Hei,
Kirjoitin viime blogissa, kuinka Data Mesh -hype on jo hieman hiipunut. Kuten aikoinaan Big Data -buumissa, myös Data Mesh toi kuitenkin jotain arvokasta ja pysyvää pöytään.
Nyt olemme jälleen uuden aallon keskellä, ehkä suurimman hypen koskaan, ja sen nimi on tiestysti tekoäly
Hypeä vai vallankumous?
Tekoälyhype käy tällä hetkellä kierroksilla, joita ei ole nähty pitkään aikaan. Ja kuten aina, mielipiteet jakautuvat kahteen leiriin. Ensimmäinen leiri uskoo, että the future is now , tekoäly on mullistus, joka muuttaa kaiken, ja työpaikat katoavat silmissä.
Toinen leiri taas ajattelee, että kyse on vain uudesta kuplasta, joka pian puhkeaa. He nostavat esiin esimerkkejä epäonnistuneista AI-projekteista ja tutkimuksia, joiden mukaan investoinnit eivät ole tuottaneet tulosta.
Lisäksi he muistuttavat, että tekoäly vielä “hallusinoi” liikaa ollakseen luotettava oikeissa töissä.
Kumpikin on osittain oikeassa. Totuus löytyy todennäköisesti jostain välimaastosta. Jos on pakko valita, kuulun kuitenkin ensimmäiseen leiriin.
Kehitystä ei voi pysäyttää, sama ilmiö oli nimittäin havaittavissa silloin kun Internet ja pilvipalvelut tulivat.
Dotcom-buumin opetukset
Moni muistaa 2000-luvun alun dotcom-buumin, kun internet nousi suureen tietoisuuteen ja hype oli valtava.
Useat silloiset sovellukset eivät vielä toimineet kunnolla, teknologia ja infrastruktuuri eivät olleet valmiita, ja internetin käyttö oli rajallista. Muistatteko vielä internetkahvilat ja yliopistojen tietokoneluokat?
Itse olin SaaS-yrityksessä 2000-luvun puolivälissä, kun pilvipalvelut olivat vasta tulossa.
Muistan hyvin, kuinka moni IT-johtaja sanoi minulle: “Ei nuo pilvipalvelut tule koskaan enterprise-käyttöön – liian paljon riskejä ja epävarmuutta.”
Kuten tiedämme, historia kirjoitti toisin. Pilvi muutti IT- ja ohjelmistoalan pysyvästi. Ne, jotka panostivat siihen, kuten Microsoft, Amazon ja Google, nousivat maailman suurimmiksi yrityksiksi. Ja sen myötä kokonaiset toimialat muuttivat muotoaan: Spotify, Netflix ja muut uuden ajan yritykset johtivat kehitystä.
Tekoäly tuottavuuden moottorina
Tekoälyn suurin etu on sen tuoma tuottavuuden nousu. Skeptikot kysyvät, tapahtuuko sitä todella – ja usein vastaus on “kyllä, mutta huomaamatta”.
Tämä tapahtui pilvipalvelujen kanssa niin hitaasti, ettemme edes tunnu sitä huomaavan.
Ennen asioita tehtiin manuaalisesti ja toimistoissa oli asistentteja.
Otetaan esimerkiksi HR-prosessit: ennen oli erilaisia HR-rooleja, jotka tukivat esihenkilöitä monenmoisissa HR-asioissa. Nyt jokaisen pitää täyttää lomakkeet itse pilvipalvelussa. Jokaiseen prosessiin ja asiaan löytyy jokin pilvipohjainen appi.
Dokumentteja muokataan ja kommentoidaan online yhdessä, Teams-palaverit järjestetään hetkessä, chatit laulavat ja koko yrityksen voi perustaa kokonaan verkossa. Kukaan ei käy postissa, virastoissa tai edes lounaalla (jos ravintoloitsijoilta kysytään), kun Wolt tuo ruoka-annokset oven eteen.
Kaikki tämä on lisännyt tuottavuutta, saamme enemmän aikaan vähemmillä resursseilla.
Tekoäly tekee samaa, mutta uudella tasolla.
Uskon, että kaikki me, jotka jo käytämme tekoälyä päivittäin, todistamme parhaillaan uutta tuottavuusloikkaa.
Tekoälyn käyttöalueita
Näen tekoälyn käytön jakautuvan kolmeen ryhmään, joissa tuottavuutta voidaan lisätä:
Desktop-käyttö – henkilökohtainen apu työssä
ChatGPT, Gemini, Cursor ja monet muut vastaavat applikaatiot ovat lyöneet läpi. Vaikka kone hallusinoi välillä, hyödyt ovat selvät: valmiin luonnoksen korjaaminen on moninkertaisesti nopeampaa kuin aloittaminen tyhjästä, olipa kyse dokumentista, koodista tai analyysistä.
