Maailmalla on paljon erilaisia esimerkkejä siitä, miten tekoäly auttaa yrityksiä ja julkisen sektorin organisaatioita tehostamaan toimintaansa. Tässä artikkelissa keskityn tekoälyn mahdollisuuksiin auttaa tehtävien ja resurssien allokoinnissa ja optimoinnissa. Konkreettisena hyötynä organisaatioille on ollut esimerkiksi hiilijalanjäljen pieneneminen, taloudelliset säästöt ja tyytyväisemmät asiakkaat.

Dynamik Allocator – suomalainen esimerkki

Espoolainen Dynamik tekoäly-yritys on keskittynyt ratkomaan optimointiin ja allokointiin liittyviä prosessi- ja resurssihaasteita. Heidän kehittämänsä Allocator-sovellus on auttanut esimerkiksi Ekovilla-nimistä rakennusalan yritystä optimoimaan ajettuja kilometrejä 9 %:sta parhaimmillaan jopa 27 %:iin. Logistiikkasuunnittelijoiden manuaalinen työmäärä on samalla pudonnut ja ympäristökuormitus on vähentynyt. Myös asentajien tehollinen työaikaa kasvaa koska ajettuja kilometrejä tulee vähemmän paremman reittiaikataulutuksen suhteen.

Teknisesti Dynamik Allocator auttaa jäsentämään tehtävälistasta työtehtävät eri asentajaryhmien tai ajoneuvojen kalentereihin. Se on työtä, joka on aikaisemmin täytynyt tehdä manuaalisesti. Samalla sovellus peilaa sitä suunniteltuun reittiin ja työtehtävän kestoon, jolloin se osaa sijoittaa sen optimaalisesti sopivalle päivälle tai työjonossa optimaaliseen väliin. Lisäksi jos työsuunnitelmat muuttuvat kesken päivää niin algoritmit auttavat reagoimaan optimaalisesti muutoksiin.

Itse tekoälysovelluksen käyttö on helppoa, kun se on koulutettu optimoimaan valitun prosessin tehtävät ja resurssit.

Amerikkalainen case-esimerkki saavutti valtavat hyödyt

Seuraava Amarin ja kumppaneiden (2022) kuvaama esimerkki osoittaa, että parhaimmillaan hyödyt voivat olla hämmästyttävän suuria. He luettelevat useita hyötyjä, joita eräs amerikkalainen sähkö- ja kaasualan laitos saavutti palvelukeskuksessaan ottamalla käyttöön älykkään aikataulutus- ja resursointisovelluksen.

Tekoälysovellusten käyttö vähensi ns. tulipalojen sammuttamisen tarvetta organisaatiossa jopa 75 %, työssä tapahtuvia viiveitä se vähensi 67 %, logistiikan ajoitusvirheet (esim. tarvikkeet eivät olleetkaan valmiina toimitukseen) vähenivät 80 %, työtehtävien oikea ajoitus parani 29 % ja kaiken kaikkiaan varsinaista työtä tehtiin 6 % enemmän.

Seuranta-aika oli kuusi viikkoa, jonka aikana edellä kuvatut hyödyt mitattiin. Käytetty sovellus oli koneoppimiseen pohjautuva ohjelmisto, joka automatisoi ja optimoi aikataulutukset.

Tekoäly ratkoo erilaisia optimointi- ja resursointihaasteita

Asiakaspalvelussa, asennustehtävissä, logistiikassa, rakentamisessa ja vaikkapa hoiva-alalla on päivän aikana lukemattomia yksittäisiä työtehtäviä, joiden hallinnassa tekoäly voisi auttaa. Kun tekijöiden ja asiakkaiden määrä kasvaa, tehtävien hallinta monimutkaistuu entisestään. Palvelutasoa laskee ja kustannuksia nostaa kuitenkin jatkuvasti muuttuva kysyntä, poissaolot, väärät aikatauluarviot ja monenlaiset toimintaympäristöön ja tehtävään liittyvät yllätykset.

Mckinseyn konsultit (Amar et al. 2022) kuvaavat artikkelissaan Smart scheduling: How to solve workforce-planning challenges with AI erilaisia käyttötapauksia, joissa tekoäly tuo lisäarvoa perinteisen työvuorosuunnittelun lisäksi. Useissa työtehtävissä seuraavaa työvaihetta ei voi aloittaa, jos edellinen vaihe on vielä kesken. Tällöin algoritmit voivat optimoida työvaiheiden ajoitusta.

Toisinaan on tarve optimoida oikeat laitteet ja osaaminen oikeaan paikkaan juuri silloin kun siellä on niille tarve. Lisäksi nopeasti vaihteleva kysyntä ja liikkuva työ ylipäätään tuovat jatkuvaa optimointihaastetta joihin tekoäly tuo uutta lisäarvoa.

Asiakkaat aiheuttavat myös optimointia vaativia haasteita. Esimerkiksi terveydenhuollossa eräs merkittävä optimointihaaste liittyy potilaisiin, jotka eivät saavu vastaanotolle sovittuna aikana. Näitä haasteita on yritetty mallintaa mm. regressiomalleilla, jotta kyettäisiin paremmin ennustamaan muuttujia, jotka vaikuttavat potilaisiin ja ajanvaraukseen (Ferro, et al., 2020).

Edellä kuvatut esimerkit osoittavat, että varsinkin suuremman volyymin palvelutuotannossa kokonaisuutta on miltei mahdoton hallita manuaalisesti. Toisin kuin ihmiset, tekoäly kykenee laskemaan nopeasti useita potentiaalisia skenaarioita lukuisista muuttujista ja niiden yhdistelmistä.

Oppivat algoritmit ja jatkuvasti rikastuva palveluprosesseista kerättävä data auttavat ennustamaan ja suunnittelemaan yhä tarkemmin. Näin tekoälypohjaiset ohjelmistot osaavat ehdottaa optimaalista työsuunnitelmaa sijoittamalla ja aikatauluttamalla tehtävät optimaalisesti niiden tekijöille. Lisäksi algoritmit osaavat laskea parhaimman tavan reagoida yllättäviin poikkeamiin, joita aina tapahtuu osana palvelu- ja tuotantoprosesseja.

Täsmätyökaluja työnjohdollisiin työtehtäviin

Aikatauluja ja resurssointia optimoivat sovellukset automatisoivat työnjohdon työtehtäviä, jolloin he voivat keskittyä paremmin muihin työtehtäviin. Tehtävien ja resurssien parempi allokointi vaikuttaa suoraan moneen mitattavaan asiaan, kuten työn tuottavuuteen, asiakastyytyväisyyteen ja hiilijalanjälkeen.

Varsin rajattuina täsmätyökaluina tällaiset sovellukset ovat usein helpompia ottaa käyttöön kuin satoja käyttäjiä koskettavat uudet tietojärjestelmät. Aluksi organisaation optimoitava palvelutuotantoprosessi kannattaa mallintaa. Sen jälkeen algoritmi konfiguroidaan tai muokataan kyseisen tarpeen mukaan sekä testataan ja koulutetaan toimimaan niin, että se täyttää sille määritellyn lopputuloksen.

Kuva: Shutterstock