Tekoälykeskustelua hämärtää se, että sana tekoäly tarkoittaa välillä kaikkea mahdollista ja välillä vain ChatGPT:n kaltaista keskustelupalvelua. EU:n tekoälyasetuksen määritelmä on niin laaja, että kirjaimellisesti tulkittuna sen alle mahtuu suuri osa nykyisestä ohjelmisto-, analytiikka- ja automaatiotekniikasta: jos järjestelmä päättelee syötteistä, miten tuottaa ennusteita, sisältöä, suosituksia tai päätöksiä, se kuuluu jo tekoälyn piiriin. Siksi tarvitsemme tarkempaa sanastoa.
Ehdotan, että tekoälyä jäsennetään kahdella akselilla. Ensimmäinen kertoo, mitä järjestelmä tekee: generoi vai analysoi, ennustaa ja optimoi. Tämä on klassinen tapa luokitella tekoälysovelluksia. Generatiivisten ratkaisujen yleistyessä toiseksi akseliksi on muodostunut generatiivisen sovelluksen kehitysaste. Se, toimiiko malli vain perusmallin avulla, vai onko siinä myös hakuja, ulkoisia tietolähteitä tietolähteiden tai agenttimaisia työnkulkuja. Sama ratkaisu kuuluu yleensä useaan luokkaan yhtä aikaa.
Generatiivisen ja agenttimaisen tekoälyn taustalla on usein perusmalli eli foundation model. Se on laajalla datalla koulutettu yleiskäyttöinen malli, jota voidaan sovittaa moneen tehtävään. Perusmalli ei kuitenkaan vielä ole tuote; vasta sen ympärille rakennettu ohjeistus, käyttöliittymä, haku, työkalut, muisti ja turvarajat tekevät siitä avustajan tai agentin.
Käyttötarkoituksen mukaan
Generatiivinen tekoäly (Generative AI):
Luova generointi (Creative Generation):
Käyttötarkoitus Tekstin, kuvien, äänen, videon ja koodin tuottaminen.
Kuvaus: Generoi uutta sisältöä aiemman aineiston rakenteita mallintamalla. Lopputulos voi olla hyödyllinen, omaperäinen ja vakuuttava, mutta ei automaattisesti tosi. Luovan generoinnin erityissovellus on ohjelmointikoodin kirjoittaminen tai analysointi, jossa tekoäly on erityisen hyvä ohjelmointikielten loogisen rakenteen johdosta.
Vuorovaikutteinen generointi (Interactive Generation)
Käyttötarkoitus: Keskustelu, ideointi, opastus, luonnostelu ja käyttöliittymissä toimivat avustajat.
Kuvaus: Mukauttaa sisältöä käyttäjän kysymykseen, keskusteluhistoriaan ja annettuun kontekstiin. Tämä on se generatiivisen tekoälyn muoto, jonka useimmat tunnistavat chatbotiksi.
Simuloiva generointi (Simulative Generation):
Käyttötarkoitus: Skenaariot, suunnitelmavaihtoehdot, konseptit ja sellaisten tilanteiden hahmottelu, joita ei vielä ole olemassa.
Kuvaus: Tuottaa vaihtoehtoisia tulevaisuuksia tai ratkaisuavaruuksia ihmisen arvioitavaksi. Simulointi ei vain ennusta todennäköisintä menneisyyden toistoa, vaan auttaa hahmottamaan uusia mahdollisuuksia.
Tässä luokittelussa algoritmiperheet, kuten GAN:t, diffuusiomallit ja transformerit, kannattaa siirtää erilliseen mallitekniikan sanastoon. Ne kuvaavat toteutustapaa, eivät käyttötarkoitusta.
Toiminnallinen tekoäly (Operational AI):
Analysoiva tekoäly (Analytical AI):
Käyttötarkoitus: luokittelu, poikkeamien tunnistus, segmentointi ja data-analyysi.
Kuvaus: Etsii datasta rakenteita, joita ihminen ei ole kirjoittanut valmiiksi yksityiskohtaisina sääntöinä.
Optimoiva tekoäly (Optimizing AI):
Käyttötarkoitus: reititys, resurssien kohdistus, tuotannon ohjaus, energian käyttö ja aikataulutus.
Kuvaus: Etsii paremman ratkaisun tunnettuun tavoitteeseen, kuten pienempään kustannukseen, lyhyempään aikaan tai suurempaan tuottoon.
Ennakoiva tekoäly (Predictive AI):
Käyttötarkoitus: kysyntäennusteet, riskimallit, huoltotarpeen ennakointi ja muut todennäköisyysarviot.
Kuvaus: Arvioi, mitä todennäköisesti tapahtuu seuraavaksi historiallisten havaintojen perusteella.
Suositteleva tekoäly (Prescriptive AI):
Käyttötarkoitus: Päätöksenteon tuki, personointi, suositusjärjestelmät ja vaihtoehtojen priorisointi.
Kuvaus: Ei vain ennusta, vaan ehdottaa mitä kannattaisi tehdä annetun tavoitteen näkökulmasta. Pitkäaikainen erityissovelluskohde on verkkomainonnan kohdennus.
