Digitalisaatiossa suurin hyöty saadaan, kun muutetaan ennen ihmisvoimin tehtyjä rutiininomaisia töitä tekoälyn hoidettavaksi. Näitä ovat tiedon ja ohjeiden löytymisen opastaminen. Tiedon tarjoamiseen tekoäly sopii mainiosti chattibotin muodossa.

Kirjoittaja: Sami Simpanen

Digitaalisten palvelujen myötä syntyy koko ajan uutta dataa, joka saadaan hyötykäyttöön tekoälyn avulla. Tiedon suuri määrä ja sen hajanainen sijainti verkossa pakottaa organisaation kehittämään uusia tapoja hallita ja saattaa tieto sen tarvitsijalle oikealla hetkenä.

Nyt ohjeistus on usein varsin hajallaan ammattikorkeakouluissa. Sitä löytyy pääasiassa oppilaitoksien intraneteistä, mutta myös varsin usein koulutusaloilla on omat erityisohjeistuksensa esimerkiksi opinnäytetyöprosessiin. Paikkoja ohjeistuksille on monia ja ne määräytyvät sen mukaan, mitä työkalua julkaisuun on opittu sujuvasti käyttämään. Tämä voi olla haastavaa tiedon tarvitsijalle.

Tekoälyn avulla saadaan vapautettua resursseja rutiininomaisesta työstä automatisoimalla näitä tekoälylle, joka väsymättömästi jaksaa palvella 24/7. Chattibotti on sovellus, joka on suunniteltu käymään keskustelua ihmisen kanssa. Ihminen kirjoittaa tekstiä ja sovellus vastaa tai esittää lisäkysymyksiä. Sovelluksen toiminta perustuu varsin yksinkertaisiin periaatteisiin, esimerkiksi aiheen tunnistamiseen keskustelun sisällöstä. (Wikipedia 2020). Tekoälyä hyödyntävä chattibotti on helposti integroitavissa sisälle esimerkiksi Moodleen. Sovelluskohteet ovat moninaiset ja suurimmat hyödyt voisi saavuttaa verkko-opintojaksoilla. Nopean avun saaminen opiskelijalle kellonajasta riippumatta on tärkeä laatutekijä.

Aluksi tekoälyn hyödyntäminen voisi olla yksinkertaista prosessien asiasanoilla luokittelua, kunnes tulevaisuudessa tekoäly voisi analysoida opiskelijan suoritustietoja Moodlessa ja ehdottaa erilaisia tietolähteitä, ohjaten oppimista syvemmälle aiheeseen. Jo yksinkertaisilla ratkaisuilla saadaan aikaan opiskelijatyytyväisyyden ja laadukkuuden lisääntymistä, johtuen ongelmanratkaisun nopeudesta.

Mitä on tekoäly?

Tekoäly voidaan kuvata koneen tekemäksi toiminnaksi, joka ihmisen tekemänä olisi älykästä toimintaa. Toimintoja voisi olla päättely, oppiminen, ennakointi, päätöksenteko, näkö ja kuulo. Heikko tekoäly kykenee ratkaisemaan yhtä tehtävää, johon se on kehitetty, esimerkiksi tunnistamaan konenäön avulla syöpäkasvaimia skannauskuvista. Vahvaksi tekoälyksi voidaan kutsua järjestelmää, joka laajasti ratkaisee erilaisia ongelmia, kuten auton ajaminen, kokkaaminen ja kielten ymmärtäminen. Esimerkkinä tällaisesta vahvasta tekoälystä voidaan käyttää Star Warsista tuttuja robotteja. Käytännössä kaikki tekoäly on vielä heikkoa tekoälyä. (Merilehto 2018, 18). Tekoälyä tutkivien tutkijoiden mukaan laaja tekoäly olisi mahdollista vuoteen 2062 mennessä 50% todennäköisyydellä. (Merilehto 2018, 25).

Vuoteen 2024 mennessä koneiden arvellaan kääntävän vieraita kieliä ymmärtäen niiden sisällöllisen merkityksen käytetyssä tilanteessa. Koneiden arvellaan kirjoittavan ihmisiä parempia lukiotason esseitä vuoteen 2026 mennessä ja suorittavan parempia kirurgisia leikkauksia vuoteen 2053 mennessä. (Merilehto 2018, 26). Esseiden kirjoittamisesta tekoälyn avulla alkaa jo nyt valua uutisia maailmalta, kun opiskelija oli käyttänyt hyväkseen palvelua nimeltään ”Talk to Transformer” (https://talktotransformer.com/), joka täydentää lauseesi loppuun alun perusteella. (Robitzki 2020)

Koneoppiminen

Kun puhutaan tekoälystä, pitää puhua myös koneoppimisesta. Se on tekoälyn osa-alue, jossa dataa käytetään oppimiseen ja luokitteluun sen sijasta, että toiminta olisi ohjelmoitu valmiiksi. Koneoppimisessa kone oppii datasta ja puhutaan ohjatusta oppimisesta. Tällöin tiedetään haluttu lopputulos ennalta ja ongelma annetaan syötteenä, jolle saadaan vaste. Saatua vastetta verrataan tiedettyyn lopputulokseen. (Merilehto 2018, 27–28).

