Tekoälystä puhutaan paljon, mutta usein esimerkeissä ja juhlapuheissa keskitytään vain sen tuotoksiin. Tekoäly (koneoppivat ohjelmat, syväoppivat jne.) pitää kouluttaa. Tässä kirjoituksessa käydään läpi, millä kolmella keinolla voidaan tekoäly kouluttaa ja mitä se voi tarkoittaa asiakaskokemusta kehittäessä. Nämä perustuu omaan kokemukseemme.
1. Itseoppiva tekoäly
Itseoppivassa tekoälyssä ollaan alussa määritetty koneelle onnistumisen kriteerit, ja aina uusia eri tapauksia kohdatessaan se lisää ne omaan opetusaineistoonsa ja pystyy hyödyntämään niitä tulevia tapauksia tarkastellessa. Asiakaskokemuksen näkökulmasta tämä voisi tarkoittaa esim. verkkokaupan optimointia siten, että onnistuminen tarkoittaa loppuun vietyä ostosta. Näin asiakkaan polulla on vähemmän esteitä, hänelle tarjotaan puhuttelevampaa sisältöä ja jotkin asiakaskokemukseen negatiivisesti vaikuttavat asiat saadaan siivottua pois. Itse kuitenkin yleensä haluan ymmärtää, miksi asiat tapahtuvat ja itseoppiva ei sitä oikein tarjoa
Edut
+ Ei tarvitse valvoa
+ Voi antaa itse optimoida itsensä
+ Voi luoda uutta itsenäisesti
+ Nopea ja tehokas
Haitat
- Hyöty tulee isoissa volyymeissä, joissa on varaa epäonnistumisiin
- Vaatii usein puhtaasti digitaalisen ympäristön.
- Riippuu todella paljon onnistumisen kriteereistä, ja voi päätyä kokonaisuuden kannalta huonoon osaoptimointiin
- Ei vastaa kysymykseen "miksi?"
2. Valmis aineisto
Valmis aineisto tarkoittaa sitä, että kouluttajalla on aiempaa dataa, jonka pohjalta arvioidaan sitten uusia tapauksia. Tällaista aineistoa voi olla esimerkiksi asiakasrekisteri tai vaikkapa asiakaspalauteet yhdistettynä tietoon asiakkuuden lifetime valuen suuruudesta. Näin voitaisiin luoda malli, jonka ennustaa mistä tahansa spontaanista asiakaspalautteesta, onko kyseessä paljon tuottava asiakas vai satunnainen pistäytyjä. Esimerkiksi käytimme hieman vajaata miljoonaa tuotearvostelua opettamaan tekoälymme tunnistamaan tieto, suositellaanko arvosteltua tuotetta vai ei.
Hyödyt
+ Aineistoa valmiiksi jo usein suuret määrät saatavilla, niiden merkitystä ei vielä vaan ole ymmärretty
+ Perustuu oikeisiin esimerkkeihin, ei mielikuvitukseen
Haitat
- Historiallinen aineisto ei aina usein ennusta nykypäivää
- Vaatii aikaisempaa dataa tai aiemmin koulutetun mallin
3. Kouluta itse
Tässä luodaan itse kriteerit, joiden mukaan tekoäly arvioi tulevia tapauksia. Esimerkiksi asiakaspalautteista arvioidaan niiden sävy tai aihepiiri. Eräässä casessa luokittelimme asiakaspalautteista asiakaspolun eri vaiheet käsin ja jatkossa tekoäly poimi automaattisesti jokaisen uuden asiakaspalautteen aiheen ja vaiheen.
Hyödyt
+ Aiheista tulee käytännön kannalta merkityksellisiä ja hyödynnettäviä eikä vain matemaattisesti yhteneviä
Haitat
- Työlästä kun tekoäly ei yleensä ihan muutamalla esimerkillä opi
- Mielensisäiset mallit eivät aina käänny yhteneviksi ja toimiviksi matemaattisiksi malleiksi ja tekoälyn tulosten laatu ei ole hyvä.
- Luokittelijat eivät aina pääse yhteisymmärrykseen, onko luokittelu oikein
- tekoäly toistaa myös luokittelijoiden ennakkoluulot
Näiden välillä on erilaisia hybridejä. Esim. paljon käyttämämme aihepiirimallinnus (topic modeling), jossa annettaan joitain yleispäteviä lingvistisiä kriteerejä datalle, ja näiden avulla muodostetaan aineistosta itsejärjestyviä luokkia. Näin voidaan esimerkiksi luokitella ennaltatuntematonta aineistoa. Näin esimerkiksi teimme Helsingin kaupungin elinkeino-osaston NPS-tiedon kanssa.
Aina pitää kuitenkin muistaa, että kaikki lähtee opetusaineiston laadusta. Kuten sanonta kuuluu, GIGO, Garbage in, garbage out, jos laittaa roskaa sisään niin saat roskaa ulos. Parhaimmatkin tekoälyt tuottavat sekundaa, jos opetusaineisto ei ole hyvää.
-O
Comments