Johda teollisuuden AI-projekteja yhtä aikaa innostavasti ja riskejä halliten

Neljän portaan kautta kulkemalla saat tekoälyn aidosti vaikuttavaan käyttöön. Tähtäimessä voi olla esimerkiksi tuotannon optimointi, laadun parantaminen, myynnin tehostaminen tai kokonaan uuden liiketoiminnan luominen.

Tekoälyä pitää johtaa, ei rajoittaa. Se on selvä johtopäätös, kun silmäilee tutkimusraporttia siitä, miten suomalaiset yrityspäättäjät suhtautuvat AI:n mahdollisuuksiin. Saman huomion olen tehnyt kymmenissä keskusteluissa liiketoiminta- ja IT-päättäjien kanssa.

Työntekijät ja tiimit innovoivat ja kokeilevat uusia tapoja tehdä työtään paremmin AI:n avulla joka tapauksessa, oli tekoälyä strategisesti päätetty edistää tai ei. Sääntelyä ei nähdä esteeksi tekoälyn nykyistä laajemmalle hyödyntämiselle, mutta tuleva lainsäädäntö häilyy muuttujana horisontissa. Valtaosa yrityksistä tiedostaa AI:n hyödyntämiseen liittyvän uhkia, kuten tietovuodon riskin, mutta systemaattista riskienhallintaa tekee harvempi.

Kun teollisuusyrityksen tuotannossa tai asiantuntijatyössä aletaan kokeilla useita, pisteittäisiä tekoälyratkaisuja ilman jämäkkää johtamista, edessä on ainakin näitä haasteita:

• päällekkäinen kehitystyö, jossa samoja ongelmia saatetaan ratkoa useassa eri paikassa, kokemuksista saatuja oppeja ei pystytä hyödyntämään koko organisaation tasolla ja investoinnit jäävät tehottomiksi

• tietoturva- ja tietosuojariskit, kun tekoälyratkaisuja otetaan käyttöön omatoimisesti

• näkyvyyden ja hallinnan puute, joka vaikeuttaa kustannusten hallintaa ja elinkaarenhallintaa sekä estää liiketoimintahyötyjen optimoinnin yritystasolla.

Kaikki kolme haastetta voi voittaa samalla reseptillä: määrätietoisella, innostavalla ja riskit tunnistavalla johtamisella.

1) Määritä suunta: Luo strategia ja roadmap sekä kokeilemisen kulttuuri tekoälyn ympärille 

Yritysten operatiivista arkea elävillä tiimeillä on paras tuntemus omasta työstään ja sen myötä usein näkemystä tekoälyn käyttötapausten ja sovelluskohteiden ideointiin. IT-tiimien harteille jää muistutella suojakaiteista ja tietoturvariskeistä. Näiden tulokulmien yhteensovittaminen on syytä ratkoa vaihe vaiheelta, kun kokonaiskuvasta on yhteisymmärrys. 

Data- ja tekoälystrategian laatiminen – joko erikseen tai osana liiketoimintastrategiaa – antaa koko yritykselle selkeän viestin siitä, mitä AI:n käytöllä tavoitellaan ja miten. 

Tekoälyvalmennusten ja -koulutusten avulla organisaatiot kehittävät kyvykkyyksiä, joita AI-ratkaisujen kehittämisessä ja käyttöönotossa tarvitaan. Tutkimuksen mukaan juuri osaamisen puute on monelle pullonkaula liikkeelle lähtemisessä. 

Discovery & exploration -työpajojen ja analyysin avulla tunnistetaan ja ideoidaan AI:n hyödyntämisen mahdollisuuksia, punnitaan niiden potentiaalista arvon tuottoa liiketoiminnalle sekä arvioidaan toteutettavuutta. Prosessi synnyttää roadmapin jonka viitoittamana on helpompaa allokoida panostuksia ja edetä ketteriin AI-kokeiluihin.

2) Luo hallintamalli ja turvallinen tekninen perusta

Viimeistään kun lupaavia käyttötapauksia on tunnistettu ja kenties ensimmäisiä kokeilujakin on jo tehty, on varmistettava kestävä perusta toteutetuille AI-ratkaisuille. AI-hallintamalli kokoaa yhteen ja selkiyttää menettelyt, roolit ja vastuut AI-ratkaisujen koko elinkaarella. Kun IT ja liiketoiminta toimivat tiiviissä yhteistyössä, varmistetaan pysyvämpään käyttöön rakennettaville AI-sovelluksille kestävä perusta.

Datan luokittelu on tärkeä vaihe. Mitä tietoja yrityksellä on ja missä muodossa? Missä erilaisia datakokonaisuuksia säilytetään? Mitä vaatimuksia tiedonhallintaan kohdistuu lainsäädännöstä tai sidosryhmiltä?

Jotta ylipäätään on mahdollista rakentaa tekoälysovellutuksille teknisiä kontrolleja, suojakaiteita ja monitorointia, sekä rajata, mihin tietoon AI-sovellukset ja -agentit pääsevät, pitää ensin löytää vastaukset näihin kysymyksiin. Metatietoihin voi esimerkiksi merkitä, onko data tai dokumentti julkinen, yrityksen liikesalaisuus tai asiakaskohtaista suojeltavaa tietoa.

