhimoisesta autonomialupauksesta lisäämällä ennakoivan kerroksen. Käytämme ennakoivaa tekoälyä, ennakoivaa analytiikkaa tai yritysten koneoppimista – millä nimellä sitä halutaankaan kutsua.

Opimme esimerkkien avulla merkitsemään automaattisesti tapaukset, joissa ongelma todennäköisimmin ilmenee: tilanteet, vuorovaikutukset loppukuluttajan kanssa tai muut tapahtumat, joita järjestelmän on tarkoitus käsitellä. Sitten ohjaamme riskialtteimmat tapaukset automaattisesti ihmisen käsiteltäviksi.

Otetaan esimerkiksi chatbotin vuorovaikutustilanteet loppukuluttajien kanssa. Ihminen tulee mukaan 15 prosentissa riskialtteimmista hetkistä. Tilanne keskeytetään, ja ihminen muuttaa vastausta tai puuttuu siihen tarvittaessa. Emme tiedä, mitkä viisi prosenttia tapauksista ovat ongelmallisia, koska ennakoivissakaan käyttötapauksissa ei ole taikapalloa.

Jos kuitenkin käsittelemme 15 prosenttia tapauksista löytääksemme viisi prosenttia ongelmista, se saattaa riittää saamaan kiinni enemmistön niistä. Lopputuloksena virhemäärä voi olla esimerkiksi yksi prosentti. Käyttötapauksesta ja liiketoimintaympäristöstä riippuen se voi tehdä järjestelmästä käyttökelpoisen. Tällöin olemme toteuttaneet 85 prosenttia kunnianhimoisesta autonomialupauksesta, mikä on paljon parempi kuin nolla prosenttia, jonka saamme, jos järjestelmää ei voida ottaa käyttöön.

David Rice: Mainitsit koneoppimiskerroksen, ja olen utelias, koska olet julkaissut viime vuosina uuden kirjan, The AI Playbook. Kerro siitä hieman. Minusta otsikko oli kiinnostava: koneoppimisen käyttöönoton harvinaisen taidon hallitseminen.

Miksi se on niin harvinaista? Siitä haluaisin aloittaa.

Eric Siegel: Se on epämukava totuus. Kirjan alaotsikossa mainittu koneoppimisen käyttöönotto viittaa ennakoivan tekoälyn ja ennakoivan analytiikan hankkeisiin, eli yritysten koneoppimiseen. Luot datasta ennakoivan mallin.

Sitä koneoppiminen tekee. Se oppii datasta, ja oppi kapseloidaan säännöiksi, kaavoiksi tai joksikin vastaavaksi malliksi. On hyvä selventää, että sekä generatiivinen että ennakoiva tekoäly rakennetaan koneoppimisen päälle tai sen avulla. Ne ovat koneoppimisen eri käyttötapausluokkia, mutta lopputuloksena on hyvin erilaisia järjestelmiä, jotka palvelevat hyvin erilaisia tarkoituksia.

Ennakoivan tekoälyn tapauksessa ennusteet tehdään organisaation yksikköä kohti: asiakasta, terveydenhuollon potilasta, mahdollisesti petollista tapahtumaa, akun loppumisvaarassa olevaa satelliittia, öljynporauskohdetta tai rikkoutumisvaarassa olevaa junan pyörää. Käyttötapaukset ovat käytännössä rajattomat.

Vaikka tällaisia koneoppimisen käyttötapauksia ja ennakoivan analytiikan sekä yritysten koneoppimisen alaa on ollut vuosikymmeniä, aina 1960-luvulta lähtien, jolloin käytimme regressiota markkinoinnin kohdentamiseen, petosten havaitsemiseen ja luottoluokitukseen, ala on mahdollisesti paljon kypsempi mutta ei silti kasvanut aikuiseksi.

Se ei ole saavuttanut ammattimaistumista yhdessä tärkeässä asiassa. Siksi kirjoitin kirjan ja siksi myös perustin yhdessä muiden kanssa Gooder AI -yrityksen. Yritämme kuroa umpeen viimeisen kuilun, viimeisen metrin teknologian ja liiketoiminnan välillä.

