Kielitekoälyn neljä haastetta ohjelmistoyrityksille
Kielimalleihin pohjautuvat uudenlaiset tekoälysovellukset, ChatGPT etunenässä, ovat mullistaneet ihmisten käsitystä koneälyn mahdollisuuksista. Kehityksen vauhti on hurja, ja tulee haastamaan myös joka ainoan ohjelmistoliiketoimintaa tekevän yrityksen.
Kirjoitus on julkaistu alunperin Software Finlandin blogissa.
Perinteinen datatiede koneoppimisineen tuotti enimmäkseen täsmätarkoituksiin räätälöityjä malleja. Omalla datalla koulutettu malli saattaa olla erinomainen väline vaikkapa huoltotarpeen tai asiakaselinkaaren ennustamiseen, mutta kielimallien (Large Language Model eli LLM) vahvuus on nimenomaan kielitaidossa: Ne tekevät tekoälyn soveltamisesta yksinkertaisempaa, sillä viestintä sekä teknisen asiantuntijan että loppukäyttäjän kanssa voi tapahtua luonnollisella kielellä. Samalla valmiin tekoälyn sovellusala laajenee, eikä malleja tarvitse enää kouluttaa erikseen jokaiseen tarkoitukseen. Selkeän matemaattisiin tarpeisiin perinteiset mallit sopivat toki yhä paremmin.
Jättimäinen muutos on luvassa, mutta mitä se tarkoittaa ohjelmistoliiketoiminnan kautta? Paljon mahdollisuuksia, mutta myös ainakin neljää haastetta.
Haaste 1: Devaajien tuottavuuden kehittäminen
GitHub Copilot on tarjonnut lähdekoodin automaattitäydennystä kaikille viime kesästä alkaen. Hurjimmissa tilastoissa Copilot tuottaa yli 40 prosenttia devaajan käsistä lähtevästä koodista. Jatkossa Copilot tuo koodin täydennyksen oheen myös mahdollisuuden käyttää chat-kokemusta suoraan koodieditorissa, esimerkiksi pyytämällä tekoälyä dokumentoimaan käsittelyssä oleva koodi.
Tuottavuuden parannukset eivät tapahdu itsestään. Käsitys siitä, miten optimaalisesti jakaa oma työkuormansa ihmis- ja koneaivojen välillä, ei synny itsestään. Pelkän Copilot-lisenssin hankkiminen ei terävöitä tekijää, vaan tuottavuuden edut syntyvät paitsi uuden työtavan opiskelusta, myös organisaatio- ja projektikohtaisen soveltamisen harjoittelusta: millä tavoin pyytämällä saan juuri tähän tilanteeseen sopivaa koodia, yksikkötestejä tai dokumentaatiota?
Muutos toki myös kiristää kilpailua: odotukset ainakin projekti- ja tuntimyynnin tuottavuudesta puristavat niitä organisaatioita, jotka jäävät jälkeen kehityksessä. Samalla yksilöiden väliset erot kasvavat, eivätkä vanhat käsitykset työkokemuksesta enää korreloi tehtävätason tuottavuuden kanssa: näppärästi AI:ta hyödyntävä junnu saattaa juosta ympyrää pitkän linjan koodarin ympärillä, jos seniori jatkaa työn tekemistä vanhoin manuaalisin menetelmin. Varottava on toisaalta myös laadun lipsumista: kun tekoälyvetoisesti on helppo muodostaa suuria määriä toiminnallisuutta, miten varmistaa, että lopputulos pysyy ylläpidettävänä?
Haaste 2: Älykkyyden kehittämisen tarve
Kun asiakkaat tottuvat Officen, Windowsin ja monen muun tuotteen myötä tekoälyn tukemaan toimintamalliin, heidän odotuksensa muidenkin sovellusten älykkyydestä nousevat räjähdysmäisesti. ChatGPT nosti jo nyt interaktiivisiin botteihin kohdistuvia vaatimuksia, mutta jatkossa kaikilta sovelluksilta odotetaan luontevasti automaattisia kielikäännöksiä, sujuvaa puheen tulkintaa, lähdetekstin ymmärtämistä tai jopa uuden tuottamista.
Nämä ovat kielimallipohjaisten tekoälyjen vahvoja puolia, ja näppärä devaaja toteuttaa toimintojen ensimmäiset versiot heittämällä. Sen jälkeen vaikeustaso nouseekin, sillä ensimmäinen kehitystarve on saada malli ymmärtämään omaa liiketoimintadataa yleisen kieliopin lisäksi. Tämän vieminen mallin pohjaksi vaatii juurtamista (engl. grounding), jonka tekniikat ovat vielä tälläkin hetkellä osin tutkijatason ongelmia. Vähintäänkin puhutaan helposti semanttisiin hakumoottoreihin, vektoritietokantoihin tai muihin toistaiseksi harvinaisempiin komponentteihin perehtymisestä.
