Tekoälymallien integrointi osaksi digipalveluita ja ohjelmistokehityksen prosessia

Suurimmalle osalle meistä tekoäly on chatti-käyttöliittymän kautta käytettävä kielimalli. Kuitenkin yhä enemmän tekoälymalleja integroidaan osaksi perinteisiä ohjelmistoja, toiminnanohjausta ja digitaalisia palveluita. Tekoälymallien olemassaolo ei näy välttämättä päällepäin, vaikka nykykäytäntöjen mukaan siitä tulisi kertoa käyttäjille. Siksi ohjelmistokehityksen näkökulmasta on tärkeää tarkastella, kuinka tekoälymalli yhdistetään osaksi uutta tai nykyistä digitaalista palvelua.

Kirjoituksessa kytkemme tekoälykehityksen ja perinteisen ohjelmistokehityksen työvaiheet toisiinsa, ja kuvaamme niiden roolit osana prosessien eri vaiheita.

Tekoälymallin lisääminen digitaaliseen palveluun muuttaa sen luonnetta

Tavoitteena meillä on kuvata kuinka tekoälymallin integroiminen osaksi digitaalisen palvelun kehitystä tulisi toteuttaa ja mitä uusia tehtäviä se tuo ohjelmistokehityksen prosessiin. Monet asiat tulee osata ennakoida ja hahmottaa jo ennen kuin lyödään lukkoon teknologisia valintoja ja ohjelmistoa aletaan ohjelmoimaan.

Eräs keskeisesti suunnittelutyöhön vaikuttava asia on se, että perinteinen ohjelmisto tekee deterministisesti päätöksiä ihmisen määrittelemien sääntöjen ja logiikan mukaisesti. Se toimii siten varsin ennustettavasti ja ennalta määritellyn logiikan mukaisesti. Toisin kuin perinteinen ohjelmisto, tekoälymalli toimii todennäköisyyksiin perustuvan logiikan mukaisesti.

Perinteinen ohjelmisto vaatii toimiakseen usein myös rakenteellista dataa kyetäkseen tuottamaan tuloksia luotettavasti. Tekoäly tekee puolestaan laajempaa analyysia ja päättelyä epätäydellisestä, dynaamisemmasta ja moniulotteisemmasta datasta. Tämä data on usein laajaa, ei-rakenteellista ja sen käsittely vaatii esimerkiksi esikäsittelyä ennen kuin sen avulla voidaan tehdä luokittelua, ennustamista tai päättelyä.

Tekoälyn integrointi osaksi digitaalista palvelua

Tekoäly tulee olemaan yhä enemmän integroitu osa perinteisissä ohjelmistotuotteissa ja digitaalisissa palveluissa. Kuvassa 1 todetaan, että tekoälyominaisuuksia voidaan lisätä digitaalisiin palveluihin joko integroimalla se käyttöliittymän tai sovelluslogiikan kautta.

Käyttöliittymän kautta integroimisesta on hyvä esimerkki chatbotin lisääminen yrityksen verkkosivuille, jolloin se avautuu omasta painikkeestaan kyseisellä sivustolla. Toinen tapa lisätä tekoälyominaisuuksia on integroida se tiiviisti osaksi digitaalista palvelua.

Tällainen sovelluslogiikan kautta tehtävä integrointi tarkoittaa kansankielellä ’konepellin alta’ API-rajapinnan kautta rakennettavaa integraatiota tai itsenäisen AI agentin lisäämistä osaksi ohjelmiston toimintaprosessia. Esimerkiksi taloushallinnon ohjelmistoon tuodaan tekoälypohjaista laskentaa, jolloin ohjelmiston sovelluslogiikka ohjaa tekoälymallia, eikä suoraan ohjelmiston loppukäyttäjä. Tällöin osa laskennasta, analyysista ja raportoinnista voi olla tekoälyn suorittamaa ja osa hoituu edelleen perinteisin deterministisin menetelmin.

Kuva 1. Tekoälyn integrointi osaksi digitaalista palvelua

Tekoälymallien ja sen taustalla olevan datan rakentaminen on monivaiheinen prosessi, jos ei integroida jo valmista, opetettua ja testattua mallia tai tekoälypalvelua osaksi digitaalista palvelua. Tekoälymallin ja myös kokonaisen tekoälyjärjestelmän rakentaminen on iteratiivinen ja monivaiheinen prosessi. Tekoälypalveluiden vaatimien mallien toteuttamisessa tekoälyn elinkaarimenetelmät MLOps ja AIOps tuovat erinomaisen viitekehyksen varmistaa luotettavan ja varmistetun mallin tai järjestelmän syntyminen ja sopiva päivittäminen.