Data governance- ja AI governance -mallit varmistavat, että datan käsittelyn käytännöt pysyvät yhtenäisinä läpi organisaation ja eri AI-ratkaisujen. Näiden laatimisen yhteydessä käydään läpi myös tekoälyratkaisujen teknistä ja tietoturvaperustaa. 

Entä täytyykö jokin tekoälyratkaisuista toteuttaa suljetussa ympäristössä? Cinian kyselytutkimuksen tulokset viittaavat siihen, että jatkossa jatkossa tullaan näkemään nykyistä enemmän pilvi- ja on-premises -ratkaisujen yhdistelmiä.

Teollisuusyrityksille suljettujen ympäristöjen toteutukset ovat relevantti vaihtoehto etenkin OT-verkoissa eli tuotannon puolella. On järkevää vähintään pohtia ratkaisujen siirrettävyyttä ympäristöstä toiseen, vaikka siihen investointi ei olisikaan nyt ajankohtaista. Riittää, että pöytälaatikossa on toimintamallit sen varalta, jos suuntaa täytyisikin muuttaa.

3) Johda valitsemiasi AI-kärkihankkeita ja yhdistele eri kyvykkyyksiä

Kun olet löytänyt uusia ideoita ja tunnistanut käyttötapauksia AI:n hyödyntämiseen sekä priorisoinut niitä arvontuoton näkökulmasta, on aika ottaa härkää sarvista ja edetä kehittämään algoritmeja, malleja tai automatisoituja agenttisia työnkulkuja.

Hankkeiden toteutukseen kuuluu esimerkiksi AI-agenttien rakentamista sekä agenttista sovelluskehitystä ja -testausta.

Pidä projektit ketterinä ja ratkaisujen arkkitehtuuri valmiina uudistumaan. AI:n nopean kehityksen vuoksi kyky muuttua ja mukautua on valttia. Koordinointi ja tiedonjako rinnakkaisten AI-hankkeiden välillä auttaa kollektiivista oppimista sekä mahdollistaa ideoiden ja toteutettujen ratkaisujen uudelleen hyödyntämisen muualla organisaatiossa.

Tärkeää teollisuuden AI-hankkeissa, kuten missä tahansa järjestelmähankkeissa, on tiedostaa ja huomioida miten AI-ratkaisuissa käytettyjen mallien ja AI-rajapintojen käyttöehdot ja kustannukset saattavat tulevaisuudessa muuttua.

4) Mittaa vaikuttavuutta ja pidä sovellukset turvassa

Kun AI-ratkaisuissa siirrytään kokeiluista tuotantokäyttöön, myös ne tarvitsevat sovellusten tavoin ylläpitoa, valvontaa ja hallinnointia. AI-alustoihin voidaan rakentaa kyvykkyyttä monitorointiin ja erilaisten uhkien torjumiseen. Kriittisissä ympäristöissä AI-agentteja voidaan tuoda CSOC-palveluiden piiriin. 
 
AIOps (tai koneoppimisratkaisuihin liittyvä MLOps) pitävät monitoroinnin ja ylläpidon lisäksi sisällään myös mallien jatkuvaa parantamista, esimerkiksi automaattista uudelleenkouluttamista, datan laadun valvontaa sekä poikkeustilanteiden hallitsemista.

Mitä kriittisempi työkalu on esimerkiksi tuotannon pyörittämisen näkökulmasta, sitä olennaisempaa on jatkuva ylläpito ja lyhyidenkin katkojen välttäminen. Ja mitä arkaluontoisempaa dataa sovellus käsittelee, sitä tärkeämpää on lisätä ympärille tietoturvan eri kerroksia.

Pitkän ajan mittaustulokset kertovat, onko uusi ratkaisu lunastanut lupauksensa ja täyttääkö se alussa määriteltyä strategista tehtävää.

Teollisuudessa paljon mahdollisuuksia uusiin AI-ratkaisuihin

Moni teollisuusyritys on edelleen melko alkumatkalla uuden aikakauden tekoälyn soveltamisessa, vaikka koneoppimisen tai hahmontunnistuksen kaltaiset käyttötapaukset ovatkin jo valtavirtaa.  

Ensisijainen este tekoälyn laajamittaisemmalle hyödyntämiselle on potentiaalisten käyttötapausten tunnistaminen ja liiketoimintahyötyjen kautta syntyvä perustelu ratkaisuihin investoimisesta. Paras näkymä AI:n soveltamismahdollisuuksiin ja ymmärrys niiden arvontuottopotentiaalista on yleensä liiketoiminnan puolella. Mutta AI-kehittämisessä ja -johtamisessa tarvitaan lisäksi IT:n asiantuntemusta tiedonhallinnasta, arkkitehtuurista, ympäristöistä ja tietoturvasta.

Onneksi olen saanut huomata, että vuoropuhelu näiden kahden välillä on tämän päivän suomalaisyrityksissä sujuvaa. Kumpikin tunnistaa toisensa näkökulman tärkeyden. Se on hyvä lähtökohta onnistuneille hankkeille.

Kaipaatko sparrausta liikkeellelähtöön tai AI:n hyödyntämisen muihin vaiheisiin? Ota yhteyttä tai tutustu palveluihimme.