Krati majja toomine ehk tehisintellekti praktiline rakendamine ettevõttes
Meie ümber toimetavaid kratte tekib iga päevaga aina juurde. Mõned neist paistavad hästi silma, pean silmas teenindusroboteid või biomeetrilist isikutuvastust. Teised teevad aga tööd nö köögipoolel, kus vaid erialaspetsialistid neid märgata oskavad. Hästi implementeeritud kratt on ühtviisi efektiivne mõlemal juhul, aga selleks, et kratt tõepoolest korralikult tööle hakkaks, on vaja hästi toimivat meeskonda, kes talle eluvaimu sisse puhuks.
AI kasutuselevõtt ei oma mingit praktilist väärtust, kui projekti algus on lohakas või poolik ning on jäänud täpselt sõnastamata, millist ärilist probleemi lahendama hakatakse. Sellest on varasemalt juba juttu olnud (näiteks siin) ning kogu järgnev jutt peab 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 vahelise koostöö viljad. Kõige edukamalt laabuvad need juhul, kui inimeste vahel suhted toimivad ja kõik annavad endast maksimumi.
Minimaalselt neli kriitilist rolli
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 „elavaid ja hingavaid“ emotsionaalseid olendeid (ehk inimesi J) on iga rolli puhul üks, ent teatud juhtudel võib vajadus ka suurem olla.
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. Ettevõte on pelgalt number äriregistris, kõik mis päriselt väärtust loob ja lisandväärtust toodab, on seotud nii täna kui ka tulevikus inimestega. Kui ettevõte on halvasti juhitud, on mure eelkõige omanikel ja juhatusel, sest sel juhul pole ettevõte kasumlik või töötab nagu nõukaajal toodetud auto. Kuna nõukaaja autod olid kokku pandud Lääne-Eurooplaste pealt mahaviksitud kavandite järgi, ei saanud keegi päris täpselt aru, mida ja miks teha. Ja nii need autod justkui nagu toimisid, kuid kunagi ei saanud päris lõpuni kindel olla, kas need hommikul ikka käivitusid või teel olles maanteepervele ei jätnud. Rooliloks oli niivõrd suur, et sirgel teel sõites väsisid käed vehkimisest ning tagumise parema ratta laagri juures käis mingi imelik kolin, mille kohta keegi igaks juhuks midagi küsida ei julgenud.
Hästi ja teadlikult juhitud ettevõttes peavadki probleemid olema eriala 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 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 gap-analüüsi 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 on see, kes 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. Siin võib tunduda, et see on täiesti eraldi inimese jagu tööd ning võiks selle tarbeks eraldi projektijuhi võtta, sest mure tõstatajal pole oma töö kõrvalt aega sellega tegeleda …. Siin on kindel „EI“! Kui mõte jõuab selleni, on inimene vale viisi ülesande lahendamiseks valinud. Kui ärilise probleemi lahendajale tundub, et mure lahendamisele kulub sel viisil liialt palju aega ja energiat, siis pole kratt õige lahendus. Kas ei ole probleem piisavalt oluline, et seda üldse lahendada või leidub lihtsamaid ja odavamaid viise, kuidas seda teha.
Kui see on nii, siis on ju väga hästi! Kratti krati tegemise pärast teha ei tohi! Kui kohe alguses tuleb välja, et probleemi omanik pole sellesse valmis panustama, on hea, et „see veel niigi läits“ ja tasub lugu lõppenuks lugeda. Kui aga kõik eelnevad punktid on saanud energilise peanoogutuse, tasub edasi liikuda järgmise rollini, mis andmetega tegelema hakkab.
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 ning nii nagu nö sitast saia tegemine on võrdlemisi ootuspärase lõppresultaadiga protsess, ei saa ka kratilt erilisi tulemusi oodata, kui pole häid ja objektiivseid andmeid, mille peale tema tarkust ehitada.
Hea kvaliteediga andmed on AI tarkuse ehitamise aluseks
Esimeseks sammuks on aru saada, kas automatiseerimist vajavas protsessis on olemas algallikad (IT-süsteemid), mis digitaalseid andmeid koguvad. Kui ei ole, 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 siin seesama ärilise probleemi omanik. Kui tema oskab lahti selgitada, mis järjekorras ja milliseid tegevusi ta teeb ning millistest andmetest midagi järeldab — saab andmete spetsialist hinnata, kas see kõik on suurtes kogustes masintöödeldav ning algoritmile alati üheselt tõlgendatav.
Väga ausalt peavad kõik osapooled kohe alguses endale aru andma, et masinõppe projektid vajavad väga palju parema kvaliteediga andmeid, kui mistahes muud IT-süsteemid omavahelises infovahetuses. Ehk pelgalt fakt, et meil on „arvutid omavahel suhelnud juba aastaid“, pole kuldvõtmeke suurepärase krati käivitamiseks. Sellest on kahtlemata abi, ent on täiesti tavapärane, et just sellele esialgsele andmete korrastamisele ja ülesehitamisele, kulub krati loomisel valdav osa ajast.
Data engineeringu rolli kandja(d) võtavad enda ülesandeks:
- Luua algallikatest vajalikud andmestikud; - Tagada vajaliku infrastruktuuri andmete liigutamiseks; - Teha andmed andmeteadlase jaoks kättesaadavaks kuna andmed võivad pärineda (vahel mitmest) alliksüsteemist erinevates formaatides, erineva kvaliteedi, ühesehituse ja mahuga. Mudeli ehitamiseks on seega vaja ette valmistada nö “pipeline”, mis mitmesammulise protsessina viib andmed sobivale kujule, kontrollib/parandab andmete kvaliteeti ja salvestab kokkulepitud formaadis edasiseks masinõppeks. - Ning vastutavad nii eeltööde käigus kui ka pidevalt ja „igavesti“ andmete usaldusväärsuse ja kvaliteedi eest.