Lwakatare ym. (2020) kuvaavat miten tekoälyn vaatiman koneoppimisen mukaan kytkeminen vaatii datan hallintaa, koneoppimisen mallinnusta ja sen kehitystyötä sekä valmiin tekoälypohjaisen systeemin operointia. Kyse ei ole pelkästään kehityksestä ja käyttämisestä, vaan tekoälyn hyödyntäminen vaatii jatkuvaa kehityksen ja operoinnin välistä yhteistyötä. Se ei ole siten kerralla valmis kuten perinteinen deterministinen ohjelmistotuote, vaan vaarana on mallin vinoutuminen, datan muuttuminen ja luotettavuuden heikkeneminen.

Sama pätee nykyisten valmiiden koneoppimis-/tekoälymallien hyödyntämiseen osana laajempaa tekoälyjärjestelmää. Nämä käsittävät toimintaa ohjaavia konfiguraatioita kuten järjestelmäprompteja, ja voivat sisältää myös muita komponentteja kuten vektoritietokantoja ja monenlaisia työkaluja sekä niihin liittyviä konfiguraatioita. Tässäkin tapauksessa tekoälyn hyödyntäminen vaatii jatkuvaa kehityksen ja operoinnin yhteistyötä, jossa konfiguraatioita mukautetaan sekä tekoälyn suorituskyvyn parantamiseksi että ongelmien korjaamiseksi.

Mitä uusia asioita tekoälyn integrointi tuo ohjelmistokehityksen prosessiin?

Olemme listanneet keskeisiä asioita, joita tekoälyn integrointi tuo ohjelmistokehityksen prosessiin (Taulukko 1). MLOps-mallin ja yleensäkin tekoälymallien toteutus ei ole pelkästään tekninen haaste, vaan siinä tulee huomioida myös liiketoimintaan, organisaatioon ja käyttöön liittyvä haasteet (Amrit & Narayanappa 2025).

Vasemmassa sarakkeessa on kuvattuna perinteisen ohjelmistokehityksen prosessin keskeiset vaiheet. Keskimmäinen sarake kuvaa tekoälyn integroinnista seuraavia uusia työtehtäviä, jotka tulee toteuttaa, kun tekoälymalli lisätään kehitettävään ohjelmistoon. Oikeanpuoleisessa sarakkeessa selitetään mikä kyseisessä tehtävässä on olennaista.

Taulukko 1. Tekoälyomaisuuksien tuomat muutokset ohjelmistokehitykseen

Usein tekoälymalleja ei tehdä itse alusta asti, vaan sovelletaan jo esimerkiksi kaupallisia, avoimia, hienosäädettyjä tai tutkimustyön tuloksena syntyneitä malleja. Tunnetuimpia lienee kaupalliset tarjoajat kuten Microsoftin Azure-, OpenAI:n ChatGPT- tai Googlen Gemini-mallit.

Tekoälyratkaisujen rakentamiseen on saatavilla myös avoimen lähdekoodin komponentteja kuten Haaga-Helian GAIK-projektissa rakennettu työkalupakki. Maailmanlaajuisella Huggingface-sivustolla on tarjolla jo yli 2 miljoonaa erilaista tekoälyyn liittyvää mallia tai ohjelmistokomponenttia, mutta niiden lisensointi vaihtelee.

AI Skaalaajat-hanke edistää tekoälyn skaalaamista

AI Skaalaajat -hankkeen työpajoissa olemme alustusten pohjalta ideoineet ja kehittäneet työtapoja tuoda tekoälyominaisuuksia osaksi perinteisempiä digitaalisia palveluita ja ohjelmistotuotteita. Tämä kirjoitus dokumentoi ja jalostaa eteenpäin työpajoissa syntyneitä ideoita, näkemyksiä ja ajatuksia siitä, miten ohjelmistokehityksessä voisimme paremmin ja hallitummin tuoda tekoälymalleja osaksi verkossa olevia palveluita.

Tekoälyn skaalaaminen edellyttää vahvaa osaamista ohjelmistokehittäjiltä rakentaa luotettavia palveluita, joiden taustalla on räätälöityjä tai jopa täysin uusia tekoälymalleja.

Kuva: Haaga-Helia