Parempaa analytiikkaa systemaattisella tekoälyn käytöllä

Kerroimme viimeksi, miksi tekoälyä kannattaa hyödyntää yrityksen analytiikassa. Historiadataan pohjautuvat ennusteet tulevasta liiketoiminnasta toimivat mainiona päätöksenteon tukena, kunhan odotukset ovat realistisia ja kaikki tärkeät sidosryhmät sitoutuvat tekoälyn käytön kehitystyöhön. 

Valitettavasti tekoälyä käytetään yhä usein ad hoc -tyyppisesti yksittäisiä ongelmia ratkomaan. Tekoälyn hyödyntämistä kannattaa ajatella systemaattisena kehityskohteena, kuten kaikkea muutakin digitalisointiin liittyvää tekemistä. Väitämme, että tekoälyä käytettäessä hyödyttäisiin merkittävästi ohjelmistokehityksen puolelta tutusta systematiikasta, esimerkiksi seuraavista DevOpsin keskeisistä opeista.

Versiohallinta

Moderni sovelluskehitys ei olisi mahdollista ilman toimivaa versiohallintaa kuten Gitiä. Se mahdollistaa tiimin koordinoidun toiminnan saman koodin parissa ja läpinäkyyvyyden muutoksiin versiosta ja julkaisusta toiseen. Versiohallinta on myös keskeinen komponentti continuous integration ja continuous delivery -järjestelmissä (CI/CD).

Tekoälyn toiminta riippuu aina siitä mitä dataa tekoälyn kouluttamiseen on käytetty. Tekoälylle on tärkeä tehdä versionhallinta, koska yleensä jokainen tekoälyn versio koulutetaan erilaisella datalla. Kun versiohallintaan on mallin parametrien lisäksi tallennettu tieto käytetystä datasta ja näillä aikaansaaduista testituloksista, voidaan näitä tietoja verrata tuotannosta saatuihin tietoihin, ja oppia millaisilla parametreilla ja datalla tekoäly pärjää parhaiten tosielämän käyttökohteissa. 

Yhteistyö

Yksi DevOpsin olennaisista periaatteista on ajatus vahvasta yhteistyöstä eli kollaboraatiosta, yhdistäähän DevOps nimenäkin kehityksen ja IT-operaatiot. Tekoälysovellukset ja -mallit vaativat monipuolista osaamista useilta eri aloilta. Koska tekoälyn käyttö ei ole vain tekninen harjoitus, vaaditaan informaatioteknologian lisäksi liiketoiminnan ymmärrystä. Lisäksi saatetaan tarvita osaamista esimerkiksi tilastotieteestä, koneoppimisesta, ohjelmoinnista ja käyttäjäkokemuksesta. 

Olipa kyse sitten ohjelmistokehityksestä tai samojen periaatteiden hyödyntämisestä tekoälymallien kehityksessä, on hyvä ymmärtää kulttuurillisen ulottuvuuden merkitys näiden menestyksekkäässä saavuttamisessa.

Everything-as-Code eli kaikki-on-koodia

"Everything-as-Code” eli kaikki-on-koodia -ajattelu sovelluskehityksessä pyrkii automatisoimaan versiohallitusti kaiken mahdollisen. Tyypillisimmin tämä näkyy infrastruktuuri- (IaC) ja testiautomaatiossa, mutta soveltuu myös esimerkiksi tietoturvaan, pääsynhallintaan ja monitorointiin. Automaatio takaa toistettavuuden, nopeuttaa kehittämistä dramaattisesti ja poistaa käsin tehtäviin työvaiheisiin vääjäämättä kuluvan virheiden mahdollisuuden. Hyvin tehty automaatio itsessään toimii myös dokumentaationa.

Analytiikan tuottaminen on monissa organisaatioissa edelleen yksittäisen henkilön tai henkilöiden harteilla, vailla tarvittavaa systematiikkaa. Kun automaatio ja versionhallinta ovat kunnossa, voidaan analytiikan kehitystä helpottaa huomattavasti, niin että manuaaliset työvaiheet vähenevät, eikä itse tekeminen ja lopputulosten ymmärtäminen henkilöidy niin vahvasti.

Jatkuva palaute

DevOpsiin kuuluu olennaisesti järjestelmän toiminnasta saatava jatkuva palaute. Pilvipohjaiset palvelut tarjoavat nykyisiä erittäin hyviä työkaluja sovellusten monitorointiin ja lokitukseen. Jotain voi aina hajota, ja hyvät kirjaukset helpottavat ongelmatilanteiden selvittämistä. Jatkuva palaute on tärkeää myös tekoälymalleja kehitettäessä, sillä sen avulla voidaan valvoa datan laatua, ymmärtää mallien toimintaa ja ratkoa mahdollisia ongelmia. 

Mikropalvelut

Vanhat raportointijärjestelmät ovat usein monoliittejä, joiden eri osat on bundlattu yhteen – vain yhden osan korjaaminen tai modernisointi ei ole mahdollista. Sovelluspuolelta tutulla mikropalvelu-mallilla sovellus voidaan jakaa loogisiin kokonaisuuksiin, joista jokainen hoitaa jonkun kokonaisuuden, kuten vaikka olennaisen tiedon ekstraktoinnin raakadatasta. Tällä tavalla rakennettuna myös tekoälymallista voitaisiin korvata  toimimattomat osat ilman koko sovelluksen muuttamista.

Moderni analytiikan kehitys on jo pidemmän aikaa siirtynyt kohti mikropalveluita. Viimeisin käänne saagassa on ollut datan transformaatiotyökalujen ja niin sanotusti perinteisten BI-järjestelmien yhä vahvemmassa erottautumisessa. Kokonaisuudessa on vielä toki paljon tehtävää, jotta päästään aidosti läpinäkyvään analytiikkaan.

Ketteryys

Moderni sovelluskehitys on ketterää ja iteratiivista. Tekeminen pilkotaan osiin ja sovellus rakennetaan inkrementaalisesti pyrkien aina maksimoimaan inkrementissä sovelluksen käyttäjille tuotettu arvo. Kehitys on luonteeltaan jatkuvaa, ei niinkään projekti, jolla on tarkkaan määritelty alku- ja loppupiste. Ketteryys sopii erinomaisesti tekoälyn kehittämiseen. Tekoälymallit toimivat sitä paremmin, mitä enemmän ja mitä parempilaatuista dataa niiden opettamiseen on käytetty, ja ketteryydelle ominainen iterointi ja sisäänrakennettu “palautekanava” tukevat tätä.

Yhdessä kohti systemaattisempaa tekoälyn hyödyntämistä

Tekoälyn ympärillä pyörii valtava hype. Toiset puhuvat valtavista mahdollisuuksista, toiset karmivista uhista. Todellisuus tällä hetkellä on huomattavasti maltillisempi. Lähes kaikki yritykset voisivat hyötyä tekoälyn käytöstä, yhtenä esimerkkinä analytiikassa ennustemallien rakentajana. Noiden mallien kehittämisessä hyödyttäisiin ohjelmistokehityksestä tutuista systemaattisen kehittämisen tavoista.

Raportoinnin modernisaatio on paljon muutakin kuin teknistä kehitystä ja pilvipalveluiden hyödyntämistä – se on yhteisiä toimintamalleja ja käytänteitä. Jos haluat kuulla lisää aiheesta ja siitä, kuinka ennakoiva analytiikka ja tulevaisuuden ennusteet antavat voimaa strategiseen suunnitteluun, järjestimme sinua kiinnostavan webinaarin 26.10.23. Tallenteen pääset lataamaan täälta