Moni tekoälyprojekti alkaa suurten haaveiden ja tavoitteiden tuomisesta unelmista todellisuuteen, mutta nämä pullistuneet odotukset toteutuvat vain harvoin sellaisinaan. Tekoälyprojektit epäonnistuvat lukuisista eri syistä. Joskus ei saavuteta haluttua tarkkuutta ratkaisulle, toisinaan taas ongelma ei edes ole ratkaistavissa nykytekniikoilla. Välillä projektin lähtökohdat ovat niin pielessä, että kuvitellaan tekoälyn tarjoavan ratkaisun, joka toimii aina oikein kaikissa mahdollisissa tilanteissa. Huonosta lähtöasetelmasta on vaikea saavuttaa hyvää lopputulosta.
Kuvitellaan tilanne, jossa valokuvasta pitää tunnistaa kahvikuppi. Tehtävään koulutetaan neuroverkko, joka saavuttaa tunnistustarkkuudekseen 98%. Mitä kaikkea mahtuu niihin kahteen prosenttiin, jota kone ei tunnista oikein? Paljonko vaadittaisiin lisätyötä, että tunnistimelle saavutetaan 100%-tarkkuus? Vastaukset ovat: 1) kaikkea mahdollista maan ja taivaan väliltä sekä 2) nykytiedon valossa se on mahdotonta. Neuroverkkojen toiminta noudattaa matemaattisen todennäköisyyden ja tilastollisuuden periaatteita, ja niiden toimintaan liittyy aina epätarkkuutta. Vaikka jokin tekoälyratkaisu vaikuttaisi toimivan aina oikein, niin silti voi olla jotain täysin odottamattomia poikkeuksia, joita ei vielä vain ole tullut vastaan. Tavallinen ohjelmakoodi voi ideaalitapauksessa toimia aina samalla tavalla, kun sen syötteet ovat samat. Näin koulutettu neuroverkkokin sinällään tekee, mutta sen syötteet ovat koko ajan erilaiset tosimaailman käyttötapauksissa. Vaikka kaksi valokuvaa näyttäisi identtisiltä, voi niissä silti olla merkittäviä eroja tietokonemaailmassa.
Todellisesta ihmisenlailla ajattelevasta tekoälystä ollaan vielä kaukana. Nykyään tekoälystä puhuttaessa tarkoitetaan käytännössä koneoppimista, ja siihen liittyviä tekniikoita. Myös jotkin älykkäät algoritmit monesti lasketaan tilanteesta riippuen tekoälyksi. Usein myyntitilanteessa määritelmät ovat laveimmillaan. Määritelmät eivät vaikuta ratkaisun tuottamaan liiketoiminnalliseen arvoon, mutta ne voivat vaikuttaa koettuun arvoon. Tekoälyä myydään tyypillisesti mielikuvilla uudesta ja mullistuksellisesta teknologiasta. Sitä se onkin, mutta vain tietyissä tarkoin rajatuissa tapauksissa. Koneoppiminen ja neuroverkot ovat mullistaneet tietojenkäsittelyä monella eri tavalla, mutta on tärkeää ymmärtää mitä asioita ne ovat mahdollistaneet ja mitä eivät. Uusia neuroverkkotyyppejä ja tekoälytoteutuksia kehitetään kokoajan, ja nämä eri tyypit soveltuvat erilaisten ongelmien ratkaisuun. Jotkin esimerkiksi kuvantunnistustehtäviin ja toiset shakin pelaamiseen.
Data on raaka-aine, jolla tekoälymalli koulutetaan. Tietynlaisella datalla voidaan kouluttaa neuroverkko ratkaisemaan tietynlainen ongelma. Pelkkä datan kerääminen ei riitä tekoälyn aikaansaamiseksi, ellei ole jotain ajatuksia mitä sillä voitaisiin tehdä. Vielä en ole nähnyt tekoälyä, jolle voisi antaa tietokantapalvelimellisen dataa sellaisenaan, ja se tekisi jotain mistä on suoraa arvoa. Ja tietysti niin, että tekoäly kertoisi, mitä se teki, ja mielellään myös, miten sen tekelettä saa myytyä. Tällaisista ajatuksista tulee väistämättä mieleen sampo: myyttinen kone, jolla saa jauhettua rahaa.
Suurin villitys tekoälyn ympärillä vaikuttaa olevan laantumassa, ja median julkaisut aiheesta alkavat olla rauhallisempia. Tästä eteenpäin tekoälyn todelliset hyödyt tulevat esiin digitalisaation edetessä ja tekoälyä käyttävien tuotteiden ja projektien yleistyessä. Turha innostus jää taka-alalle, ja ymmärrys näiden teknologioiden mahdollisuuksista leviää yleiseen ymmärrykseen.
Onnistuneessa tekoälyprojektissa loksahtavat yhteen laadukas data, realistiset tavoitteet ja tarkoitukseen sopiva teknologia. Myöskään projektikolmiota ei kannata unohtaa tohinassa: tavoitteet, budjetti ja aikataulu vaikuttavat samoin tekoälyprojekteihin, kuten kaikkiin muihinkin projekteihin. Joskus projektikolmion keskellä näkee myös laadun, joka syntyy kolmion aiemmin mainituista kulmista. Laatu onkin monimutkainen ja häilyvä käsite. Usein laatu on sitä, että lopputulos on sitä mitä haluttiin, toisinaan jotain vielä paljon subjektiivisempaa. Tekoälyn kanssa se liittyy olennaisesti tarkkuuteen ja toimintavarmuuteen.
Paras lähestymistapa tekoälyn käyttöönottoon on keskittyä ratkaisemaan haaste, ja siinä sivussa pohtia, voidaanko tekoälytekniikoilla tehdä ratkaisusta vielä parempi. Hyvänä esimerkkinä toimii puhelimen ja tietokoneen lukituksen avaus kasvojentunnistuksella. Kasvojentunnistuksessa on samankaltaisia ongelmia kuin kahvikupin tunnistamisessa valokuvasta, mutta niiden kanssa tullaan toimeen riittävän hyvin, jotta sitä voidaan käyttää tunnistautumiseen. Väkisin tekoälyä ei kannata yrittää pakottaa ratkaisuksi tilanteeseen, johon se ei hyvin sovi.
Aison palvelutuotteista löytyy polku onnistuvaan tekoälyprojektiin. Kun tekoälyn soveltamista lähestytään vaiheittain, saadaan riskit minimoitua ja mahdollisimman nopeasti varmuus, että haastetta ollaan ratkaisemassa oikealla tavalla. Ohjelmistoprojekteja toteutettaessa Aisolaisilla on ymmärrys ja valmiudet toteuttaa älykkäitä ratkaisuja tekoälyn keinoin.