Sittenkin kun oma data on jo tuotu mukaan tulkintoihin, on hallittava mm. tekoälyn tietosuojan, mallien versioinnin, kehotesuunnittelun ja väärinkäytösten eston kaltaisia alueita. Kysymykset eksyvät äkkiä melko kauas kehittäjien perinteiseltä ydinalueelta, jolloin oman organisaation osaamispooli joutuu venymään jälleen uudelle saralle. Tilanne mutkistuu entisestään, jos pilvipalvelut eivät ole käytössä.
Haaste 3: Copilot-malli vaatii datan jakamista
Microsoft tuo Copilot-käyttöliittymämallin myös mm. Officeen. Jatkossa vaikkapa Wordille voi esittää pyynnön tyyliin ”Olen tekemässä tarjousta mainoskampanjasta Firma Oy:lle. Täydennä tähän dokumenttiin pohja viime viikolla tekemästäni Puulaaki Oy:n tarjouksesta, mutta vaihda se käyttämään Firma Oy:n tietoja.”
Tällaisen pyynnön täyttäminen vaatii tekoälyltä ymmärrystä käyttäjän luomista dokumenteista, mutta myös mm. asiakastiedosta ja sen rakenteista. Mistä nämä tiedot sitten kumpuavat? Ensimmäisessä vaiheessa vastaus pyörii Office-sovellusten (Teams, OneDrive jne.) ja Microsoft Graphin ympärillä, eikä laajennusmahdollisuuksista ole vielä edes puhuttu.
On kuitenkin selvää, että jos teet työksesi vaikkapa laskujenkäsittelysovellusta, lähivuosina joku haluaa varmasti viitata sovelluksesi sisältämiin tietoihin Officen Copilotin kautta. Koska liiketoiminnan kannalta monet keskeisimmistä operaatioista tehdään Officessa, luultavasti myös sen Copilotiin integroituminen (”Luo kalvo, joka sisältää listan LaskuX-järjestelmässä avoinna olevista laskuista”) tulee olemaan työlistallasi. Tämä korostaa jälleen kerran laadukkaan datamallinnuksen ja integraatiorajapintojen tärkeyttä. Jos softasi datan saaminen keskitettyyn raportointiin on tällä hetkellä kipupiste, tuska on pahenemaan päin.
Haaste 4: Uudenlainen suhde asiakkaaseen
Tekoäly voimaannuttaa myös asiakkaat. Erityisesti low code -sovelluskehitysalustat saavat huimasti lisäpotkua omista Copiloteistaan, kun liiketoiminta-asiantuntijat kehittävät sovelluksiin toiminnallisuutta käyttäen ohjelmointikielenä pelkästään englantia ja suomea.
Yhä useammat perusskenaariot voidaan hoitaa ilman ammattiohjelmoijien apua, jolloin sovellusten vaatimuksetkin muuttuvat. Siinä missä aiemmin olisi pyydetty yhtä näkymää lisää, nyt ehkä halutaan sen sijaan rajapinta, jonka päälle käyttökokemus rakennetaan itse. Pätevimmät asiantuntijat voivat nojata tekoälyyn tehdessään mm. datan muodon manipulointiin tarvittavia automaattisia skriptejä tai muita vakiotyövälineitä, ilman että heidän tarvitsisi osata kyseistä teknologiaa kovin syvästi.
Parhaimmillaan tämä näkyy toimittajalle työn helpottumisena, kun asiakas pystyy hoitamaan yhä isomman osan valmistelevasta ja tilannekohtaisesta työstä. Tuotetaloille tämä voi olla plussaa: parempi fokus omaan tekemiseen houkuttaa. Integraattorit ja palvelutalot saattavat toisaalta hahmottaa saman tilanteen oman työnsä vähenemisenä.
Joka tapauksessa tekoälyn uudet askeleet ovat iso mahdollisuus alalle – ja samalla iso askel ihmiskunnalle. Softan tekijöille haaste on merkittävä, sillä uudet mallit ovat hämmästyttävän hyviä myös ohjelmointiteknisen työn tekijöinä, ja jokainen kuukausi vielä parantaa tilannetta. Devaajan näkökulmasta tekoäly voi hyvinkin päätyä parhaaksi kaveriksi: siksi työjuhdaksi, jolle voi vain työntää työlästä ja keskittymistä häiritsevää sivuhommaa.
Ohjelmistoyrityksen johdon kannalta kyseessä on monimutkainen liiketoimintahaaste, joka sisältää komponentteja niin asiakasmarkkinan muutoksesta, HR-haasteesta kuin tuotteistuksen kehittämisestäkin. Meistä kaikista ei tarvitse tulla tekoälykonsultteja, mutta tekoälytietoisia ja -taitoisia meidän on oltava.
Haluatko jutella tekoälyn soveltamisesta yrityksessäsi? Ota yhteyttä!