AI under the hood – tekoäly osana enterprise-sovelluksia
Yritykset pyörivät IT-järjestelmillä, joko “hyllyohjelmistoilla” tai itse rakennetuilla ratkaisuilla.
Yritykset eivät voi lisätä tekoälyä suoraan ERP-, CRM- ja muihin IT-järjestelmiinsä.
Monet uudet ohjelmistot ovatkin “tekoälynatiivisia”, jopa koko UI-paradigma voi muuttua.
Voimmeko tulevaisuudessa käyttää ohjelmistoja vain promttaamalla tai chattaamalla?
API- ja microapp-pohjaiset ratkaisut
Koska yritykset pyörivät SAPin ja muiden IT-järjestelmien päällä, eikä niihin voi itse pultata tekoälyä, ainoa vaihtoehto on rakentaa niiden ympärille miniappejä.
Niissä dataa tuodaan ja viedään enterprise-softiin rajapintojen kautta, ja niiden päälle rakennetaan pieniä sovelluksia. Tämä toimii, mutta vaatii ylläpitoa ja kehittämistä. Tämä on kuitenkin jo vallitseva kehityssuunta, ja uskon, että tulemme seuraamaan uuden ammattinimikkeen esiinmarssia: AI engineer.
AI-engineerien aika
Snowflaken, Databricksin ja dbt:een myötä syntyi aikoinaan uusi ammattiryhmä: data engineerit.
Sama kehitys on käynnissä nyt tekoälyn maailmassa.
Big tech -yritysten ohjelmistokehittäjät alkoivat rakentaa data stackeja, ja nyt syntyy uusi hybridi: AI engineer. He yhdistävät tekoäly- ja ohjelmisto-osaamisen ja rakentavat tekoälyä hyödyntäviä sovelluksia yritysjärjestelmien päälle API-rajapintojen kautta.
Samalla kasvaa myös tarve data- ja AI-governance-osaamiselle.
Samoin kuin datan hyödyntämisessä, tekoälyn hyödyntäminen ei ole pelkkää koodaamista. Meidän pitää laatia suunnitelmia, roadmappeja sekä strategioita. Vasta kysymyksiin mitä olemme tekemässä ja miten.
Jonkun on yhä määriteltävä roolit, käyttöoikeudet ja prosessit. Metadatan kehittämiseen liittyvä työ on itse asiassa tärkeämpää kuin koskaan: tekoälyn opettaminen edellyttää hyvin määriteltyä dataa sekä kontekstia.
Business glossaryn dokumentointi tiedon mallinnuksen yhteydessä on itse asiassa erinomainen menetelmä luoda perustaa.
Nyt kaikki puhuvatkin tekoälyn yhteydessä vaikealta kuulostavasta filosofisesta termistä nimeltä ontologia.
Superkasvuyritys Palantirin toimitusjohtaja totesi:
“All the value in the market is going to go to chips and what we call ontology.” — Alexander C. Karp
Tietomalli tekee tekoälystä älykkään
Tekoälyn todellinen hyöty syntyy vasta, kun se ymmärtää, mitä tieto tarkoittaa. Tässä kohtaa kuvaan astuvat tiedon mallinnus ja ontologiat. Tekoälyn kontekstissa ontologia tarkoittaa mallia, joka kuvaa, miten asiat, käsitteet ja niiden väliset suhteet on jäsennelty ja ymmärretty.
Ja tiedon mallinnus on juuri se menetelmä, jonka avulla voimme rakentaa ontologiaa, eli yrityksemme käsitteistöä.
Ilman käsitemallia (conceptual model) tekoäly kohtaa eri järjestelmissä eri nimisiä kenttiä – Client, Customer, Buyer – eikä tiedä, että ne tarkoittavat samaa asiaa.
Käsitemalli yhdistää nämä käsitteet yhdeksi kokonaisuudeksi, jolloin AI voi hyödyntää koko organisaation dataa yhtenäisesti ja kontekstissa.
Esimerkki:
Kuvitellaan yritys, joka hyödyntää tekoälyä myynnin ennustamisessa ja asiakassuhteiden kehittämisessä. Käsitemalli voisi sisältää entiteetit kuten ”Asiakas”, ”Tilaus”, ”Tuote”, ”Myyntialue” ja ”Myyjä” sekä niiden väliset suhteet.
