Tekoäly on jo arkea, mutta seuraava aalto nostaa paineita

Tekoäly on jo ehtinyt arkipäiväistyä: generatiivisia työkaluja käytetään sisältöjen luomisessa, tiedon etsimisessä ja asiakaspalvelussa siinä missä sähköpostia tai taulukkolaskentaa. Kyse ei enää ole siitä, kokeillaanko tekoälyä – vaan siitä, mihin kaikkeen sitä hyödynnetään.

Nyt keskustelun kärkeen ovat nousseet tekoälyagentit. Ne eivät ainoastaan vastaa kysymyksiin, vaan toimivat itsenäisesti: suunnittelevat, tekevät päätöksiä ja hyödyntävät muita palveluita tavoitteiden saavuttamiseksi, usein nopeammin ja tehokkaammin kuin ihminen.

Samaan aikaan tekoälyagenttien ympärille on syntynyt ilmiö, jonka moni tunnistaa: FOMO (fear of missing out). Sosiaalinen media ja uutiset täyttyvät tarinoista yrityksistä, jotka ottavat käyttöön uusia ja mullistavia AI-ratkaisuja. Tämä voi saada päätöksentekijät pohtimaan, pysyykö oma toiminta vauhdissa mukana, vai jääkö se kehityksen sivuraiteelle.

Juuri tämän FOMO:n hillitsemiseksi halusimme kirjoittaa tämän blogin. Tekoälyagentteihin ei kannata investoida vain hypen tai kiireen tunteen vuoksi. Parhaat hankintapäätökset syntyvät tiedon ja todellisen tarpeen pohjalta.

Jotta tekoälyagentit ymmärrettäisiin oikein, on ensin hyvä katsoa, mitä ne eivät ole. Tekoälyn nopea kehitys voi helposti hämärtää eri termien merkityksiä, joten pieni kertaus voi olla paikallaan.

Koneoppiminen

Koneoppiminen (machine learning) tarkoittaa sitä, että malli opetetaan tekemään päätöksiä datan perusteella.

Käytännön esimerkkejä:

• Verkkokauppa suosittelee tuotteita aikaisempien ostojen perusteella.

• Pankki havaitsee poikkeavan korttitapahtuman ja estää mahdollisen väärinkäytön.

Koneoppiminen ei luo uutta, vaan tunnistaa kaavoja ja tekee ennusteita tai päätelmiä olemassa olevan datan pohjalta.

Generatiivinen tekoäly

Generatiivinen tekoäly taas tuottaa uutta sisältöä sen sijaan, että vain analysoisi dataa. Se voi luoda tekstiä, kuvia, koodia tai vaikkapa musiikkia.

Käytännön esimerkkejä:

• ChatGPT laatii luonnoksia, artikkeleita ja vastauksia.

• MidJourney tai DALL·E luovat kuvia tekstikuvauksista.

Generatiivinen tekoäly nopeuttaa työntekoa ja rikastaa ideointia tuottamalla uusia sisältöjä ja näkökulmia nopeasti.

Tekoälyagentit – itsenäiset toimijat, jotka oppivat ja sopeutuvat

Tekoälyagentit eroavat ratkaisevasti koneoppimisesta ja generatiivisesta tekoälystä. Ne eivät ole vain työkaluja, jotka analysoivat dataa tai tuottavat sisältöä, vaan järjestelmiä, joilla on kyky saavuttaa sille asetetut tavoitteet itsenäisesti.

Agenttien ytimessä ovat edelleen suuret kielimallit (LLM, large language models), kuten ChatGPT tai muut vastaavat. Ne toimivat “aivoina”, jotka ymmärtävät ja tuottavat kieltä. Mutta pelkkä kielimalli ei vielä riitä, sillä sen tieto on rajallista ja sidottua sen koulutusaineistoon.

Agenttien erityisyys syntyy siitä, että ne osaavat käyttää työkaluja ja palveluita ympärillään: hakea reaaliaikaista tietoa, kutsua API-rajapintoja, tehdä verkkohakuja tai jopa toimia yhdessä muiden agenttien kanssa. Tämä tekee niistä paljon monipuolisempia kuin perinteiset LLM-pohjaiset keskustelevat tekoälysovellukset.

Miten tekoälyagentit toimivat? Kolme keskeistä vaihetta:

Tavoitteen määrittely ja suunnittelu

Vaikka agentti on autonominen, sen toiminta alkaa aina käyttäjän tai organisaation antamasta tavoitteesta. Kehittäjät rakentavat agentille säännöt ja rajoitteet, kun taas käyttäjä tarjoaa sille työkalut ja määrittelee konkreettisen päämäärän.

