Raimo Seero, Uptime'i tehnoloogiajuht
Kui esimesed traktorid põldudele ilmusid, mõõdeti neid hobujõududes, ja kui fotograafia massidesse jõudma hakkas, hinnati seda selle järgi, kui täpselt see maalikunsti kopeerib. Tehisintellektiga minnakse praegu äris sageli sama teed: uut tehnoloogiat püütakse mõista vana maailma loogika kaudu ning selle asemel, et küsida, milliseid uusi tulemusi see võimaldab saavutada, keskendutakse sellele, kuidas panna AI tegema olemasolevat tööd võimalikult inimese moodi.
Uut tehnoloogiat mõtestatakse peaaegu alati vana maailma loogika kaudu. See on inimlik, sest aju otsib tuttavaid mustreid ja püüab uut nähtust tõlkida millekski, mida ta juba mõistab. Seesama refleks piirab praegu aga kõige rohkem seda, kuidas ettevõtted tehisintellekti äris rakendavad.
Enamik organisatsioone tahab tehisintellektilt saada sisuliselt sama asja: teha olemasolevat tööd samamoodi nagu inimene. Oodatakse, et AI järgiks protsessi, teeks õigeid samme ja käituks inimestele kirjutatud skripti järgi. Kuid see on vale küsimus, ning vale küsimus annab alati õige vastuse valele probleemile.
Küsimus ei ole selles, kuidas AI protsessi järgib, vaid selles, millist tulemust me tegelikult saavutada tahame. Just siin jookseb piir kahe täiesti erineva lähenemise vahel: ühel pool on soov panna AI olemasolevat töökorraldust lihtsalt kiiremini teenindama, teisel pool valmisolek küsida, kas senine protsess on üldse vajalik sellisel kujul, nagu me seda täna tunneme.
Arendus: koodist tulemuseni
Tarkvaraarenduses näeb seda eriti hästi. Tüüpiline pilt täna on selline: arendaja kirjutab spetsifikatsiooni, AI genereerib koodiblokke, arendaja vaatab need üle, parandab, testib. Tehisintellekt toimib selles mudelis sisuliselt kiirema autocomplete’ina — protsess ise jääb samaks, lihtsalt üks samm muutub kiiremaks.
Võtame konkreetse näite: e-poe makselahenduse arendus. Vana viis on see, et arendaja kirjutab maksevormi, testib käsitsi viit stsenaariumi, saadab QA-le ja tsükkel kordub. Kuhu me aga tahame jõuda on tulemusele orienteeritud viis ja see on teistsugune: AI genereerib maksevormi, loob automaatselt 200 teststsenaariumi, simuleerib ebaõnnestunud makseid, aegunud kaarte ja võrguprobleeme ning tagastab arendajale ainult kolm kohta, mis vajavad inimese otsust.
Samas ei tohi unustada hinnata, kas makselahendus on üldse koht, kus AI’l lasta vabalt toimetada? AI-d ei saa lasta igale poole tööle lihtsalt sellepärast, et ta suudab midagi kiiremini teha. Enne tuleb hinnata, millised riskid konkreetse lahendusega kaasnevad ja kas need on piisavalt maandatavad.
Nagu me ei usalda igat inimest igale tööle, ei saa ka AI-d usaldada igasse protsessi ühtemoodi. Kuid see ei tähenda, et AI kasutusvõimalused oleksid piiratud. Vastupidi – paljudes kohtades piisab väikesest protsessimuudatusest ja läbimõeldud kontrollimehhanismidest, et riske hallata ning saavutada AI rakendamisest väga suur kasu.
Nii võivad sammud, mis varem tundusid vältimatud, osutuda lihtsalt ebavajalikuks, sest need eksisteerisid eelkõige seetõttu, et inimene vajas neid – AI ei pruugi neid üldse vajada.
Küsimus ei ole tehnoloogias, vaid juhtimises ja riskide haldamises.
Siin peitubki kogu asja tuum. Kui optimeerime protsessi, saame kiiremad protsessid, mis on küll väärtuslik, kuid siiski piiratud võit. Kui aga lähtume tulemusest, avastame sageli, et osa samme ei ole vältimatud, vaid peegeldavad lihtsalt seda, kuidas inimene sellele ülesandele ajalooliselt lähenes.
Seetõttu ei ole AI rakendamine tegelikult eeskätt tehniline küsimus, vaid juhtimisküsimus. Järgmine kord, kui organisatsioonis arutatakse tehisintellekti kasutamist mõnes protsessis, tasub kõigepealt küsida, millist tulemust see protsess peaks looma, ja seejärel ausalt hinnata, kas praegune tee selleni on ainus võimalik lahendus või lihtsalt tee, millega ollakse harjunud.
AI ei ole uus tööriist vanale mudelile, vaid põhjus küsida, kas vana mudel on üldse vajalik. Ettevõtted, kes julgevad selle küsimuse päriselt esitada, ei optimeeri lihtsalt olemasolevaid protsesse, vaid ehitavad uusi.