Tällöin tekoäly ymmärtää, että myyntialueeseen liittyy useita myyjiä ja heidän tilauksiaan, osaa ennustaa myyntiä alueittain, tunnistaa ristiinmyyntimahdollisuuksia ja segmentoida asiakkaita käsitteiden ja suhteiden perusteella.
Ilman käsitemallia tekoäly näkisi vain taulukoita ja lukuja. Käsitemalli on älyttömän hyvä menetelmä merkityksen sekä kontekstin luonmiseen datalle, ja siinä piilee tekoälyn todellinen voima.
Tekoälyn hyödyntäminen ohjelmistokehityksessä
Olen päässyt seuraamaan läheltä Ellie.ai-työkalun tekoälymatkaa. Meillä koodarit käyttävät sitä kehitystyössä, se on jo ihan perustekemistä, ja kaikki tietysti huomaavat sen tehon.
Markkinoinnissa tekoälypohjainen appi tekee juniorimarkkinoijan työt. Tai ehkä 50 % niistä, vielä ei ihan 100 %, mutta varmaan siihenkin mennään.
Kehittäjät toki oppivat hyödyntämään tekoälyä, mutta kielimallien kanssa pelaaminen on ihan kokopäivätyö, ja siinä tarvitaan erikoisosaamista. Siksi palkkasimme AI-kehittäjiä, joiden profiili poikkeaa hieman perinteisestä ohjelmistokehittäjästä.
Ellie.ai:ssa tekoäly on ihan keskeisessä asemassa, ei mikään lisäosa. Esimerkiksi tietomallit voidaan nyt tehdä pelkän tekstin tai chatin pohjalta, ja vaikka tulokset vaativat tarkistuksen, työ nopeutuu huomattavasti.
Toinen esimerkki: Ellie.ai tukee yli 150 eri tietokantaa, joista se lukee skeemat sisään.
Sen jälkeen voit keskustella botin kanssa, joka löytää oikeat taulut esimerkiksi asiakaspoistuman laskemiseen tai muuhun analyysiin.
Kehitys on menossa siihen suuntaan, että yrityksen semanttinen kerros (”sanasto” ja bisneslogiikka) voidaan automaattisesti yhdistää itse dataan. Tässä on erittäin suuria mahdollisuuksia, ja kiinnostus on maailmalla kovaa!
Ja sitten on se kuuluisa ns vibe-koodaus, jota olemme myös testanneet. Sillä tarkoitetaan koodausta, jossa nähdään vain lopputulos, eikä itse koodia. Aihe jakaa vahvasti mielipiteet ja en mene tässä blogissa tarkemmin siihen. Sanottakoon, että itse suosittelen lähtökohtaisesti ns ihmisen mukana pitämistä prosessissa, oli se sitten koodaus, tiedon mallinnus tai dokumentin laadinta.
Katsotaan muutanko vielä mielipidettäni..
Lopuksi
Tekoäly tulee, halusimme tai emme.
Ymmärrän kuitenkin heitä, joita hype väsyttää: työpaikat eivät katoa yhdessä yössä. En ole vielä nähnyt tilannetta, jossa HR ja esihenkilö päättäisivät jättää palkkaamatta ja valita tekoälyn tilalle. Todennäköisempää on, että tulevaisuudessa tiimit vain pienenevät: se, mihin ennen tarvittiin viisi ihmistä, hoituu kolmella.
Myös on välillä turhauttavaa kuulla, kuinka kuulee sanottavat: ”emme tarvitse eneää Snowflakea tai Databricksiä, koska tulemme tekemään kaiken datatyön tekoälyllä”. Tai ”PowerBI on kuollut, teemme raportit tekoälyllä hetkessä”. Kaikki jotka ovat vähänkään perillä asioista, tietävät ettei väittämät pidä yksikertaisesti paikkaansa.
Toistaiseksi. Kehitys on nyt kovaa, joten mukana kannattaa pysyä!
Olemme konsultoineet ja valmentaneet valtaosaa Suomen 30 suurimmasta yrityksestä, joten meiltä saat laajaa näkemystä datan ja AI:n kehittyneestä hyödyntämisestä, näkemyksiä, jotka auttavat organisaatiotasi ottamaan seuraavan askeleen. Mikäli tarvitse apua tiedon mallinnukseen, Data ja AI-roadmappien kehittämiseen sekä jalkauttamiseen, tiedät keneen olla yhteydessä:)
Julkaisen myös LinkedInissä havaintojani datan & tekoälyn ihmeellisestä maailmasta, olet lämpimästi tervetullut verkostooni! 🚀
Ystävällisin terveisin,
Johannes Hovi
