Älykäs kone

Tekemällä yhden koneen älykkäämmäksi voimme parantaa satojen tuhansien ihmisten elämää.” Tuohon ajatukseen tiivistyi Fibeliuksen AI -tiimin ensimmäisen asiakasprojektin heureka hetki. Julkishallinnon asiakas oli kertonut, että heidän asiankäsittelyjärjestelmässään käsitellään vuosittain noin 3 miljoonaa asiaa, nuo asiat koskevat noin puolta miljoonaa ihmistä ja niiden taloudellinen arvo on yli miljardi euroa.

Käyttötapauskuvausten ja tietokantataulujen määrän perusteella tehty laskutoimitus kertoi meille, että asiakkaamme vuosittain käsittelemän noin 3 miljoonan asian eri käsittelyvaiheiden täytyi sisältää vähintään kymmenkertainen määrä toimenpiteitä ja niihin liittyviä mikrotehtäviä. Se tarkoitti miljoonia päättelykyselyitä ja niihin sisältyvää mahdollisuutta tuottaa merkittävää arvonlisää. Päättelykyselyiden ekonomia ja niissä piilevän arvonlisän potentiaali ovat liiketoiminasuunnitelmamme ytimessä, joten nyt näytti siltä, että olimme päässeet tekemään juuri sellaista työtä, jota olimme etsineet.

Lisäksi tiesimme, että suuri osa noista käsiteltävistä asioista oli luonteeltaan sellaisia, että niillä oli taloudellisten vaikutusten lisäksi erittäin suuri hyvinvointivaikutus suomalaiseen yhteiskuntaan: vanhuksiin, yksineläjiin, perheisiin, haavoittuvassa asemassa oleviin äiteihin ja isiin ja heidän lapsiinsa. Ja valitettavasti tuo vaikutus on etumerkiltään usein negatiivinen. Tuo virasto oli osa hallintoa, joka lainmukaista tehtäväänsä suorittaessaan ei suinkaan aina lisää hyvinvointia vaan luo hätää, kurjuutta ja toivottomuutta suomalaiseen yhteiskuntaan.

Jos pystyisimme kasvattamaan tuon yhden asiankäsittelykoneen älykkyyttä niin, että se palvelee sen kanssa tekemisiin joutuvia tasapuolisesti, tekemällä tuosta asiankäsittelykoneesta symmetrisesti oppivan, voimme parantaa tämän viraston ylimmän johdon ja operatiivisten tulosyksiköiden kykyä ymmärtää oman toimintansa vaikutuksia ihmisten elämäntilanteissa ja suomalaisessa yhteiskunnassa. Lopulta jonain päivänä voimme sanoa, että olemme parantaneet satojen tuhansien, jopa miljoonan ihmisen elämää.” Fibeliukselle oli syntynyt missio ja motto.

Fibeliuksen asiakkaita ovat hyvinvointikoneet. Osa modernissa hyvinvointivaltiossa elävien ihmisten hyvän elämän elementeistä syntyy noiden sosiaalisten koneiden ulkoisvaikutuksena ja leviää koko yhteiskuntaan onnellisuutena, terveytenä, luottamuksena ja tulevaisuudenuskona. Se näkyy lasten iloisissa kasvoissa, nuorten tulevaisuuden uskona ja vanhusten kasvoilta säteilevänä tyyneytenä ja rauhana.

Toisaalta meillä on myös hyvinvointikoneiksi tarkoitettuja koneita, jotka joskus jopa tarkoituksellisen taloudellista etua tavoittelevan väärinkäytön tai pitkään jatkuneen systemaattisen poliitikkoihin ja virastojen johtoon kohdistuneen korruption kautta tuottavat negatiivisia ulkoisvaikutuksia. Sen sijaan että nuo koneet tuottaisivat yhteiskuntaan työtä, vaurautta ja yritteliäisyyttä ne tuottavatkin esteitä työllistymiselle ja yritysten kasvulle, velkakierteitä, asunnottomuutta ja elämänhallinnan menetyksen tunteita, riistävät ihmisiltä tulevaisuudenuskon ja tuovat sijaan luovuttamisen ja itsetuhon ajatuksia. Aiheuttavat itsemurhia. Niin. Sellaisellekin hyvinvointikoneelle olen joskus työskennellyt ja vähiä elinpäiviäni uhrannut.

