Tehisintellekt kõrvaldab sinu äri suurima probleemi

Meie ümber toimetavaid kratte ehk tehisintellekti rakendusi tekib iga päevaga aina juurde. Mõned neist paistavad hästi silma, pean silmas teenindusroboteid või biomeetrilist isikutuvastust. Teised teevad aga tööd n-ö köögipoolel, kus vaid erialaspetsialistid oskavad neid märgata.

Tehisintellekti kasutuselevõtt ei oma aga praktilist väärtust, kui projekti algus on lohakas või poolik ning on jäänud täpselt sõnastamata, millist ärilist probleemi lahendama hakatakse. Seega peab kogu järgnev jutt paika eeldusel, et ettevõttel on olemas läbivaieldud ning selgeksmõeldud protsess, mida automatiseerima asutakse.

Siit edasi on äärmiselt oluline aru saada, et kõik projektid – millegi loomine, parendamine, elukaare jätkusuutlikuna hoidmine või hoopis lõpetamine – on inimeste koostöö viljad. Kõige edukamalt laabuvad need juhul, kui inimeste vahel suhted toimivad ja kõik annavad endast maksimumi.

Sõltuvalt loodava krati keerukusest võib inimeste arv projektis varieeruda, mistõttu ei räägi ma siinkohal niivõrd konkreetsetest töötajatest, vaid teadlikust ülesannete täitmisest ehk rollidest tiimis. Minimaalne arv inimesi on iga rolli puhul üks, ent teatud juhtudel võib vajadus olla ka suurem.

Kõik saab alguse ärilise probleemi omanikust ehk inimesest, kellel on mure. Just rõhutatult inimesest, sest ettevõtetel ei ole probleeme – selle ettevõtte erinevaid funktsioone täitvatel inimestel on.

Kui ettevõte on halvasti juhitud, on mure eelkõige omanikel ja juhatusel, sest sel juhul pole ettevõte kasumlik. Hästi ja teadlikult juhitud ettevõttes peavad probleemid olema spetsialistide või maksimaalselt keskastme juhtide omad. Kui nemad tajuvad oma rolli ettevõtte toimimises, siis leiavad ka kohad, kuidas olla homme efektiivsem kui täna. See on teadlikult nende vastutus ja seda läbivalt kogu organisatsioonis.

Tehisintellekti rakenduste ehk krattide võlu seisnebki selles, et need projektid ei saa (ega tohigi) algust saada IT-valdkonnast, vaid just nendest töötajatest, kellel on oma valdkonnas mure. Ja see valdkond võib olla raamatupidamisest teeninduseni või juriidikast mehhatroonikani.

Sellel muret tundval inimesel on krati projektis üks neljast kandvast rollist. Tema on see, kes:

-sõnastab, millist probleemi hakatakse lahendama ja miks see on oluline (ehk mida soovitakse saavutada);

-teeb ära analüüsi (GAP) ja jõuab järeldusele, et tema tuleviku ideaalpildi ja tänase olukorra vahele on vaja protsessi automatiseerimist;

-tahab panustada kõigesse järgnevasse olulise osa enda ja oma tiimiliikmete ajast ehk mõistab, et see ei ole lihtsalt järjekordne IT arendustellimus, kus kirjeldatakse nõuded ning jäädakse helget tulevikku ootama, sel ajal kui IT-võlurid oma maagiat teevad;

-valib välja objektiivsed mõõdikud hindamaks, et kratist tõepoolest on kasu ning ideaalis seab tiimile ka eesmärgid;

-pidevalt ja jooksvalt tõlgendab ja tagasisidestab valmivat krati arendust ning mis peamine – loob ärilised protsessid, mis tagavad krati jätkusuutliku toimimise ka pärast arendustööde lõppu.

Äärmiselt oluline on, et seda kõike teeb päriselt see inimene, kes antud probleemi äriliselt tajub ja südames kannab. Võib tunduda, et see on täiesti eraldi inimese jagu tööd ning võiks selle tarbeks projektijuhi võtta, sest mure tõstatajal pole oma töö kõrvalt aega sellega tegeleda... Vastus on kindel ei!

Kui ärilise probleemi lahendajale tundub, et mure lahendamisele sel viisil kulub liialt aega ja energiat, pole kratt õige abimees. Kas ei ole probleem piisavalt oluline, et seda üldse lahendada või leidub lihtsamaid ja odavamaid viise, kuidas seda teha.

Kui aga eelnevad punktid on saanud energilise peanoogutuse, tasub edasi liikuda järgmise rollini, mis hakkab andmetega tegelema.

