Liikkeenjohdon tulee tällä hetkellä miettiä keinoälyn eli useimmiten koneoppimisen hyödyntämistä liiketoiminnassa. Tavalla tai toisella koneoppiminen pystyy tässä ja nyt auttamaan joko tehostamalla tai laajentamalla liiketoimintaa. Johtajalle tämä asia ei tällä kertaa ole helppo eikä selkeä. Kukaan ei pysty asiasta yksiselitteisesti kertomaan, eikä edes kantamaan vettä kaivoon. Asiasta pitää johdon itsensä olla kartalla.

Koska koneoppiminen perustuu olemassa olevaan dataan ja tietämykseen, on hyvä aloittaa keinoälyn mukanaan tuomien mahdollisuuksien miettiminen organisaation datan kartoittamisesta ja keräämisestä. Kun katsoo konkreettisesti, mitä dataa on olemassa, mistä data kertyy ja missä kunnossa data on, saa kokonaisuudesta hyvän käsityksen. Dataa on tyypillisesti organisaatiossa kuin organisaatiossa paljon, mutta usein datan kerääntyminen ja jalostaminen ei ole niin laadukasta kuin voisi olla. Datassa on laadullisia puutteita tai jotain olennaista dataa puuttuu.

Dataan kurkistaessa tulee samalla johtajana hahmottaneeksi paljon kysymyksiä, joihin datan avulla voisi saada vastauksia, mikäli dataa vain osaisi pyöritellä ja yhdistellä. Käsitellä koneellisesti ja vielä keinoälyn avulla. Dataa katsoaessa voi tulla mieleen esimerkiksi seuraavanlaisia kysymyksiä: kuinka tehokkaasti tuotantokoneet toimivat, miten toisten asiakkaiden ostodataa voi käyttää toisille asiakkaille myytäessä apuna, onko järkevämpää tehdä itse vai käyttää alihankintaa, millainen voisi olla revenue management, jos asiakas tilaa ennakkoon vs. tilaa viime tipassa.

Datan kanssa ei kannata missään nimessä synkistyä. Vaikka dataa ei saisikaan irti helposti järjestelmistä ja data olisi osittain laadutonta tai vajaatakin, voi sen avulla lähteä kokeilemaan keinoälyn hyödyntämistä. Joissakin tapauksissa voi lähteä liikkeelle pienemmällä datasetillä ja kokeilla ensimmäisten päätelmien hyödyntämistä, testata ja oppia. Samalla voi päättää puuttuvan datan keräämisestä ja siten varmistaa, että data on tulevaisuudessa käytettävissä. Datastrategiaa vie eteenpäin se, että hahmottaa mitä dataa on, mitä pitää kerätä ja mitä parantaa.

Omat kokemukseni keinoälyn valjastamisesta ovat alleviivanneet lopputuloksen esillepanon merkitystä. Keinoälyn tuotosta pitää esitellä sopivassa käyttöliittymässä ja paketissa. Meillä ihmisillä on luonnostaan vastustusta koneen sanomaa lopputulosta tai päätelmää kohtaan. On erittäin tärkeää heti alusta alkaen miettiä ulkoasua ja sanavalintoja, joiden puitteissa keinoälyn tuotoksia esitetään. Tätä voisi mielestäni testata jopa paperimalleilla ja keksityillä tiedoilla keinoälyhankkeen ensimmäisenä vaiheena, jotta käyttäjien mahdolliset reaktiot saataisiin huomioitua riittävästi.

Keinoälyn hyödyntämisen johtaminen ei ole helppoa, mutta datasta ponnistava lähestyminen tuo hyötyä joka tapauksesta organisaatiolle. Kukaan ei tiedä tarkalleen, mitä olette tekemässä, eikä tässä ole niitä vääriä kysymyksiä. Ja lopulta keinoäly tarvitsee aina ihmisen asettaman kysymyksen tai viitekehyksen, johon vastausta haetaan.

Askelia keinöälyn valjastamiseen:

• Tutki mitä muilla liiketoiminta-alueilla on jo meneillään
• Ota data haltuusi, datastrategiasta ei kannata ainakaan aluksi tehdä liian mutkista. Dokumentoi datat ja niiden käyttötarkoitus.
• Kokeile kevyesti vaikka hiukan heikommallakin datalla
• Kiinnitä erityistä huomiota keinoälyn lopputulosten ulkoasuun ja muotoiluun