Datat pitää laittaa kuntoon ennen kuin voit hyödyntää tekoälyä
Joskus pitää kääriä hihat ja tehdä töitä, ennen kuin voi nauttia työn hedelmistä.
2010-luvun alussa oli pienimuotoinen tekoälyhuuma. Ei mitään verrattuna nykyiseen mutta tehtiin paljon koneoppimisen projekteja, asiakaspoistumamallinnusta (churn), myyntiennusteita, ristiinmyyntianalyysejä ja mitä liene.
Tosi monesti oli tilanne, että asiakkaalla oli into päästä tekemään mutta data oli ongelma. Se oli heikkolaatuista.
Sähköyhtiö haluaa tehdä tekoälyratkaisuja mutta heikkolaatuinen data ei mahdollista sitä
Istuttiin kerran sähköyhtiön neukkarissa. Oltiin kartoitettu yhdessä tukku potentiaalisia business caseja ja johto halusi lähteä toteutamaan näitä dollarin kuvat silmissä.
Asiakasdataa entisillä monopoliyhtiöillä oli toki kattavasti. Valitettavasti se oli tosi harvaa ja huonolaatuista. Asiakkaista tiedettiin osoite, ei juuri mitään muuta. Ja sillä itsessään ei tehnyt oikein mitään. Jos siis halusi ymmärtää asiakkaiden käyttäytymistä, mallintaa miksi joku poistuu tai mikä segmentti voisi ostaa vaikka vihreää sähköä.
Tarvittaisiin laadukkaampaa ja rikkaampaa dataa. Esimerkiksi asiakkaiden sosio-demografisia tietoja + tietoa heidän kulutuksestaan. Ehdotettiinkin, että lähdetään keräämään dataa nyt systemaattisesti ja katsotaan vuoden päästä tätä tekoälyä tai koneoppimista. Tehtiin roadmap, laskettiin budjetit ja katsottiin mitä pitää tehdä että AI:n hyödyntäminen on mahdollista.
Arvaappa lähtikö sähköyhtiö keräämään sitä dataa?
Ei niin. Ei lähtenyt iso mediatalo. Ei lähtenyt vähittäiskauppa. Juuri kukaan ei lähtenyt.
Se oli niin kuin se tarina kanasta ja leivästä. Kaikki haluaisi päästä herkkuihin kiinni mutta kukaan ei ollut valmis näkemään vaivaa.
Tekoäly pitää mahdollistaa
Tekoälyn kanssa on sama. Oli 10-15 vuotta sitten ja on nytkin. Jos haluaa saada isosti irti tekoälystä, pitää tehdä ensiksi tosi paljon hommia datan kanssa. Rikastaa sitä, tehdä siitä laadukkaampaa. Yhdistää sitä eri lähteistä. Laittaa metatiedot kuntoon (labeloida dokkarit, kertoa mitä on missäkin). Ylipäätään tunnistaa mitä kaikkea meillä on eli tehdä vähintäänkin kevyt tietomallinnus.
IT-osastolla on tähän usein kyvykkyys ja työvälineet mutta eivät he sitä tee ilman johdon tilausta, mandaattia ja budjettia.
Tähän ratkaisuna on tekoälyn käyttöönoton tiekartan rakentaminen. Voit nimetä sen AI-strategiaksi tai miksikä vain. Tärkeintä on
a.) kouluttaa tiimi tietämään mikä on mahdollista ja mikä ei
b.) tunnistaa tekoälyn käyttötapaukset omassa yrityksessä ja priorisoida ne + laittaa aikatauluun. Hahmottaa mitä töitä pitää tehdä, että nämä toteutuu (data kuntoon yleensä aina) c.) tehdä ensimmäiset toteutukset, protot, poc:it ja tuotantoon viennit. Napsitaan nopeat voitot, matallalla roikkuvat hedelmät. Näillä sekä rahoitetaan jakokehitystä, vakuutetaan johto että olllaan oikealla tiellä ja pidetään moraali korkealla.
d.) skaalataan toimintaa, viedään tekoäly eri toimintoihin.
Vuosien varrella olen nähnyt valtavasti hukkaan heitettyjä mahdollisuuksia kun oletetaan valmista. Kääritään siis hihat ja tehdään tekoälyn käyttöönotto mahdolliseksi.