Fibeliuksen tavoitteena on opetella lisäämään hyvinvointikoneiden älykkyyttä. Ja saada ne toimimaan käytännössä niin kuin hyvinvointivaltion koneiden on tarkoitus toimia. Uskomme, että teemme tehtäväämme parhaiten rakentamalla koneista elinikäisiä oppijoita, tarkkoja havaitsijoita ja hyviä monikielisiä kommunikoijia mallien ja luonnollisten kielten tekoälyjen avulla. Tavoitteenamme on kasvattaa yhteiskuntien hyvinvointijärjestelmien positiivisia ulkoisvaikutuksia. Mottonamme on toimia tavallisten kotien ja katujen ihmisten hyväksi rakentamalla älykkäämpiä hyvinvointikoneita.

Jouko Salonen 12/2020

Kuinka ennuste voi tuottaa julkista arvonlisää

Toronton yliopiston Avi Goldfarb, Joshua Gans ja Ajay Agrawal ovat kirjoittaneet tekoälyjen arvoluonnin kyvystä hyvän kirjan. He korostavat kirjassaan Prediction Machines, että nykyisten älykkäiden koneiden luoman arvonlisän ytimessä on yksinkertaisia loogisia operaatioita tekevien päättelykoneiden kyky laskea yksittäisen ennusteen hinta sadas- tai jopa tuhannesosiin nykyisestä.

Kirja välttää esittämästä väitteitä ihmisälyn korvautumisesta koneälyllä. Tuon keskustelun sijaan se esittää ekonomistin näkökulman. Käytännön toimintaan liittyvät prosessit koostuvat loogisista operaatioista, joista osa on muodoltaan ennusteita. Noista ennusteista puolestaan osa voidaan tehdä päättelykoneilla tehokkaammin sääntövarmemmin kuin ihmismielessä.

Koneen tekemällä ennusteella tässä tarkoitetaan esimerkiksi jostain tietolähteestä saadun tiedon merkityksen luokittelua suhteessa käsiteltävänä olevaan asiaan tai valintatilanteeseen. Esimerkiksi tieto: kuukausitulot = 800€ voi tuottaa päätelmän ja ennusteen “kuukausituloraja ei täyty” ja sitten päätösennusteen “lupaa ei voitane nykylainsäädännön puitteissa ainakaan tällä perusteella myöntää”. Tuo luonnollisen kielen muodon saanut lause ja siihen sisältyvät ennusteet ja strategiset säännöt ovat se alue, jossa luonnollisen kielen tekoälyt luovat arvoa. Julkista ulkoisvaikutusten kautta kaikille jakaantuvaa arvoa yllä kuvattu ennuste tuottaa silloin jos tuon kuukausitulot = 800€ merkitys työn määrään, tuottavuuden kasvuun, verokertymään ja sosiaaliturvaan tulee arvioiduksi oikein hakijan elinkaaren mittaisessa kontekstissa.

Agrawal, Gans ja Goldfarb osoittavat, että älykkäiden päätösten tueksi kerättyjen, joko päätöstä tukevien tai sen kanssa ristiriidassa olevien tietojen pohjalta muodostetut eri tyyppiset ennusteet ovat keskeisessä roolissa arvioitaessa tekoälyn arvonlisää ja sen työn tuottavuusvaikutuksia ekonomistin silmin. Agrawal, Gans ja Goldfarbin “Ekonomistin AI -teesi” kuuluu:

“Nyt käynnissä olevan koneoppivien ennusteiden ensimmäisen käyttöönotto-aallon myötä korkealaatuisten ennusteiden tuotantokustannukset ja hinnat romahtavat.”

Agrawal, Gans, Goldfarb, Prediction Machines

Ennusteet vs. julkisen arvon luonti

Fibeliuksen 1. toimeksiantoon sisältyi vaatimus osoittaa, kuinka koneoppivalla tekoälyllä voitaisiin lisätä tuon julkisen organisaation kykyä tuottaa sille asetettujen tavoitteiden mukaista arvoa.

Virastoissa tapahtuva asiankäsittely muodostuu asiaan liittyvien tietojen keräämisestä, tietojen tarkistuksista ja niiden asiaan liittyvän merkityksen arvioinnista, eli ennusteesta mikä on tuon kerätyn tiedon vaikutus päätettävänä olevaan asiaan. Näitä toimenpiteitä siis arvioimme tuon viraston tekevän noin 30 miljoonaa kappaletta vuodessa, maksuja virasto keräsi noin 80 miljoonaa euroa koko viraston budjetin ollessa noin 100 miljoonan euron luokkaa.