Teknologian ja liiketoiminnan välinen kuilu on tunnettu ongelma datatieteilijöiden, määrällisten analyytikkojen ja liiketoiminnan sidosryhmien välillä. Sidosryhmä vastaa toiminnosta, jota mallin ennusteilla on tarkoitus parantaa. Kuilu on niin suuri, että se kaataa hankkeita jatkuvasti.

Datatieteilijä tulee ja sanoo: ”Hei, rakensin koneoppimismallin, jota pyysit. Se ennustaa, kuka asiakkaista irtisanoutuu.” Näillä termeillä tarkoitetaan samaa: vaihtuvuutta kuvaava malli. Nyt voit kohdentaa asiakasuskollisuustarjouksen tai alennuksen niille asiakkaille, joille et voi tarjota sitä koko asiakaskannalle, mutta joiden suuren riskin vuoksi se kannattaa.

Ennakoivat käyttötapaukset voidaan usein kuvata näin: ennusta jotakin pahaa, jotta siihen voidaan puuttua. Ennusta, mikä generatiivisen tekoälyn vuorovaikutus menee huonosti, jotta ihminen voidaan ottaa mukaan. Ennusta, mikä tapahtuma osoittautuu petolliseksi, jotta se voidaan estää. Ennusta, kuka asiakas peruu sopimuksensa tai kuka työntekijä irtisanoutuu.

Hewlett Packard teki tämän kaikille 300 000 työntekijälleen ennen HPE:n eriyttämistä. Käsittelin tapausta ensimmäisessä kirjassani, ja se esiteltiin konferenssissani. Joka tapauksessa datatieteilijä sanoo: ”Rakensin mallin. Se ennustaa erittäin hyvin. Se on toimiva malli, se oppi datasta ja tekniset tarkistukset on tehty. Ottakaa se käyttöön.”

Liiketoiminnan sidosryhmä kysyy: ”Kuinka hyvä malli on?” Tiedämme, ettei meillä ole taikapalloja. Voimme vain arvioida todennäköisyyttä, että tietty henkilö klikkaa, ostaa, valehtelee tai kuolee. Kyse on todennäköisyyksillä pelaamisesta.

Datatieteilijä vastaa lähes aina jotakin tyyliin: ”Se on mahtava. Vastaanottimen toimintakäyrän alainen pinta-ala on 0,837.” Sitten seuraa pitkä kiusallinen hiljaisuus. Datatieteilijät on yleensä koulutettu laskemaan vain teknisiä suorituskykymittareita.

Tarkkuus, saanti, F-pistemäärä, noste ja käyrän alainen pinta-ala ovat teknisiä mittareita. Nekin kertovat vain raakamuotoisesta ja abstraktista ennustesuorituskyvystä verrattuna vertailutasoon, kuten satunnaiseen arvaukseen. Ne kertovat, että malli on teknisesti paljon arvaamista parempi, mikä on hyvä tietää.

Se on tärkeää ja yleensä parasta, mitä voimme toivoa, koska meillä ei ole taikapalloa. Se ei kuitenkaan kerro mitään mahdollisesta arvosta: kuinka paljon rahaa ansaitsisit käyttämällä mallia markkinoinnin kohdentamiseen, asiakasuskollisuuteen, tarjouksiin, petosten havaitsemiseen tai ennakoivaan kunnossapitoon.

Kun halutaan laskea taloudellinen lopputulos eli rahallinen suorituskyky, voitto, säästöt tai jokin muu olennainen liiketoiminnan suorituskykyindikaattori, sitä tehdään edelleen aivan liian harvoin datatieteen alalla.

Olen tästä lähes yhtä hämmentynyt kuin kaikki muutkin. Olen ollut koneoppimisen alalla yli 30 vuotta. Aloitin alalla nörttinä samasta syystä kuin useimmat datatieteilijät: teknologia oli hienointa mahdollista ja datasta oppiminen kiehtoi. Sen avulla voi löytää yleisesti päteviä kuvioita ja kaavoja, jotka toimivat myös uusissa ja ennennäkemättömissä tapauksissa.