Kui inimhinge anatoomia on keeruline ja mõistatuslik, siis krattide puhul on mõned retseptikomponendid väga selged. Krati loomiseks on vaja andmeid ning projekt vajab inimesi, kes nendes andmetes hästi orienteeruvad.

Tehniline termin, mida siinkohal kasutatakse, on data engineering. Tasub teada, et kratilt ei saa erilisi tulemusi oodata, kui pole häid ja objektiivseid andmeid, mille peale tema tarkust ehitada.

Esimeseks sammuks on aru saada, kas automatiseerimist vajavas protsessis on olemas algallikad (IT-süsteemid), mis digitaalseid andmeid koguvad. Kui pole, on olukord mõnevõrra nukker ja tuleb kõigepealt algatada projektid, et need andmeid üldse tekiks ja kratinduse juurde hiljem tagasi tulla.

Kui aga on, tuleb neile esmalt kriitilise pilguga peale vaadata. Igasugune digitaalne pahn, mis kusagile ladestub, ei ole kindlasti kratikõlbulik materjal. Väga heaks lakmustestiks on seesama ärilise probleemi omanik. Kui tema oskab lahti selgitada, mis järjekorras ja milliseid tegevusi ta teeb ning millistest andmetest midagi järeldab, siis saab andmete spetsialist hinnata, kas see kõik on suurtes kogustes masintöödeldav ning algoritmile alati üheselt tõlgendatav.

Osapooled peavad kohe alguses endale aru andma, et masinõppe projektid vajavad väga palju parema kvaliteediga andmeid, kui mistahes muud IT-süsteemid omavahelises infovahetuses. Fakt, et meil on "arvutid omavahel suhelnud juba aastaid" pole kuldvõtmeke suurepärase krati käivitamiseks. Sellest on kahtlemata abi, ent on täiesti tavapärane, et just esialgsele andmete korrastamisele ja ülesehitamisele kulub krati loomisel valdav osa ajast.

Andmetes orienteeruja ehk data engineeringu rolli kandja(d) võtavad enda ülesandeks:

-luua algallikatest vajalikud andmestikud;

-tagada vajalik infrastruktuur andmete liigutamiseks;

-teha andmed andmeteadlase jaoks kättesaadavaks, kuna info võib pärineda (vahel mitmest) alliksüsteemist erinevates formaatides, erineva kvaliteedi, ühesehituse ja mahuga. Mudeli ehitamiseks on seega vaja ette valmistada n-ö toru, mis mitmesammulise protsessina viib andmed sobivale kujule, kontrollib/parandab nende kvaliteeti ja salvestab kokkulepitud formaadis edasiseks masinõppeks;

-vastutada andmete usaldusväärsuse ja kvaliteedi eest.

Data engineeringu osas pole vajalik, et kõike eelmainitut teeks üks inimene. Tihti toimib mudel nii, et on üks või rohkem inimest, kes mõistavad detailideni algallikaid ning nende omavahelisi seoseid ja oskavad luua protsesse, mis tagavad kvaliteedi ja jätkusuutlikkuse. Teine või rohkem inimesi oskavad aga ehitada andmete liigutamiseks mõeldud infrastruktuuri ja tegeleda tehnilise käideldavusega.

Viimast rolli on võimalik väga edukalt teenusepakkujalt sisse osta ja n-ö elu esimeste krattide puhul on seda äärmiselt mõistlik ka teha, sest kõikides ämbrites pole vaja ise kolistamas käia.

Kui andmed on üles leitud ja liikuma pandud, jõuame kolmanda rollini – andmeteadlane. Tõsi, lihtinimeste jaoks algab siit maagia ja müstika, kuigi see praktilises elus pole üks ega teine.

Andmeteadlase tööks on väga lihtsustades:

-puhastada andmemassiivid, et need oleksid hiljem mudeli jaoks kasutatavad;

-tuvastada andmetes mustreid või trende, millest probleemi lahendamisel oleks reaalselt kasu ehk mis ei ole lihtsalt tore kokkulangevus, vaid tõepoolest äriliselt sisuline korrelatsioon;

-luua ja treenida masinõppe mudeleid, mis saavad tegelikult krati tarkuseks;

-hinnata mudeli tulemuslikkust ja vastavust äriliselt seatud mõõdikutele;

-visualiseerida ja mõtestada tulemusi, et hinnata ärilise eesmärgi poole liikumise tempot.

See kõik on kombinatsioon matemaatikast, statistikast, programmeerimisest ja väikesest annusest biokeemiast. Seega on see päriselt ka täiesti eraldi spetsiifiline valdkond.