Jos saattaisimme kaikki nuo nyt noin 3 euron hintaiset 30 miljoonaa ennustetta älykkäiden koneiden tehtäväksi, tulisi niistä halpoja 5-7 eurosentin hintaisia. Eli hinta romahtaisi muutamasta eurosta muutamaan senttiin. Budjetti riittäisi siis 100 kertaiseen määrään ennusteita. 30 miljoonasta ennusteesta tulisi 3 tuhatta miljoonaa ennustetta. Vaikka Jevonsin paradoksi purisi, silti budjettivaroja voitaisiin kohdistaa laajempaan osaan arvoketjua. Esimerkiksi ylävirtaan, tuottamaan ennusteita niihin tapahtumiin, jotka myöhemmin johtavat jonkin tapahtuman osapuolet tuon viraston riitaisiksi asiakkaiksi. Tai sitten tuota satakertaiseksi kasvanutta älykästä kyvykkyyttä voitaisiin kohdistaa alavirtaan, tuon viraston tekemän intervention jälkeiseen aikaan ikäänkuin jälkihuoltona.

Eli toisena kysymyksenä: meidän pitäisi muuttaa yllä kysymäämme kysymystä: Millaista hyvinvointia voisimme tällä toimialalla tuottaa 3 miljardilla eli kolmella tuhannella miljoonalla tekoälyn tekemällä ennusteella?

Myös muita muutoksia tapahtuisi. Edellä kerroimme, että ennusteiden hinnan laskiessa niiden ympärille syntyy ekosysteemipalveluita ja täydentäviä tuotteita. Koska nuo ennusteet olisivat nyt halpoja tehdä ja jakaa, ne olisivat helposti organisaatiosta toiseen siirrettäviä. Ne olisi helppo jaella kaikille asianosaisille ja niiden tuottamaa tietoa olisi mahdollista käsitellä eri tutkimuslaitosten ja julkisen sanan sovelluksin.

Tuo tieto demokratisoituisi. Viraston itse ei tarvitsisi olla kaikkien hyvien ideoiden Tonava. Oikeaan osuneet ennusteet ja väärät ennusteet muodostaisivat dataa, jota tuo asiankäsittelykone ja sitä käyttävä organisaatio käyttäisivät oppimiseen. Syntyisi älykäs life-long-learner kone: koko elinikänsä ajan oppiva virasto. Viraston ulkopuolella nyt helposti saatavilla olevat demokratisoituneet ennusteet aiheuttaisivat ketjureaktion. Peter Diamandis kuvaa tuon ketjureaktion tulosta sanalla abundance – ylenpalttisuus – ja tuota ketjureaktiota itseään termillä digitaalisen talouden 6 D -kirjainta.

Tekoälyt tulevat olemaan seuraavan teknologiaa uudella tavalla tuottavan sivilisaation keskeistä, yleiskäyttöistä infrastruktuuria. Hyvinvointikoneiden tekoälyjä tuottavien yritysten liiketoimintamallin ytimen pitää siksi sisältää kuvaus siitä, kuinka ylläkuvatun arvonluontiprosessin aikana syntynyt arvonlisä ja ulkoisvaikutukset otetaan talteen ja jaellaan niin, että tuotettu arvo ja sen synnystä aiheutuneet kustannukset ja ulkoisvaikutukset ohjautuvat koko yhteiskunnalle ja ihmiskunnalle. Sen lisäksi, että rahoitus ja ansaintamallit kuvaavat arvon muodostus käyrän arvon sieppaus (alla: Value capture) vaiheen, on kyettävä kuvaamaan myös value devolution vaihe, arvon sironnan mekanismit ja logiikka. Tätä ominaisuutta ei yksikään AI yritys vielä kykene tai ole halukas tarjoamaan.