Autonominen tekoäly (Autonomous AI):
Käyttötarkoitus: Robotit, itseohjautuvat digitaaliset prosessit, teollinen automaatio ja ajoneuvosovellukset.
Kuvaus: Tekee ja toteuttaa päätöksiä osittain tai kokonaan ilman ihmisen jatkuvaa ohjausta. Siksi turvallisuus- ja luotettavuusvaatimukset ovat tässä luokassa poikkeuksellisen korkeat.
Generatiivisen tekoälyn kehitysvaiheet
Perusmallipohjainen tekoäly
Perusmallipohjainen tekoäly rakentuu foundation-mallin varaan. Tällaisen järjestelmän tärkein piirre on yleiskäyttöisyys: sama perusmalli voi kirjoittaa, tiivistää, kääntää, ohjelmoida, analysoida kuvia ja vastata kysymyksiin. Nykyiset alustat eivät kuitenkaan yleensä sido käyttäjää yhteen malliin. Niissä on orkestrointikerros, joka valitsee tehtävään sopivan mallin tai päättelytilan. Esimerkiksi ChatGPT tekee tämän osittain näkyväksi automaattisena toimintatilojen vaihtona. Esimerkiksi Copilotin eri versioissa, Claudessa ja Geminissä sama periaate näkyy eri tutkimus-, haku- ja agenttiominaisuuksina, vaikka varsinainen mallivalinta jää useammin käyttöliittymän taakse.
Hakua hyödyntävä tekoäly
Hakua hyödyntävä tekoäly ankkuroidaan ulkoisiin lähteisiin. Käytännössä tämä tarkoittaa verkkohakua, tiedostojen lukemista, yritysdatan hakemista tai liittimiä muihin järjestelmiin. Tähän luokkaan kuuluu myös grounding ja generatiivisen puolella tunnettu RAG eli retrieval-augmented generation. Olennaista on, että malli ei toimi vain koulutusdatansa pohjalta vaan tuo mukaan ajantasaisia tai organisaatiokohtaisia lähteitä.
Tämä on nykyisten tekoälyalustojen keskeinen toimintatapa. ChatGPT voi hakea verkosta automaattisesti ja käyttää myös tiedostoja ja yhdistettyjä sovelluksia. Microsoft 365 Copilot yhdistää web-groundingin ja work-groundingin, jonka tietoturva toteutetaan Microsoft Graphilla. Claude hakee tietoa verkosta ja liitetyistä työvälineistä. Gemini Deep Research käyttää oletuksena Google Searchia ja voi hyödyntää myös Gmailia, Driveä, tiedostoja ja muita lähteitä. Le Chat ja Perplexity tarjoavat vastaavasti monivaiheista, lähteistettyä tutkimusta.
Agenttimainen tekoäly
Agenttimainen tekoäly on toimintatapa, ei pelkkä mallityyppi. Agentti suunnittelee työn, pilkkoo tehtävän osiin, päättää milloin hakea lisätietoa, milloin käyttää työkalua ja milloin pyytää käyttäjältä vahvistuksen. Siksi agentti voi esimerkiksi selata sivuja, täyttää lomakkeita, luonnostella ja lähettää sähköposteja, muokata taulukkoja, käyttää yrityssovelluksia tai käynnistää työnkulun.
Tässä kohtaa chatbot-metafora käy liian kapeaksi. ChatGPT Agent, Copilotin agentit, Clauden Research-arkkitehtuuri ja Gemini Agent ovat kaikki esimerkkejä siirtymästä kohti tavoitteellista työnsuoritusta. Kun agentti lisäksi delegoi osatehtäviä muille agenteille, puhutaan moniagenttisesta tekoälystä. Silloin yksi agentti johtaa tehtävää ja muut suorittavat osia rinnakkain.
Nykyiset tekoälytuotteet, kuten ChatGPT, Microsoft 365 Copilot, Claude, Gemini, Le Chat ja Perplexity, eivät siksi ole enää parhaiten ymmärrettävissä yksittäisinä malleina. Ne ovat tekoälyalustoja, joissa orkestrointikerros arvioi käyttäjän kehotteen ja valitsee tilanteeseen sopivan käsittelytavan: nopea vastaus, syvempi päättely, verkkohaku, tiedostoanalyysi, yritysdatan grounding tai agenttimainen suoritus. Tämä on olennainen muutos myös terminologian kannalta.
Tehtäväkohtainen tekoäly
Tässä luokittelussa on käytetty esimerkkeinä yleisesti saatavilla olevia tekoälytuotteita. Suurin osa tekoälyn käyttötapauksista liike-elämässä on kuitenkin suunniteltu tiettyyn prosessiin. Näissä tapauksessa yleensä erilaisia tekoälytyyppejä yhdistetään tarpeen mukaan esimerkiksi digitaalisen kaksosen, optimaalisen valmistusprosessin tai laadukkaan asiakaspalvelun aikaansaamiseksi.
Valjasta data ja tekoäly käytännön voimavaraksi