Juhul, kui on soov alguses mainitud äriline probleem päriselt lahendada, tasub kaaluda kahe variandi vahel. Kas värvata isiklikud andmeteadlased või leida partner, kes seda teenusena pakub. Mõlemal on plusse ja miinuseid, ent esimene variant on vähestel juhtudel õigustatud.

Hea andmeteadlane üldjuhul ei taha suurde, igavasse ettevõttesse tööle minna ning kõik suured ettevõtted on juba eos selle seltskonna jaoks üldjuhul igavad. Andmeteadlaste soov on ennast arendada ja täiendada läbi erinevate projektide. Andmeteadust teenusena pakkuvad ettevõtted toimetavad üldjuhul globaalsel turul ning saavad oma töötajatele seeläbi pakkuda oluliselt laiema haardega väljakutseid.

Elisa partneriks on juba pikalt olnud Eesti masinõppe ja andmeteaduse ettevõte MindTitan ning nende kaasamine on meie senisel teekonnal peamiseks edukriteeriumiks. Enda andmeteadlaste tiimi loomine sobib ettevõttele, kelle põhiäri kriitiliseks osaks on mõni kratt või soovitakse selle poole liikuda.

Kuigi võib tundub, et nüüd on kõik olulised asjad justkui tehtud – olemas on äri ja probleem, andmed liiguvad, andmeteadlased loovad mudeleid, siis tegelikult on neljas roll veel puudu. Vaja on kedagi, kes selle kõik omavahel kokku mängima paneb.

Nagu alguses öeldud, pole ettevõtetel probleeme ning samuti pole ka projekte. Kõik, mis päris elus toimub, on taandatav inimeste vahelisele suhtlusele ning just see viimane saab enamiku ettevõtmiste jaoks saatuslikuks. Edukad projektid ja antud loo kontekstis efektiivsed kratid sünnivad, kui inimesed teevad, mis neil kõige paremini välja tuleb.

Võtame nüüd ühe lennukalt mõtleva, tihtipeale entusiastliku ja emotsionaalse äripoole esindaja, kes mõtleb ja räägib kliendikesksusest ja päris elust. Seejärel paneme tema kõrvale rahuliku ja süsteemselt mõtleva andmeaida spetsialisti, kes soovib olukorda kirjeldada süsteemi parameetrite järgi ning faktipõhiselt. Lisame tõenäoliselt majavälise andmeteadlase, kes päris täpselt ei saa aru, millisele küsimusele peaks oskama vastata ja kes üldse mida tahab. Siis jõuavad nad üsna kiiresti järeldusele, et see asi ei vääri küünlaid. Koostöö on konarlik, tõlkes läheb palju kaduma ning inimesed tunnevad ennast ebamugavalt.

Kriitiline element ehk neljas puuduolev roll on tehisintellekti lahenduste või masinõppe äriline tootejuht. Vahel nimetatakse teda ka projektijuhiks, ent see justkui viitaks mingile ajutisele rollile. Sõltumata ametinimetusest pole see roll ajutine, vaid kratiga majapidamises selleks ühendavaks jõuks, mis paneb kõik eeltoodu omavahel kokku mängima.

Tegemist on inimesega kes:

-mõistab nii äripoolt ehk ettevõttes toimivaid protsesse kui ka nende tehnilist tausta. Lisaks teab uures plaanis, mis on programmeerimine ja masinõpe ning millised on nende erinevused;

-suhtleb hästi ja toimib „tõlgina“ erinevate osapoolte vahel, seega suudab selgitada „kandiliselt“ mõtlevatele inimestele, miks klient karjub või vastupidi lennukaid ideid genereerivale juhile, miks on vaja protsess üles joonistada või miks see kõik juba homme tööle ei hakka;

-oskab inimesi maatriksis juhtida ehk valdab võimuta juhtimise baastehnikat;

-hoolitseb, et meeskond oleks tulemuslik, püsiks oma rollide piires ning kõik teaksid, mis on igal hetkel teiste osapoolte ootused.

Tehisintellekti rakendamiseks ehk krati loomiseks on kõik komponendid täna juba olemas. Loomulikult teadus teeb oma tööd ja kõik areneb, ent see pole vabanduseks, et selle teekonnaga mitte veel alustada.

Kui soovid, et sinu ettevõte oleks konkurentsivõimeline ka viie aasta pärast ning teil on olemas äriline probleem, mille saab automatiseerimisega lahendada, leia need neli rolli ja hakka pihta. Kui tehisintellekti töövahendina õigesti kasutusele võtta, toetab see edukalt ettevõtte strateegiliste eesmärkide saavutamist.