Se on hienoa. Teknisesti, sanan tarkasti määritellyssä merkityksessä, järjestelmä on todella oppinut jotakin, ja se toimii. Teknologioiden ydin kuitenkin kiehtoo meitä liikaa. Olemme innostuneempia rakettitieteestä kuin raketin laukaisemisesta.

Kun raketti on rakennettu ja haluat laukaista sen, se on testattava tärkeiden suorituskykyindikaattorien mukaan. Raketti on rasitustestattava. Voimme rakentaa raketin, mutta meidän on myös kyettävä ohjaamaan sitä ja arvioimaan sen suorituskykyä.

Tarvitaan siis muutos, jossa lasketaan liiketoimintamittareita ja rahallista suorituskykyä, kuten voittoja ja säästöjä. On tehtävä ennuste tai arvio siitä, kuinka suuri liiketoimintahyöty syntyisi, jos mallin ennusteita todella käytettäisiin. Siksi rakensimme Gooder AI:n, ja tämä on keskeinen osa kirjaani The AI Playbook.

Huono uutinen on, että useimmat käyttöönotettaviksi tarkoitetut ennakoivat mallit epäonnistuvat edelleen. Ne eivät pääse tuotantoon. Hyvä uutinen on, että kyse on vain viimeisestä metristä. Olemme jo kulkeneet 10 000 kilometriä ja seisomme koneoppimisalgoritmien kehittäjien harteilla. Nyt tarvitaan vain organisatorinen hienosäätö, syvää yhteistyötä teknologian ja liiketoiminnan välillä sekä yhteinen kieli, johon kuuluvat myös liiketoimintamittarit.

Näin voimme korjata heikon käyttöönottoasteen ja tuottaa arvoa paljon säännöllisemmin.

David Rice: Globaalin tiimin kasvattamisen ei pitäisi tarkoittaa viiden eri HR-, palkanlaskenta- ja IT-järjestelmän jongleeraamista. Deel kokoaa kaiken yhteen, joten voit palkata, perehdyttää, maksaa ja varustaa ihmisiä kaikkialla ilman tavallista kaaosta. Olitpa palkkaamassa työntekijöitä kymmeneen maahan tai hallinnoimassa urakoitsijoita aikavyöhykkeiden yli, Deel hoitaa vaatimustenmukaisuuden, edut ja palkanlaskennan yhdessä paikassa. Se tarkoittaa vähemmän työkaluja, vähemmän päänvaivaa ja enemmän aikaa ihmisillesi.

Haluatko nähdä, miltä rajaton palkkaaminen käytännössä näyttää? Siirry osoitteeseen deel.com/pmp. Se on deel.com/pmp. Varaa esittely osoitteessa deel.com/pmp. Deel – palkkaa, hallinnoi ja maksa kenelle tahansa missä tahansa.

Pelkästä uteliaisuudesta: mikä on vaikein muutos, joka yritysten täytyy tehdä päästäkseen liiketoimintamittareiden ohi – tai muuttaakseen tapaa, jolla ne mittaavat teknologiaa – ja keskittyäkseen organisatoriseen vaikutukseen?

Eric Siegel: Se on hyvä kysymys. Mittareiden laajentaminen on yksi tarvittava muutos, mutta vain yksi osa kokonaisuutta. Ennakoivaa tekoälyhanketta määriteltäessä määritellään kaksi asiaa: mitä ennustetaan ja mitä ennusteella tehdään. Mille annetaan todennäköisyys?

Mitä tarkalleen ottaen ennustetaan? Kuka ostaa, jos häneen otetaan yhteyttä? Mitkä tapahtumat osoittautuvat petoksiksi? Ja mitä ennusteella tehdään? Se on toimenpide tai asia, joka tarttuu mahdollisuuteen. Jos ennustat positiivista asiaa, kuten sitä, kuka ostaa yhteydenoton jälkeen, otat yhteyttä näihin henkilöihin.

Tämä ennustettavan asian ja siihen liittyvän toiminnan pari määrittelee hankkeen. Mahdollisia käyttötapauksia on valtavasti. Se on kuitenkin vasta ensimmäinen kuudesta vaiheesta, jotka olen virallistanut The AI Playbook -kirjassa Biz ML -viitekehykseksi. Se on liiketoimintakäytäntö, jonka avulla koneoppimishankkeet viedään onnistuneesti tuotantoon.

