Mitä mahdollisuuksia ja haasteita tekoälyn käyttöön liittyy? Mitä tekoälyn suhteen on odottavissa lähitulevaisuudessa? Artikkelissa on mukana myös tekoälyvinkkejä tietotyöntekijöille.
Aluksi lähinnä teknologisena kuriositeettina esitelty ChatGTP ilmiö on kehittynyt vajaassa kahdessa vuodessa kokonaiseksi toimialaksi ja ilmiöksi, jota käytännössä kukaan näppäimistöä käyttävä työntekijä ei voi sivuuttaa (Maslej ym., 2024). McKinsey & Companyn tutkimuksen mukaan 65 % organisaatioista käyttää generatiivista tekoälyä (genAI) säännöllisesti ainakin yhdessä liiketoimintatoiminnossa ja käyttö on tuplaantunut vuoteen 2023 verrattuna (McKinsey & Company, 5/2024). Suomessa generatiivisen tekoälyn potentiaalisen bruttokansantuotteen kasvun arvioidaan olevan luokkaa 13 miljardia vuoteen 2045 mennessä (McKinsey & Company, 1/2024).
Käymme tässä artikkelissa läpi mitä mahdollisuuksia ja haasteita genAI:hin liittyy erityisesti tietotyöntekijän näkökulmasta, sekä mitä tekoälykentältä on odotettavissa lähitulevaisuudessa. Annamme myös vinkkejä hyvistä tekoälypalveluista ja sovelluksista.
Generatiivinen tekoäly luovuuden ja tehokkuuden lisäämisessä
GenAI erottuu perinteisestä tekoälystä kyvyllään luoda uutta sisältöä, kuten tekstiä, kuvia ja videota, sen sijaan että se vain analysoisi olemassa olevaa dataa tai suorittaisi ennalta määritettyjä tehtäviä, kuten perinteiset tekoälymallit. Erityisesti suuret kielimallit on suunniteltu ymmärtämään ja tuottamaan luonnollista tekstiä, mikä mahdollistaa niiden käytön kaikessa mikä liittyy merkkijonojen käsittelyyn, oli se sitten suomea, kiinaa tai vaikka Java koodia. GenAI mallien käyttö on erittäin helppoa tekoälypalveluiden kautta, joita on listattu tämän artikkelin lopussa.
GenAI voi ruokkia työntekijän luovuutta, nopeuttaa suoriutumista työtehtävistään ja parantaa työn laatua. Tekoäly voi kaventaa osaamiskuilua matalan ja korkean taitotason työntekijöiden välillä, mutta etevimmät voivat vielä saada erityistä nostetta työlleen osaamalla hyödyntää tekoälyn ja oman ammattitaidon vahvuuksia (Sack ym., 2024; Toner-Rodgers, 2024).
Mitä työtehtäviä genAI:lla sitten voi tehdä? Mahdollisuuksia on paljon ja niitä keksitään jatkuvasti lisää. Seuraavasa on listattu yleisimpiä tehtäviä, joista voi lähteä liikkeelle.
- Laajojen raporttien ja asiakirjojen tiivistäminen ja tietojen poiminta
- Markkinatrendien koostaminen ja analysointi
- Projektiehdotusten ja liiketoimintasuunnitelmien ideointi ja alustavien versioiden laadinta
- Kokousagendojen luominen ja kokousmuistioiden tiivistäminen
- Erilaisista lähteistä tiedon haku ja järjestäminen
- Työpaikkailmoitusten luonnostelu ja saapuneiden hakemusten läpikäynti
- Ideointiin ja vaihtoehtoisten ratkaisujen luomiseen ongelmiin
- Teknisen dokumentaation läpikäynti ja selkokielistäminen
- Raporttien ja tutkimusyhteenvedon alustavien versioiden luominen
Monet näistä ovat relevantteja riippumatta työtehtävästä tai asemasta organisaatiossa, esimerkiksi sähköpostien kirjoitus, raportointi ja tiedonhaku lienevät sellaisia. Omaa työtä kannattaa kuitenkin pohtia paljon laajemmin. Kenties joitakin työtehtäviä voisi tehdä kokonaan eri tavalla tekoälyn avulla, sen sijaan että pelkästään pyrkisi nopeuttamaan miten työtehtävää on tehty aikaisemmin? Tekoälymallien tullessa älykkäämmiksi – ajattele vaikkapa 100 kertaa nykyiseen verrattuna – myös mahdollisten käyttötapojen lista laajenee hyvin nopeasti.