Malleja opettaa konetta on useita. Ensimmäinen on luokittelu, jossa luokitellaan kohde ennalta määrättyihin kategorioihin. Toinen on ryhmittely, jossa analysoidaan raaka data ja tunnistetaan siitä ryhmät. Regressio on kolmas malli, jossa ennustetaan numero arvoa. Neljäs malli on suosittelu. Siinä arvioidaan mistä tuotteista asiakas pitää. Viides malli on poikkeamien etsiminen, jossa datasta etsitään normaalista poikkeava aineisto. (Merilehto 2018, 34)

Chattibottisovellus

Kuvassa chat-ikoni, josta chatsovellus käynnistyy

Kuva 1. Chat-ikoni, josta sovellus käynnistyy

mahdollinen aloitusnäkymä, kun opiskelija avaa sovelluksen Moodlessa
Kuva 2: Mahdollinen aloitusnäkymä, kun opiskelija avaa sovelluksen Moodlessa.

mahdollinen aloitusnäkymä, kun opiskelija avaa sovelluksen Moodlessa
Kuva 3: Mahdollinen aloitusnäkymä, kun opiskelija avaa sovelluksen Moodlessa.

Tällaisella yksinkertaisella chattibottisovelluksella saadaan usein tarjottua apua ongelmiin reaaliaikaisesti 24/7. Tämä nostaa tyytyväisyyttä palveluihin ja vastaa kysynnän kasvuun tasaamalla kuormaa ihmisvoimin tehtävältä työltä, koska yksinkertaisimmat ongelmat pystytään ratkomaan chattibotilla. Käyttöliittymältään sovellus on hyvin yksinkertainen, joten sen käyttäminen ei ole suuri ongelma. Käytön myötä palvelun tarkkuus kasvaa analysoimalla käytyjä ”keskusteluja” ja tehdään säätöjä luokitteluun.

Tulevaisuus tuo muutoksen joka tapauksessa

Tekoäly, chattibotit, analytiikka ja Big Data ovat jo nykypäivää. Digitalisaatio, muutos asioiden tekemisestä ihmisvoimin automatisoiduksi konetyöksi, on parhaillaan meneillään. Asia, joka on muuttunut muutosten osalta, on niiden nopeutunut rytmi.

Sen lisäksi, että muutokset lisääntyvät ja nopeutuvat, lisää digitalisaatio käytettävissä olevan datan määrää eksponentiaalisesti. Tiedonhallinnan avuksi on kehitetty algoritmeja, jotka pystyvät analysoimaan (”louhimaan”) kertyvää dataa, yhdistelemään eri lähteitä ja seuramaan ennalta tapahtumia, joita tilastotietojen perusteella selviää. Mitä enemmän kertyy dataa, sitä tarkemmiksi analyysit muodostuvat ja muuttuvat ajan myötä trendejä ennustaviksi. Tämä kaikki perustuu keskiarvojen laskemiseen, profilointiin ja muihin tilastomatematiikkaa hyödyntäviin funktioihin.

Vaaranpaikkana kuitenkin on, että algoritmin määritetään seuraamaan vääriä asioita. Pelkkä tekninen osaaminen ei hyödytä tekoälyn ja algoritmien hyödyntämisessä, vaan tarvitaan laaja-alaista yhteistyötä eri toimijoiden kanssa. Ei saa myöskään unohtaa kehitysprojektista opiskelijoita, joita tämän pitää hyödyntää loppujen lopuksi eniten.

Asiat usein riippuvat toisistaan ja reagoivat muutoksiin, joita toisissa asioissa tapahtuu. Muutoksia myös tapahtuu, varaudutaan niihin tai ei. On olemassa työkalut ja data, joilla varautua muutoksiin entistä paremmin. Vaikka muutos voi tuntua suurelta ja monimutkaiselta, niin todennäköisesti se ei ole sitä, kun asiaa tarkastelee viiden vuoden päästä uudestaan. Vaan se oli yksi pieni palanen kehityksen kulussa.

Lähteet

Merilehto, A. 2018. Tekoäly – matkaopas johtajalle. [Viitattu 24.4.2020]. Saatavissa: https://bisneskirjasto.almatalent.fi/teos/GADBDXDTEB#/kohta:TEKO((c4)LY((20)/piste:b139

Robitzki, D. 2020. This Grad Student Used a Neural Net-work to Write His Papers. [Viitattu 24.4.2020]. Saatavissa: https://futurism.com/grad-student-neural-network-write-papers?utm_source=The+Future+Is&utm_campaign=e9b5d42eef-EMAIL_CAMPAIGN_2020_04_21_07_48&utm_medium=email&utm_term=0_03cd0a26cd-e9b5d42eef-250429969&mc_cid=e9b5d42eef&mc_eid=3f1d5243f1

Wikipedia. 2020. Chatbot. [Viitattu 24.4.2020]. Saatavissa: https://fi.wikipedia.org/wiki/Chatbot

Kirjoittaja

Sami Simpanen toimii opetusteknologiasuunnittelijana LUT-yliopistoa ja LAB-ammattikorkeakoulua palvelevassa Digitaalisen oppimisen tiimissä.

Artikkelikuva: https://pxhere.com/fi/photo/1431567 (CC0)

Julkaistu 18.6.2020

Viittausohje

Simpanen, S. 2020. Tekoälyn hyödyntäminen opiskelijoiden palveluissa. LAB Pro. [Viitattu ja pvm]. Saatavissa: https://www.labopen.fi/lab-pro/tekoalyn-hyodyntaminen-opiskelijoiden-palveluissa/