Näiden vaiheiden keskeinen ainesosa on teknologian ja liiketoiminnan syvä yhteistyö. Datatieteilijät eivät voi tehdä tätä tyhjiössä. Ennakoivat tekoälyhankkeet ovat aina konsultointiprojekteja, eivät teknologian asennuksia. Kyse ei ole siitä, että käytössä olisi parempi ja nopeampi tietokanta, joka vain asetetaan taustalle ilman muutoksia.

Kun toimintoja muutetaan ennusteilla, todennäköisyyksillä ja kertoimilla, kyse on hyvin perustavanlaatuisesta muutoksesta laajamittaiseen toimintaan. Koko hanke on ensisijaisesti liiketoimintaa, joka sattuu hyödyntämään koneoppimista. Meidän on hahmotettava se tällä tavalla.

Suurin haaste on todennäköisesti se, että liiketoiminnan täytyy kehittää osaamistaan. Sen ei kuitenkaan tarvitse oppia rakettimoottorin rakenteita, vaan ainoastaan ajaa autoa. Se on tietyn tason asiantuntemusta. Jos ajattelet Uberissa matkustamista ja ajoneuvon ajamista itse, liiketoiminnan on tässä vertauksessa opittava ajamaan. Muuten määränpäähän ei päästä.

Osaamisen kehittäminen on yksi The AI Playbook -kirjan tärkeistä tarkoituksista. Se ei tapahdu tunnissa, mutta kyse ei ole edes kokonaisesta yliopistokurssista. Se on suunnilleen yhden kirjan verran. Tarvitaan saavutettava, puolitekninen ymmärrys ennakoivien tekoälyhankkeiden toiminnasta, niiden johtamisesta, ennustettavasta asiasta, toimenpiteistä ja tarvittavista mittareista.

Mittarit ovat vain aritmetiikkaa. Hyvin tietynlaista aritmetiikkaa, mutta silti aritmetiikkaa. Näin kaikki voivat olla samalla sivulla ja viedä hankkeet onnistuneesti käyttöönottoon. Järjestelmät otetaan oikeasti käyttöön, operationalisoidaan ja integroidaan toimintaan. Jos toiminta ei parane tai muutu, käyttöönottoa ei ole tapahtunut.

David Rice: Puhuessasi aiemmin mainitsit, että generatiivinen ja ennakoiva tekoäly kohtaavat, risteävät ja toimivat yhdessä. Olet puhunut niiden yhdistämisestä, koska kumpikin vastaa toisen rajoituksiin. Mikä olisi hyvä käytännön esimerkki tästä, ja millaisia esteitä tiimit kohtaavat yrittäessään integroida nämä kaksi?

Eric Siegel: Hienoa, että nostit aiheen takaisin esiin. Olen kutsunut sitä hybridiksi joissakin kirjoituksissani ja viimeaikaisissa puheenvuoroissani. Tässä tapauksessa tarkoitan nimenomaan ennakoivan ja generatiivisen tekoälyn yhdistämistä.

Yksi tapa on käyttää ennakoivaa tekoälyä generatiivisen tekoälyjärjestelmän päällä toimivana luotettavuuskerroksena. Toinen on käyttää generatiivista tekoälyä ennakoivan tekoälyhankkeen tukena. Generatiivinen tekoäly saa huomiota, koska se on seksikkäämpää ja helpompaa. Seksikkyys johtuu sen ihmismäisyydestä ja tieteiselokuvamaisuudesta.

Helppous on lähes itsestään selvää. Sitä kutsutaan kielimalliksi, koska se on kehitetty ihmiskielten, kuten englannin, käsittelyyn. Voit siis puhua sille englanniksi. Käyttöön pääsemiseen tarvitaan hyvin vähän koulutusta. Jos joku ei ole kokeillut sitä, mitä oikein odotatte?