Data engineeringu osas ei ole tingimata vajalik, et kõike eelmainitut teeks üks elav ja hingav inimene. Väga tihti toimib mudel nii, et on üks või rohkem inimest, kes mõistavad detailideni algallikaid ning nende omavahelisi seoseid ja oskavad luua protsesse, mis tagavad nende 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 nö 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 — data scientist ehk andmeteadlane. See on nüüd see koht, kus lihtinimeste jaoks algab maagia ja müstika. Kuigi see praktilises elus pole üks ega teine, tasub nende töösse suhtuda piisava austuse ja isegi aukartusega ning igasugused diletandid, kes „lugesid läbi 5 artiklit ja jubedalt asja vastu huvi tunnevad“ kiiresti oma projekti juurest minema ajada.
Data scientisti 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. Nii nagu igaüks, kellel on kalkulaator, ei ole kohe raamatupidaja, ei saa ka andmeteadlaseks niisama hobikorras. Või noh — saab, kuid siis peab üle olema palju vaba aega ja raha, mida mitte kusagile mujale paigutada ei mõista.
Juhul, kui on soov alguses mainitud äriline probleem, ikkagi päriselt lahendada, tasub siin kaaluda kahe variandi vahel. Kas värvata endale isiklikud andmeteadlased või leida partner, kes seda teenusena pakub. Mõlemal on oma plusse ja miinuseid, ent tänasel päeval on esimene variant väga vähestel juhtudel õigustatud. Hea andmeteadlane üldjuhul ei taha kusagile 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 olnud nii data science-i kui data engineeringu osas juba pikalt Eesti masinõppe ja andmeteaduse ettevõte MindTitan ning nende kaasamine (kuni tänase päevani) on meie senisel teekonnal peamiseks edukriteeriumiks. Enda andmeteadlaste tiimi loomine sobib aga 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.
Nii nagu alguses öeldud sai, pole ettevõtetel probleeme ning samuti pole ettevõtetel projekte. Ettevõtetel pole üldse mitte midagi, sest nad on endiselt vaid numbrid äriregistris. Kõik, mis päris elus toimub, on taandatav inimeste vahelisele suhtlusele ning just see viimane saab enamiku ettevõtmiste jaoks saatuslikuks. Inimene ei ole ratsionaalne „loom“, ta on hoopis võluv, emotsionaalne olend oma isiklike mõtete, soovide ja tunnetega — iga viimane kui üks, rohkem kui seitsme miljardi inimese seast.
Edukad projektid ja antud loo kontekstis efektiivsed kratid sünnivad, kui inimesed teevad, mis neil kõige paremini välja tuleb ja tunnevad ennast sealjuures hästi, ideaalis isegi õnnelikuna. Mis omakorda tähendab, et inimeste vahel ei teki asjatuid konflikte ega möödarääkivusi — nad mõistavad ja austavad üksteist ning usaldavad teiste tiimiliikmete rolle. Tundub loogiline?
Kui nüüd aga kokku võtta üks lennukalt mõtlev, tihtipeale entusiastlik ja emotsionaalne äripoole esindaja, kes mõtleb ja räägib kliendikesksusest ja päris elust. Seejärel panna tema kõrvale üks rahulik ja süsteemselt mõtlev andmeaida spetsialist, kes soovib olukorda kirjeldada süsteemi parameetrite järgi ning faktipõhiselt. Siia lisada veel üks (tõenäoliselt majaväline) andmeteadlane, kes päris täpselt ei saa aru, kes mida tahab või millisele küsimusele peaks oskama vastata …, siis jõuavad nad üsna kiiresti järeldusele, et see asi ei vääri küünlaid. See koostöö on konarlik, tõlkes läheb palju kaduma ning inimesed tunnevad ennast reaalselt ebamugavalt. Nagu üritaks rehaga juukseid kammida. Saab …, aga protsess on väga ebamugav ja lõpptulemus küsitav.
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 ei ole see roll kindlasti ajutine, vaid kratiga majapidamises selleks ühendavaks jõuks, mis kõik eeltoodu omavahel kokku mängima paneb.
Tegemist on inimesega kes:
- Mõistab nii äripoolt ehk ettevõttes toimivaid protsesse kui ka nende tehnilist tausta; suures plaanis teab, mis on programmeerimine ja masinõpe ning millised on nende vahelised erinevused; - Suhtleb hästi ja toimib „tõlgina“ erinevate osapoolte vahel, see tähendab, et 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 selle eest, et meeskond oleks tulemuslik, püsiks oma rollide piires ning kõik teaksid, mis on igal suvalisel 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 juba täna alustada.
Kui soovid, et sinu ettevõte oleks konkurentsivõimeline ka 5 aasta pärast ning teil on olemas äriline probleem, mille saab automatiseerimisega lahendada, leia endale need 4 rolli ja hakka pihta. Nüüd ja kohe! Täiesti tasuta nõuanne enda õpikõverast, ära viimast rolli ära jäta. Muidu leiad ennast lõpuks ikkagi reha käes peegli ees juukseid kammimast!
Mailiis Ploomann, Elisa Eesti telekomiteenuste valdkonna juht
Teksti toimetas Marika Raiski
Lugu ilmus IT uudistes 11.05.2019