Toistaiseksi genAI vaatii vielä paljon ”mikromanagerointia” käyttäjän osalta, kuten promptien säätämistä ja tulosten tarkistusta. Tulosten valvonta on tarpeen laadun varmistamiseksi ja virheiden varalta, mutta myös siltä osin että tulokset vastaavat organisaation arvoja ja eettisiä periaatteita. Tekoäly on hyvä tuottamaan nopeasti materiaalia (esim. tekstiä, ideoita ja koodia), mutta ammattilaisen on lopulta tehtävä valinta miten tuloksia hyödynnetään ja viedään loppuun asti. Tässä korostuu ammattitaidon merkitys tekoälyn käyttäjänä.
Generatiivisen tekoälyn haasteet ja rajoitteet
GenAI tuo mukanaan useita haasteita, jotka jokaisen käyttäjän on syytä tunnistaa. Näistä keskeisimmät liittyvät suurten kielimallien tuottamiin virheisiin, dataan ja avoimuuteen. Kaikkiin on olemassa torjuntastrategioita.
Haaste 1: Hallusinaatiot ja epäluotettavuus. GenAI mallit voivat tuottaa uskottavalta vaikuttavaa, mutta virheellistä tietoa. Tätä väärän tiedon tuottamista kutsutaan usein "hallusinaatioksi". Kielimallit eivät tunne oman tietonsa rajoja, vaan tuottavat vastauksia kaikkiin kysymyksiin. Sellaisissa tehtävissä, joita ei ole esiintynyt mallien opetusaineistossa tai joista ei ole saatavissa ulkoista dataa, mallien suorituskyky on huono. Parhaatkaan mallit eivät vielä kykene syvälliseen kausaaliseen päättelyyn ja ongelmanratkaisuun. Torjuntastrategiat:
- Käyttäjän tekemä virheentarkistus: Tekoälyn tuottama sisältö on aina tarkistettava kriittisesti mahdollisten virheiden huomaamiseksi.
- Oman datan käyttö: Anna tekoälylle omaa dataa, jonka pohjalta vastataan. Tällöin malli ei turvaudu pelkästään opetusdataansa tai ennalta varmistamattomaan tietoon (esim. internet hakuihin).
- Muut tiedonlähteet: Hyödynnä tekoälyä luonnostelun tai ideoinnin apuna, mutta älä pidä sitä ainoana tiedonlähteenäsi.
- Käytä vain soveltuviin tehtäviin: Anna tekoälyn hoitaa vain tehtäviä, joissa se kykenee onnistumaan, ja vältä monimutkaisia päättelytehtäviä.
Haaste 2: Luottamuksellisen datan vuotaminen. Useimmat genAI mallit toimivat ainoastaan verkossa ja dataa käsitellään aina pilvipalvelussa. Tekoälymallien käytön myötä syntyvä data on mallien kehittäjille arvokasta, koska se mahdollistaa mallien jatkokehittämisen. Jos käyttäjä syöttää malleille arkaluontoista tai yrityssalaisuuden alaista tietoa, riskinä on tiedon vuotaminen ja datasäännösten (esim. GDPR) tahaton rikkominen. Torjuntastrategiat:
- Asetusten ja käyttöehtojen tarkastus: Varmista käyttöehdoista miten tekoäly-yritys käsittelee dataa ja voiko datan hyödyntämisen kieltää asetuksista.
- Tietojen anonymisointi: Poista kaikki arkaluontoiset tiedot ennen datan lähetystä tekoälymallille.
- Käytä yritykselle räätälöityä tekolymallia: Monista palveluista on saatavana ns. yritysversio ja huomioi organisaation spesifit tarpeet (esim. yrityskohtainen Copilot tilaus tai MS Azuren kautta toimiva ChatGPT).
Haaste 3: Selitettävyyden ja avoimuuden puute. GenAI mallit perustuvat monimutkaisiin todennäköisyyslaskemiin ja ovat käyttäjillä ns. ”mustia laatikoita” ja osin arvaamattomia; sama syöte voi tuottaa erilaisen vastauksen. Johtavat tekoälymallit ovat suljettuja ja kaupallisia järjestelmiä. Torjuntastrategiat:
- Avoimen lähdekoodin vaihtoehdot: Saatavilla on myös avoimen lähdekoodin genAI malleja, jotka tarjoavat paremman läpinäkyvyyden mallien toimintaan ja opetusdataan.
- Tekoälytoimittajan valinta: Organisaatio tai käyttäjä voi ottaa avoimuuden yhdeksi kriteeriksi tekoälypalvelun hankinnassa ja mallien valinnassa.
