Maailmalla on paljon kaupallisia ohjelmistoja, joita käyttäjät ja organisaatiot eivät ottaisi edes ilmaiseksi käyttöön. Sama koskee tekoäly-ohjelmistojen lisenssejä, koska käyttöönoton ja siihen panostetun ajan tulee tuottaa arvoa sekä opiskelijoille että muille sidosryhmille. Digitaaliset ratkaisut ovat viime kädessä mahdollistajia, joilla ei ole sellaisenaan itseisarvoa.

Tekoälyn käyttöönotossa pyritään usein tunnistamaan tarve tai ongelma, jonka ratkaiseminen voisi tuottaa arvoa käyttäjille ja organisaatiolle. Toisinaan tekoälyn sovelluskohteita ideoitaessa ja suunniteltaessa on hyödyllistä lähteä liikkeelle tarpeiden sijaan mahdollisuuksista. Mahdollisuuksien ja potentiaalisten hyötyjen tarkastelu auttaa tunnistamaan myös piileviä tarpeita.  

Haaga-Helian koordinoimassa Big data big business -hankkeessa tekoälyn ja datan tuottamia mahdollistajia ja liiketoiminnan rooleja analysoitiin haastattelemalla yritysten edustajia datan tuottamiin uusiin liiketoimintamahdollisuuksiin liittyen (ks. Alamäki, Rantala, Palomäki & Valkokari, 2018; Rantala, Palomäki & Valkokari, 2018). Seuraavana on lueteltu koulutukseen ja oppimiseen sovellettuna näitä arvon tuottamisen mahdollisuuksia.

Oheinen virikeluettelo syntyi Haaga-Heliassa osana 3AMK-projektin Hackathon-suunnittelua, joka jouduttiin toteuttamaan koronapandemian takia yksilö- tai parityönä. Alla oleva Rantalan ym. (2018) tutkimuksesta koulutukseen sovellettu lista antaa vinkkejä siitä, kuinka tekoälyä ja dataa hyödyntämällä voisi tuottaa arvoa korkeakoulun oppimis-, opetus- ja hallintoprosesseihin.

1. Virheiden ja pullonkaulojen tunnistaminen
2. Päällekkäisyyksistä varoittaminen
3. Automaattisten avustavien assistenttien mahdollistaminen
4. Prosessien vaatimien tehtävien suorittamisen tai erilaisten transaktioiden tehostaminen
5. Toistuvien asioiden tai teemojen tunnistaminen datamassasta
6. Erilaisten skenaarioiden laskeminen ja tuottaminen dataa analysoimalla
7. Trendien ja kehityspolkujen laskeminen ja tuottaminen dataa analysoimalla
8. Tuottamalla parempaa ymmärrystä tulevaisuuden tarpeista dataa analysoimalla
9. Päätöksenteon tekeminen läpinäkyvämmäksi koostamalla ja analysoimalla datalähteitä
10. Potentiaalisten työpaikkojen hakemisen avustaminen osaamisprofiiliin peilaamalla
11. Automaattinen arviointi ja valintojen tarkistaminen käyttäjän syötteiden pohjalta
12. Opintopolkujen tai opintojen suunnittelun optimointi ja tehostaminen
13. Opintopolkujen tai kurssivalintojen rakentumisen ja tavoitteiden havainnollistaminen
14. Tarvittavien tietojen tai taitojen ehdottaminen suhteessa opintotavoitteisiin
15. Potentiaalisten opinnäyteaiheiden tunnistaminen ja ehdottaminen dataan analysoimalla
16. Vuorovaikutteisten avustajien rakentaminen palvelemaan informaatiotarpeita 24/7
17. Tuottamalla reaaliaikaisia indikaattoreita tai avainlukuja seuraamalla datavirtaa
18. Tunnistamalla segmenttejä tai ryhmiä joihin käyttäjä voisivat kuulua tai tulisi liittyä
19. Reaaliaikaisen keskustelun analysointi ja seuraaminen tiettyihin teemoihin liittyen
20. Tunnistamalla opiskelijoiden tai käyttäjien käyttäytymisen tai tietotarpeen muutokset
21. Ennakoimalla uusia tai piileviä tarpeita ja tuottamalla suosituksia
22. Demonstroimalla sosiaalisia, kulttuurisia tai ympäristöllisiä vaikutuksia
23. Avustamalla päätöksenteossa kahden tai useamman vaihtoehdon välillä
24. jne.

Oheinen ideointia ja suunnittelua helpottava listaus osoittaa, että oikeanlaisen datan tunnistaminen, saavutettavuus ja analysointi ovat keskeisiä asioita tekoälyn mahdollisuuksia mietittäessä. Data rikastuu, kun sitä yhdistää muuhun saatavalla olevaan datalähteeseen. 

Tekoälyratkaisujen pilotoinnissa, suunnittelussa ja käyttöönotossa on muitakin kuin edellä mainitut toiminnalliset arvot. Sheth, Newman ja Gross (1991) ovat tunnistaneet seuraavia arvokategorioita teoriassaan: toiminnallinen, ehdollinen/mahdollistava, sosiaalinen, tunneperäinen ja episteminen arvo. Vaikka hankintoja selitetäänkin usein toiminnallisella arvolla, eli työkalun tuottamalla suoritusta edistävällä arvolla, voi taustalla olla myös muitakin arvoja, jotka ovat painaneet vaakakupissa projektia suunniteltaessa. Varsinkin tekoälyn hypevaiheessa sen käyttöönotolla voidaan myös tavoitella mahdollistavaa tai sosiaalista arvoa. Sillä voi saada esimerkiksi edelläkävijän maineen sopivalla hetkellä. Arvolla on siten myös tilannekohtainen merkitys, kuten joulukorteilla, hääpuvulla tai ambulanssipalveluilla, joiden arvo liittyy tiettyyn hetkeen (Sheth ym. 1991).

Olennaista on kuitenkin tällä hetkellä oppia tunnistamaan toiminnallisia arvon tuottamisen mahdollisuuksia ja tekoälyratkaisujen soveltamista ja integroimista organisaation prosesseihin. Samalla tulee kartoitettua organisaation datan laatu, rakenne ja lähteet. Tietotekniikan käyttöönotto on aina liiketoiminnan ja palvelutuotannon muutosprosessi, joka ei tapahdu nopeasti.  

Lähteet:

Alamäki, A, Rantala, T., Valkokari, K. & Palomäki, K. (2018). Business Roles in Creating Value from Data in Collaborative Networks. In Camarinha-Matos, L.M, Afsarmanesh, H. & Rezgui, Y. (Eds.) Collaborative networks of cognitive systems. The proceedings of the 19th IFIP/SOCOLNET Working Conference on Virtual Enterprises, Pro-Ve 2018, Cardiff, UK, September 17-19, 595-606

Rantala, T., Palomäki, K., & Valkokari, K. (2018, July). Transforming Data into New B2B Business Opportunities. In 13th International Forum on Knowledge Asset Dynamics, IFKAD 2018.

Sheth, J. N., Newman, B. I., & Gross, B. L. (1991). Why we buy what we buy: A theory of consumption values. Journal of business research, 22(2), 159-170.