Se on hämmästyttävää, ja juuri siksi se voi auttaa kuromaan umpeen teknologian ja liiketoiminnan välistä kuilua. Gooder AI -ohjelmistossamme se toimii eräänlaisena ennakoivan tekoälyhankkeen liiketoimintakonsolina. Yksi tärkeimmistä kaavioista sisältää kaksi ulottuvuutta.

X-koordinaatti kertoo, kuinka monta yksittäistä tapausta mallilla päätetään ottaa yhteydenoton kohteeksi markkinoinnissa, estää mahdollisesti petollisena tapahtumana tai tarkastaa, jos kyseessä on rikkoutumisvaarassa oleva kone. Ennakoiva malli määrittää, miten kohdentaminen etenee vasemmalta oikealle.

Ennusteet ja todennäköisyydet auttavat lajittelemaan ja asettamaan tärkeysjärjestykseen asiakkaat, joihin kannattaa ottaa yhteyttä, tai tapahtumat, jotka ovat riskialtteimpia ja jotka pitäisi estää. On päätettävä tarkalleen, mihin raja vedetään. Et halua estää liian harvoja tai liian monia tapahtumia. Sama koskee markkinointia ja tarkastettavia laitteita.

Yleensä löytyy Kultakutri-alue, jossa määrä on juuri sopiva. Mallin käyttötavan ja käyttöönottoon etenemisen perustana on malli itse. Se muodostaa vaakasuuntaisen x-koordinaatin. Y-koordinaatti puolestaan kuvaa rahaa: millaisia tuottoja, säästöjä tai ansioita hankkeesta saadaan?

Kaavio nousee ja laskee, koska siellä on optimaalinen kohta, jossa liiketoiminnan tulos paranee eniten. Tämä kuvaus on yksi Gooder AI -ohjelmistomme tärkeimmistä näkymistä. Se ei kuitenkaan ole yleinen visualisointi. Se on hyvin perustavanlaatuinen: kaksi ulottuvuutta, ja molemmat ovat liiketoiminnan kannalta olennaisia.

Olisi hienoa voida esittää miljoona kysymystä ilman pelkoa siitä, että datatieteilijä pitää kysymyksiä tylsinä tai tyhminä. Olemme integroineet kielimallin keskustelubotin ja antaneet sille erityiset ohjeet siitä, mitä käyttäjä näkee. Nyt voit kysyä, miksi käyrä nousee ja laskee, ja pyytää selitystä lapselle.

Se voi esimerkiksi vastata, että myyt limonadia ja yrität päättää, kuinka monesta ohikulkijasta tulee asiakas. Se toimii hyvin. Tämä on toinen esimerkki siitä, kuinka nämä kaksi aluetta voivat vahvistaa toisiaan: generatiivista tekoälyä käytetään ennakoivien tekoälyhankkeiden ymmärtämiseen.

David Rice: Olen nähnyt kasvavan näkemyksen siitä, että ennakoivat mallit voivat toimia kriittisinä suojakaiteina erityisesti silloin, kun generatiiviset järjestelmät hallusinoivat tai alkavat käyttäytyä arvaamattomasti. Miten ennakoiva tekoäly voisi mielestäsi toimia tällaisena turvallisuuskerroksena operatiivisissa työnkuluissa?

Eric Siegel: Nämä ovat klassisia käyttötapauksia, jotka sisällytin jo ensimmäiseen kirjani painokseen. Predictive Analytics julkaistiin vuonna 2013 ja päivitetyt painokset vuonna 2016. Shell Oil esimerkiksi ennustaa, millä tiimeillä on suurin riski joutua vaaratilanteeseen öljynporauslautoilla. Työturvallisuus voidaan käsitellä tiimi-, ympäristö- tai tapauskohtaisesti.

Ennakoivat käyttötapaukset eroavat ennustamisesta siinä, että molemmissa arvioidaan tulevaisuutta, mutta ennustaminen viittaa yleensä yhteen kokonaislopputulokseen. Nouseeko vai laskeeko talous? Kuinka monta jäätelötötteröä myymme ensi neljänneksellä? Ennakoivassa tekoälyssä koneoppimista käytetään ennusteen tekemiseen jokaiselle yksittäiselle tapaukselle.