Vaikka haasteita siis on, ne eivät kuitenkaan ole kriittisiä tai estä genAI:n käyttöä tietotyössä. Haasteet pitää kuitenkin tunnistaa, ymmärtää ja vastata niihin.
Tulevaisuudennäkymiä ja tekoälytrendejä
Marraskuussa 2024 tekoälykehitys on edelleen nopeaa, mutta tilanne on hieman rauhoittunut vuoteen 2023 verrattuna. Esimerkiksi suurten kielimallien kehitys on hitaampaa ja vastaavia kyvykkyyden loikkauksia, kuten tapahtui GPT-3.5 ja GPT-4 mallien välillä, ei ole nähty enää viimeaikoina. Lähitulevaisuudessa kehitys on enemmän keskittynyt siihen, miten nykyisiä malleja voidaan käyttää tehokkaammin ja monipuolisemmin. Seuraavassa on muutama keskeinen kehityssuunta, joita kannattaa tarkkailla.
Tekoälyagentit: Autonomiset tekoälyjärjestelmät, jotka pystyvät suorittamaan monimutkaisia tehtäviä. GenAI on näiden järjestelmien keskeinen osa. Toistaiseksi näitä ”AI-agentteja” ei ole vielä kovin laajalti käytössä, koska niiden kehitys ja hallinta tuotantoympäristössä on haastavaa, mutta tämä muuttuu nopeasti. AI agentit voivat hoitaa monivaiheisia prosesseja, kuten vastata yksin asiakaspalvelusta, hoitaa tilauksia alusta loppuun, tehdä tuotesuosituksia ja suorittaa omatoimista markkina-analyysiä (Ism, 2024; Akhil, 2024).
Pienet lokaalit tekoälymallit: Pienempien ja toimialakohtaisten tekoälymallien käyttö yleistyy ja ne saavat kyvykkyyyksiä, joita oli aikaismmin vain erittäin isoilla malleilla, kuten GPT-4. Pieniä malleja hienosäädetään erikoistuneella datalla ja niitä voidaan käyttää paikallisilla laitteilla. Tämä parantaa kustannustehokkuutta ja turvallisuutta.
Työntekijöiden kokeiluista organisaation tasolle: Vaikka yksittäiset työntekijät ovat jo innolla ottaneet genAI:n vastaan, kokeilut harvoin päätyvät koko organisaation tasolle. Tuoreen kyselyn mukaan vaikka jopa 91% työntekijöistä on käyttänyt tekoälyä työssään vain 13% yrityksistä on ottanut hyädyntänyt tekoälyä laajemmin (useampi käyttötapaus; McKinsey & Company, 8/2024). Tähän voidaan odottaa muutosta lisäkoulutuksen, lokaalien tekoälymallien, yhteisten pelisääntojen (esim. AI Act) ja kasvaneen palvelutarjonnan myötä.
Kaikelle nopeasti kehittyvälle teknologialle on tyypillistä, että teknologian kyvykkyys ylittää hetkellisesti mielikuvituksemme rajat siitä, mitä voisimme uudella teknologialla tehdä. Tietotyöntekijät eivät osaa vielä kunnolla visioida tekoälyn roolia rutiinitöiden tehostamista pidemmälle (Woodruff ym., 2024).
Vinkki: Hyviä tekoälypalveluita tietotyöntekijälle
Alle on listattuna hyviä tekoälypalveluita marraskuussa 2024. Näissä painotus on tekstimuotoisessa datassa. Kaikkia voi kokeilla (rajatusti) myös ilmaiseksi. Ennen käyttöä kannattaa aina tutustua palvelun käyttöehtoihin ja harkita tarkkaan mitä tietoa palveluihin syöttää.
Yleiset chatbotit ja assistentit
- ChatGPT (chatgpt.com): Kaikille tuttu ”jokapaikanhöylä”, joka sisältää tämänhetken kyvykkäimmät mallit (GPT 4o ja o1). Erityisesti omien bottien (”custom GPT”) tekeminen on erittäin suositeltavaa ja opettavaa.
- Gemini (gemini.google.com), Claude (claude.ai) ja Meta (meta.ai): Niin ikään kyvykkäitä multimodaalisia malleja, jotka voivat joissakin tehtävissä ylittää ChatGPT:n tuotokset.
Tarkkaan tiedonhakuun kohdennetut
- Perplexity (perplexity.ai): Luultavasti tunnetuin tiedonhakuun ja tiedon jalostamiseen keskittynyt palvelu.
