Yleistä
Kevään aikana olemme toteuttaneet useamman projektin, joissa tekoäly on tuotu osaksi varsinaista ohjelmistoa ja käyttäjän päivittäistä työnkulkua. Kun AI tuodaan rajapintojen kautta ohjelmiston sisään, se asettuu siihen kontekstiin, jossa työtä tehdään, ja muuttuu käytännön työkaluksi.
Tällä hetkellä kiinnostavimmat ratkaisut syntyvät silloin, kun AI yhdistetään yrityksen omaan dataan, prosesseihin ja toimintamalleihin. Vastaukset perustuvat tällöin organisaation omiin aineistoihin yleisen internet-tiedon sijaan.
Mitä tarkoittaa RAG-malli?
Yksi yleisimmistä tavoista toteuttaa yrityskohtaisia AI-ratkaisuja on RAG-malli (Retrieval-Augmented Generation). Siinä kielimalli hakee vastauksen tueksi tietoa esimerkiksi:
- dokumenteista ja tiedostoista
- ohjeistuksista
- tiketeistä
- järjestelmien tietokannoista (esim. ERP, CRM)
- intranetistä
Kun käyttäjä esittää kysymyksen, AI hakee siihen liittyvän aineiston organisaation omista lähteistä ja muodostaa vastauksen vasta sen pohjalta. Vastaukset pysyvät näin ajantasaisina ja sidoksissa organisaation toimintatapoihin.
RAG-malli toimii hyvin tilanteissa, joissa tietoa on hajallaan eri lähteissä ja käyttäjä tarvitsee vastauksia nopeasti.
Structured-malli ja semanttinen datamalli
Dokumenttien läpikäynti ei aina riitä, sillä monissa järjestelmissä tärkein tieto on rakenteellisessa muodossa tietokannoissa.
Näissä tapauksissa hyödynnetään structured-mallia, jossa tekoälylle opetetaan ohjelmiston datamallin semanttinen rakenne. AI ymmärtää tällöin:
- mitä tietoa eri taulut sisältävät
- miten tiedot liittyvät toisiinsa
- mistä kentistä esimerkiksi asiakkaat, tilaukset tai käyttäjät löytyvät
- miten tietoa voidaan yhdistellä koko tietokannan tasolla
Tämän jälkeen AI hakee käyttäjän kysymykseen liittyvän tiedon oikeista tauluista ja muodostaa vastauksen rakenteellisesta datasta. Kyse on datan ymmärtämisestä, ei pelkästä dokumenttien hakemisesta.
Case 1: AI osaksi tiketöintijärjestelmää
Yhdessä kevään projekteista AI integroitiin asiakkaan tiketöintijärjestelmään. Ratkaisussa hyödynnettiin Anthropicin APIa ja kielimalleja.
Uuden tiketin saapuessa AI analysoi sen sisällön ja muodostaa vastausluonnoksen asiakkaan omien ohjeistusten ja määritellyn tone of voicen mukaisesti.
Tämän jälkeen tekoäly:
- tallentaa vastauksen ehdotuksena tiketöintijärjestelmään
- määrittää tiketille vastuuhenkilön
- käynnistää vastuuttamiseen liittyvät ilmoitukset
Tiketin käsittelijä voi käyttää AI:n tuottamaa vastausta sellaisenaan tai muokata sitä ennen lähettämistä. Ratkaisu toimii osana normaalia tiketöintiprosessia. Käyttäjän näkökulmasta järjestelmä on aiempaa älykkäämpi ja säästää työaikaa.
Samalla tiketöinnin vastuuttaminen automatisoitiin. Kun AI määrittää vastuuhenkilön, vastuumuutos triggeröi sähköposti-ilmoituksen oikealle asiakaspalveluhenkilölle. Sekä vastausprosessi että tikettien ohjautuminen nopeutuivat tämän myötä merkittävästi.
Case 2: AI-assistentti ohjelmistoalustalle
Toisessa projektissa AI lisättiin osaksi low-code-periaatteella toimivaa ohjelmistoalustaa, jolla rakennetaan liiketoimintasovelluksia organisaatioiden käyttöön.
Ratkaisussa hyödynnetään OpenAI:n APIa, mutta sovellusten data tallennetaan asiakkaan omaan pilviympäristöön. Dataa ei käytetä tekoälymallien kouluttamiseen, eikä se päädy globaalien AI-alustojen käyttöön. Tämä on monelle organisaatiolle olennainen vaatimus liiketoimintakriittisen ja luottamuksellisen tiedon käsittelyssä.
AI-assistentti hyödyntää RAG-mallia käydäkseen läpi esimerkiksi:
- prosesseja ja ohjeistuksia
- tikettejä
- dokumentteja
- tiedostoja
Rakenteellisen datan osalta assistentti käyttää automaattisesti structured-mallia ja hakee tarkkaa tietoa suoraan sovellusten tietorakenteista.
Käyttäjä voi esimerkiksi kysyä:
- “Kuinka monta tilausta Asiakas Oy on tehnyt?”
- “Millä tilausnumeroilla tilaukset löytyvät?”
- “Missä sijaitsevat organisaation lomakäytäntöihin liittyvät ohjeistukset?”
- “Mitkä ovat meidän TOP-10-asiakkaat liikevaihdon perusteella?”
AI yhdistää tietoa useista lähteistä ja palauttaa vastauksen luonnollisella kielellä. Käyttäjän ei tarvitse tietää, missä tieto teknisesti sijaitsee tai miten tietokanta on rakennettu. Monimutkaisten hakusuodattimien sijaan käyttäjä voi etsiä tietoa yksinkertaisilla kysymyksillä samaan tapaan kuin AI-chatbottien kanssa muutenkin.
AI osaksi normaalia ohjelmistokehitystä
AI:n hyödyntäminen ohjelmistoissa on siirtymässä yksittäisistä chatbot-kokeiluista osaksi käyttöliittymää, työnkulkuja ja liiketoimintaprosesseja. Tyypillisiä hyötyjä ovat tiedon löytymisen nopeutuminen, manuaalisen työn väheneminen, rutiinien automatisointi ja päätöksenteon tuki.
Ratkaisuja suunniteltaessa pitää huomioida tietoturva ja henkilötietojen käsittely. PII-datalla (Personally Identifiable Information) tarkoitetaan tietoja, joista yksittäinen henkilö voidaan tunnistaa – esimerkiksi nimi, sähköpostiosoite, henkilötunnus, puhelinnumero, asiakasnumero tai sijaintitiedot.
AI-ratkaisuja yrityskäyttöön rakennettaessa kannattaa miettiä tarkasti:
- mitä dataa tekoälylle välitetään
- missä data säilytetään
- käytetäänkö dataa mallien kouluttamiseen
- miten käyttöoikeudet ja lokitus toteutetaan
Kun nämä on ratkaistu järkevästi, AI istuu hyvin osaksi modernia ohjelmistoarkkitehtuuria.