Kuka henkilö todennäköisimmin pitää kädessään jäätelötötteröä? Kuka äänestäjä äänestää ehdokastasi tai kuka todennäköisimmin vakuuttuu äänestämään häntä, jos vapaaehtoinen koputtaa hänen ovelleen? Koska ennuste tehdään tapauskohtaisesti ja soveltuu laajamittaiseen toimintaan, siitä tulee erittäin arvokasta.

Laajamittainen toiminta koostuu miljoonista mikropäätöksistä. Niiden parantamisen päämääränä on ennustaa jokaiseen päätökseen liittyvä olennainen tulos tai käyttäytyminen. Hyvä uutinen on, että koska ennustetta sovelletaan niin monta kertaa, suurten lukujen laki auttaa kompensoimaan sitä, ettei meillä ole taikapalloa.

Meillä on vain todennäköisyyksiä. Todennäköisyys voi kuulostaa vaikeaselkoiselta aiheelta, mutta vaikka sen laskemiseen tarvittava matematiikka voi olla monimutkaista, järjestelmien tuottamat yksittäiset todennäköisyydet eivät ole teknisiä.

Itse asiassa ne ovat ilmeisin seuraavaksi paras vaihtoehto taikapallon ulkopuolella. Jos meillä olisi taikapallo, se kertoisi varmasti, että tämä henkilö ostaa ja että tämä tapahtuma on petollinen. Ilman sitä seuraavaksi paras vaihtoehto on luku nollan ja sadan välillä: mikä on tämän tapauksen todennäköisyys?

Se mahdollistaa tapausten lajittelun, priorisoinnin ja päätöksen siitä, mitä käsitellään milläkin tavalla. Todennäköisyyksien käyttäminen ja niiden perusteella priorisointi soveltuu turvallisuuteen ja moniin muihin asioihin. Sen soveltaminen ei ole rakettitiedettä.

Tämä on keskeinen asia, jonka liiketoiminnan sidosryhmien pitää ymmärtää, jos ne haluavat hyödyntää tätä teknologiaa. Seuraavaksi niiden on osallistuttava hankkeeseen. Ne eivät voi vain lähettää datatieteilijöitä tekemään työtä keskenään. Se on Akilleen kantapää.

Olemme ihastuneet teknologiaan ja romantisoineet sitä, koska datasta ennustamiseen liittyvä rakettitiede on todella hienoa. Paras teknologia ei kuitenkaan automaattisesti tarkoita arvoa. Arvoa syntyy vasta, kun datatieteilijän työn tulosta hyödynnetään ja ennusteiden perusteella toimitaan.

Ennusteet on integroitava laajamittaiseen toimintaan. Siinä on todellinen hyöty. Silloin toiminta alkaa parantua ja arvo syntyä. Ainoa tie tähän on syvä yhteistyö. Teknologian ylikorostaminen johtaa väärään kertomukseen, jossa paras koneoppimisteknologia, sertifioitu datatieteilijä ja hyvin valmisteltu data itsessään muodostaisivat arvon.

Arvo on kuitenkin koko liiketoimintahanke, johon kuuluvat teknologia ja syvä yhteistyö aina siihen asti, kunnes ratkaisu on todella integroitu toimintaan. Yhteistyöhön kuuluvat liiketoiminnan ihmiset, jotka ymmärtävät, mitä ennustetaan ja mitä ennusteella tehdään kuuden vaiheen aikana.

Mikään niistä ei ole rakettitiedettä, vaikka niihin sisältyy rakettitiedettä. Sen osuuden voi jättää datatieteilijälle. Mukana on myös helposti ymmärrettäviä ja olennaisia asioita: todennäköisyyksien asettaminen, järjestäminen, lajittelu, rajan vetäminen ja päätös siitä, miten yksittäisiä tapauksia käsitellään.

David Rice: Monet ennakoivan tekoälyn viitekehykset korostavat datan mallintamista. Sinun lähestymistapasi nostaa esiin myös muita asioita, kuten ennusteen määrittelyn, operatiivisen integroinnin ja jatkuvan iteroinnin. Mitkä vähemmän ilmeiset mutta kriittiset vaiheet yritykset usein ohittavat aloittaessaan investoinnit ennakoivaan tekoälyyn, ja miten se vaikuttaa lopputuloksiin?