- Consensus (consensus.app), Scispace (scispace.com) ja Elicit (elicit.com): Tieteellisten lähteiden hakemiseen kehitetyt palvelut, jotka jokaisen tutkimustyötä tekevän olisi hyvä tuntea.
Omien dokumenttien kanssa keskustelu
- NotebookLM (notebooklm.google.com): Käyttäjä voi ladata palveluun jopa 50 dokumenttia ja keskustella niistä yhdessä tai erikseen chatbotin kanssa. Vastaukset generoidaan aina dokumenteista, mikä vähentää merkittävästi hallusinaation riskiä.
- ChatDoc (chatdoc.com), AskYourPDF (askyourpdf.com) ja ChatPDF (chatpdf.com): Samalla perusidealla toimivia kaupallisia palveluita.
Metapalvelut, jotka sisältävät useita malleja samassa
- Poe (poe.com), You (you.com), Nightcafe (creator.nightcafe.studio): Sisältävät kymmeniä genAI malleja (teksti ja kuva), joita voi vaihtaa napin painalluksella, jopa kesken keskustelun tai kuvantekosession. Voi myös luoda omia botteja tai räätälöityjä malleja.
Lokaalit ja ilmaiset chatbotit omalle koneelle
- Ollama (ollama.com), h2oGPT (github.com/h2oai/h2ogpt) ja LM Studio (lmstudio.ai): Työpöytäsovellukset joiden kautta voit imuroida ja käyttää pieniä avoimia ja ilmaisia genAI malleja. Esimerkiksi Llama 3.1 (Meta), Gemma 2 (Google) ja Phi-3 (Microsoft) mallit ovat yllättävän kyvykkäitä, mutta toimivat parhaiten vain englanniksi.
Kirjoittaja: Janne Kautonen on vanhempi tutkija Haaga-Helian ammattikorkeakoulussa. Hän suoritti filosofian maisterin (2005) ja tohtorin tutkinnot (2012) Jyväskylän yliopistossa tilastollisen fysiikan alalta. Hän on tehnyt tutkimusta Aalto-yliopistossa ja Carnegie Mellon yliopistossa neurotieteen, datatieteen ja laskennallisten tieteiden aloilta. Vuodesta 2019 lähtien hän on työskennellyt Haaga-Heliassa, keskittyen erityisesti datatieteeseen, kognitiotieteisiin, sovellettuun koneoppimiseen ja tekoälyyn, sekä koulutusteknologiaan liittyen. Hänellä on runsaasti kokemusta erilaisten tekoälymallien opettamisesta, käytöstä ja soveltamisesta.
Lähteet:
Maslej N., Fattorini L., Perrault R., Parli V., Reuel A., Brynjolfsson E., Etchemendy J., Ligett K., Lyons T., Manyika J., Niebles J.C., Shoham Y., Wald R., Clark J., 2024: “The AI Index 2024 Annual Report”, AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, Stanford, CA.
Ism I., 2024: “10 Real-World AI Agent Examples in 2024”, https://www.chatbase.co/blog/ai-agent-examples
Akhil S., 2024: “Redefining work with AI agents: The next frontier in digital transformation”, https://www.fastcompany.com/91198942/redefining-work-with-ai-agents-the-next-frontier-in-digital-transformation
Woodruff, A., Shelby, R., Kelley, P. G., Rousso-Schindler, S., Smith-Loud, J., & Wilcox, L., 2024: “How knowledge workers think generative ai will (not) transform their industries”, Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-26)
Sack D., Krayer L., Wiles E., Abbadi M., Awasthi U., Kennedy R., Arnolds C., Candelon F., 2024: “GenAI Doesn’t Just Increase Productivity. It Expands Capabilities.”, https://www.bcg.com/publications/2024/gen-ai-increases-productivity-and-expands-capabilities
Toner-Rodgers A., 2024: Artificial Intelligence, Scientific Discovery, and Product Innovation https://aidantr.github.io/files/AI_innovation.pdf
McKinsey & Company, 1/2024: “Generative AI can add EUR 13 billion to Finland's GDP”, https://www.mckinsey.com/fi/news/economic-potential-of-generative-ai-for-finland
McKinsey & Company, 5/2024: “The state of AI in early 2024: Gen AI adoption spikes and starts to generate value”, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
McKinsey & Company, 8/2024: “Gen AI’s next inflection point: From employee experimentation to organizational transformation”, https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/gen-ais-next-inflection-point-from-employee-experimentation-to-organizational-transformation