Agentti voi sen jälkeen pilkkoa tavoitteen pienemmiksi osiksi (“task decomposition”). Yksinkertaisissa tehtävissä tämä ei ole välttämätöntä, mutta monimutkaisemmissa se auttaa parantamaan lopputulosta.

Kuvittele esimerkiksi turisti tai vaikka matkatoimisto, joka pyytää agenttia suunnittelemaan hiihtoloman Lappiin. Tavoite on yksinkertainen: “Laadi viikon ohjelma, jossa on laskettelua, porosafari ja revontulien katselua.” Agentti jakaa sen pienempiin osiin: sopivien päivien valinta, hotellivaraus, ohjelmien aikataulutus ja kuljetusten suunnittelu.

Päätöksenteko ja työkalujen käyttö

Kun agentti kohtaa ongelman, jota se ei itse osaa ratkaista, se voi turvautua ulkoisiin työkaluihin tai palveluihin. Esimerkiksi verkkohakuun, sääpalveluihin, lentojen tai hotellien varausjärjestelmiin, tai jopa toisiin agentteihin, jotka ovat erikoistuneet tiettyyn aiheeseen.

Jatkaen aikaisempaa esimerkkiä, agentti huomaa tarvitsevansa ajankohtaista säätietoa, jotta se voi suunnitella parhaat päivät revontulien katseluun. Se hakee datan Ilmatieteen laitoksen rajapinnasta ja oppii, että kirkkaimmat yöt ovat todennäköisiä viikon puolivälissä. Samalla se voi kysyä toiselta agentilta, joka erikoistuu Lapin matkailuun, mitkä paikat tarjoavat parhaat olosuhteet revontulien näkemiseen. Agentti muokkaa suunnitelmaansa jatkuvasti uuden tiedon perusteella, vähän kuin kokenut matkaopas, joka säätää reittiä tilanteen mukaan.

Oppiminen ja reflektointi

Kun agentti on tehnyt ehdotuksensa, se tallentaa kokemuksensa muistiin. Käyttäjän palaute, esimerkiksi “hotelli oli hyvä, mutta ohjelmaa oli liian tiiviisti”, jää agentin mieleen seuraavia tehtäviä varten. Näin se pystyy tarjoamaan jatkossa entistä paremmin käyttäjän toiveisiin sopivia ratkaisuja.

Agentti voi hyödyntää palautetta myös toisilta agenteilta tai ihmisen ohjauksesta (“human-in-the-loop”), jotta virheet eivät toistu. Agentit voivat siis ajan myötä oppia tekemään vähemmän virheitä ja vastaamaan paremmin käyttäjän odotuksiin.

Miksi tämä on merkittävää?

“Perinteinen” generatiivinen tekoäly on kuin tietäjä, joka vastaa kysymyksiin sen perusteella, mitä se on koulutettu tietämään. Agentti taas on kuin digitaalinen työntekijä: se pystyy kysymään lisää, käyttämään työkaluja, tekemään suunnitelman ja mukautumaan muuttuvaan tilanteeseen.

Kun organisaatio pohtii agenttien käyttöä, kyse ei ole yksittäisen työkalun hyödyntämisestä, vaan uudenlaisen toimintatavan omaksumisesta. Agentit voivat hoitaa monimutkaisia prosesseja, jotka ennen veivät useiden työntekijöiden aikaa – ja oppia koko ajan paremmiksi työn edetessä.

Milloin agentteja siis kannattaa hyödyntää?

Koneoppiminen on parhaimmillaan datan analysoinnissa ja ennusteissa, generatiivinen tekoäly sisällön ja ideoiden luomisessa. Tekoälyagentit puolestaan astuvat kuvaan silloin, kun tarvitaan itsenäisiä toimijoita, jotka osaavat käyttää työkaluja ja sovittaa toimintansa tilanteeseen.

Agentit tuovat arvoa erityisesti monimutkaisissa prosesseissa ja silloin, kun pelkkä sisältö tai analyysi ei enää riitä. Jos tavoitteena on kokonaisen työnkulun automatisointi ja jatkuva oppiminen, agentit ovat oikea ratkaisu.

Haluatko kuulla lisää koneoppimisesta, generatiivisesta tekoälystä tai tekoälyagenteista, ja siitä, miten nämä voisivat tehostaa juuri teidän organisaatiosi toimintaa? Ota yhteyttä - Me Skillwellillä autamme tekemään tekoälyinvestoinneista liiketoimintaa aidosti tukevia.