Eric Siegel: Pidän tavasta, jolla kysyit. Mitkä ovat tärkeimmät ohitettavat vaiheet? Vastaus on, että yritykset ohittavat käytännössä kaikki liiketoiminnan vaiheet tai suurimman osan niistä. Datatieteilijät yrittävät tehdä kaikki vaiheet, mutta heidät on koulutettu lähinnä tekniseen laskentaan ja tekniseen arviointiin.

Yritän rohkaista myös heitä kuromaan kuilua umpeen. Järjestämäni Machine Learning Week -konferenssi on järjestetty vuodesta 2009 lähtien, ja sen nimi oli aiemmin Predictive Analytics World. Yli puolet osallistujista on datatieteilijöitä. Yritän saada heidät laskemaan teknisten mittareiden lisäksi liiketoimintamittareita ja ottamaan asiakkaansa tai sidosryhmänsä mukaan yksityiskohtaisesti.

Liiketoiminnan puolella keskeiset vaiheet liittyvät siihen, mitä ennustetaan ja mitä ennusteella tehdään. Mukana on vielä kolmas asia: kuinka hyvin ennuste toimii. Näin muodostuu kolmikko: mitä ennustetaan, kuinka hyvin ja mitä ennusteella tehdään. Se ei ole rakettitiedettä, vaan hankkeen ja sen vaatimusten perusmäärittely.

The AI Playbook -kirjassa kuvaamani Biz ML -viitekehyksen kuusi vaihetta koostuvat tavallaan kahdesta kolmen vaiheen kokonaisuudesta, jotka koskevat juuri näitä kolmea asiaa. Mitä ennustetaan, kuinka hyvin ja mitä ennusteella tehdään – ei aivan tässä järjestyksessä.

Kolme viimeistä vaihetta ovat samoja, joita datatieteilijät ovat tehneet 1960-luvulta lähtien, kun aloimme käyttää koneoppimista luottoluokitukseen ja muihin tarkoituksiin. Valmistellaan data sen mukaan, mitä yritetään ennustaa. Tehdään varsinainen koneoppiminen ja koulutetaan malli. Se on rakettitiedettä. Sen jälkeen malli otetaan käyttöön.

Nämä ovat varsinaiset integrointivaiheet. Kaikki kuusi vaihetta edellyttävät syvää yhteistyötä liiketoiminnan kanssa. Kolme ensimmäistä ovat tuotantoa edeltäviä vaiheita ja liittyvät siihen, mitä ennustetaan, kuinka hyvin ja mitä ennusteella tehdään.

Harvard Business Review -artikkelissa esitellään sama kokonaisuus. Kirjaa ei siis välttämättä tarvita, jos haluat osallistua liiketoiminnan puolelta tällaiseen hankkeeseen. Kirjan tarkoitus on kuitenkin perehdyttää lukija näihin kuuteen vaiheeseen ja samalla rakentaa saavutettava, puolitekninen ymmärrys, jotta hän voi osallistua hankkeeseen.

David Rice: Valitettavasti aikamme loppuu tältä päivältä, Eric, mutta haluan kiittää sinua ohjelmaan osallistumisesta. Tämä on ollut erittäin kiinnostavaa.

Eric Siegel: Hienoa, David. Kiitos paljon kutsusta.

David Rice: Kuuntelijat, jos ette ole vielä tehneet niin, siirtykää osoitteeseen peoplemanagingpeople.com/subscribe ja tilatkaa uutiskirje. Saatte tämän kaltaisia podcasteja ja kaikki uusimmat julkaisemamme artikkelit suoraan sähköpostiinne. Jos haluatte oppia lisää tästä aiheesta, tutustukaa ehdottomasti The AI Playbook -kirjaan. Se on aikasi arvoinen.

Ensi kertaan asti: säilyttäkää uteliaisuus ennakoivaa tekoälyä kohtaan. Älkää vain eksykö generatiiviseen sumuun.