Visio siitä, kuinka virastot tuottavat arvoa tulevaisuudessa

Myös ne, jotka yllä viitatussa kokouksessa odottivat puheen siirtyvän budjettisäästöihin, joutuivat pettymään. Tekoälyn käyttöönotto ja laskeva budjettikehys ovat kaksi eri asiaa, jälkimmäinen ei seuraa ensin mainitusta. Paljon todennäköisempää on, että ennusteiden hinnan romahdusta seuraa sähkövalon käyttöönotosta tuttu nk. Jevonsin paradoksin kuvaama ilmiö: kun ennusteiden hinta romahtaa, niiden käyttö kasvaa kiihtyvällä vauhdilla. Jossain kohtaa tuo kasvu käyttää energiaa ja resursseja enemmän kuin tehostumisesta johtuen säästyy, mutta tuottavuus kasvaa ja jos toimimme oikein myös hyvinvointi. Olemme kuvanneet Jevonsin paradoksin lyhyesti sitä käsittelevässä blogissa.

Jevonsin paradoksi ennustekoneisiin sovellettuna sanoo: Samalla kun ennusteiden hinta romahtaa, kasvaa niihin käytetty rahamäärä ja energia. Ennusteiden arvoketjun ylävirran tarkastelu osoittaa, että ennusteiden käytön kasvua seuraa noille ennusteille komplementaaristen tuotteiden, datan, sensoreiden, optiseen havainnointiin tarkoitettujen laitteiden, luonnollisten kielten prosessoreiden, paikan, tilan, esineiden ja asioiden havainnointiin käytettyjen mobiilisovellusten ja lopulta tietojen tarkistuspalveluiden kysynnän ja tarjonnan kasvu. Ennusteiden ympärille syntyy niitä palvelevia ekosysteemejä. Tämä ei välttämättä käynnisty tuon organisaation huipulta: laintulkintaosaston ylitarkastajien pöydille ei ensimmäisenä ilmesty N:nen kertaluvun loogisia operaatioita tekeviä AI-hiiriä. Sen sijaan tuota teknologiaa alkaa ilmestyä heidän toimistojensa ala-auloihin, fyysistä turvallisuutta ja bioturvallisuutta valvoviin valvomoihin, kiinteistön puhtaudesta, toimintojen eettisyydestä ja kestävän kehityksen mukaisuudesta huolehtiviin toimintoihin. Varmaa kuitenkin on, että lopulta tuo teknologia saavuttaa myös nuo virastojen ylimpiin kerroksiin muumioituneet.

Silloin, seuraavassa aallossa, organisaatiot alkavat muuttaa toimintaansa ja strategioitaan. Pian tuon organisaation johdon #1 kysymys kuuluu: Voimmeko muuttaa liiketoiminta-kysymyksemme ennustekysymyksiksi? Virastojen oikeuspalvelu-yksiköiden johtajat kysyvät: Voimmeko muuttaa lain operatiivisen toimeenpanon ennusteisiin perustuvaksi? Vaikka oikeuspalveluissa ollaan epäileviä heidän esihenkilönsä, viraston ylijohtaja ja hänen tulosohjaajansa kysyvät: kuinka voimme muuttaa lain operatiivisen toimeenpanon ennusteisiin perustuvaksi? Siis he eivät kysy “voimmeko?” vaan “kuinka?” Asiakaspalvelujohtajat kysyvät: Voimmeko muuttaa palvelujemme kuluttajille tekemämme kysymykset ennustekysymysten muotoon? CTO:t ja CDO:t kysyvät kuinka muutan asiankäsittelykoneeni ja prosessini ja työjononi ennustekoneiksi?

”Minkä osan toiminnastamme voimme muuttaa ennuste ongelmiksi?

Kuinka organisoidumme ennusteiden ympärille? Talouden näkökulmasta tekoälyn keskeinen vaikutus on hyvin yksinkertainen. Erittäin laadukkaiden ennusteiden hinta romahtaa ja ne tulevat kaikkien saataville. Ennusteet ovat päätöksenteon yksi keskeinen elementti. Kun niiden hinta laskee, prosessit, strategiat, lait ja ansaintamallit muotoillaan ennusteita hyödyntäviksi.

Jos haluat, että lähetämme sinulle hyvinvointikoneiden tekoälypalvelujen oikeanlaista järjestämistä koskevan esitteen, pyydä sitä alla olevalla lomakkeella. Jos haluat, että kuvaamme sinulle kuinka sinun organisaatiosi hyötyisi ennusteiden hinnan romahduksesta voit halutessasi käyttää samaa lomaketta ja pyytää yhteydenottoa. Lomake lähettää sähköpostin Fibeliuksen perustajalle ja toimitusjohtajalle, siitä ei jää jälkeä yrityksen asiakastietorekisteriin eikä muuallekkaan Fibeliuksen järjestelmiin.