Miten tekoälyä käytetään tietotieteessä – ja miksi data scientistiä tarvitaan yhä

Kuvittele suomalainen verkkokauppa, joka lähettää joka aamu tuhansia tilauksia. Data scientist rakentaa mallin, joka ennustaa mitkä paketit myöhästyvät todennäköisimmin, ja tekoäly automatisoi sen ennusteen ajamisen jokaiselle tilaukselle tunnin välein. Tässä yhdessä lauseessa on koko juttu: tietotiede kysyy oikeat kysymykset datasta, tekoäly tuo skaalan ja nopeuden.

Käydään läpi miten tekoälyä käytetään tietotieteessä käytännössä, mitä data scientist oikeasti tekee tekoälyn rinnalla, ja onko ala yhä kysytty nyt kun jokainen työkalu mainostaa "AI:ta".

Miten tekoälyä käytetään tietotieteessä

Tietotieteessä on aina ollut sama työnkulku: kerää data, siivoa se, etsi kuvioita, rakenna malli, mittaa tulos. Tekoäly ei korvaa tätä ketjua. Se nopeuttaa ja laajentaa sen jokaista vaihetta.

Muutama konkreettinen kohta, missä tekoäly astuu kuvaan:

• Datan siivous ja rikastus. Kielimallit tunnistavat sekavista tekstikentistä osoitteita, tuotenimiä tai asiakaspalautteen sävyn nopeammin kuin käsin kirjoitetut säännöt.
• Ennustavat mallit. Koneoppiminen ennustaa esimerkiksi asiakaspoistumaa, kysyntää tai luottoriskiä. Tämä on tietotieteen klassinen ydin.
• Analyysin nopeuttaminen. Koodiavustimet kirjoittavat ison osan toistuvasta Python- tai SQL-koodista, jolloin analyytikko keskittyy tulkintaan.

Otetaan konkreettinen esimerkki, jonka kuka tahansa hahmottaa. Helsinkiläinen kuntosaliketju haluaa tietää, ketkä jäsenet ovat lopettamassa. Data scientist yhdistää käyntitiedot, laskutuksen ja tukipyyntöjen tekstit. Koneoppimismalli antaa jokaiselle jäsenelle riskipisteet. Tekoäly luokittelee lisäksi tukipyyntöjen tekstit automaattisesti tyytymättömiksi tai neutraaleiksi. Markkinointi saa listan, johon kannattaa reagoida ennen kuin jäsen katoaa. Ihminen päätti mitä mitataan; tekoäly hoiti raskaan käsittelyn.

Jos haluat rakentaa juuri tällaisia projekteja alusta loppuun, Code Labs Academyn tietotieteen ja tekoälyn bootcamp käy koko putken läpi todellisilla datajoukoilla.

Työskenteleekö data scientist tekoälyn kanssa

Kyllä, mutta ei niin että tekoäly tekisi työn puolesta. Data scientistin arki on yhä suureksi osaksi kysymysten muotoilua, datan laadun tarkistamista ja tulosten tulkintaa liiketoiminnan kielelle.

Ero aiempaan on työkaluissa. Kolme vuotta sitten data scientist Tampereella kirjoitti jokaisen esikäsittelyvaiheen itse. Nyt hän pyytää koodiavustinta luonnostelemaan sen ja tarkistaa lopputuloksen. Aikaa vapautuu siihen osaan, jota kone ei osaa: mitä tämä tulos oikeasti tarkoittaa, ja voiko siihen luottaa.

Tässä muutamia rooleja, joita suomalaiset työnantajat hakevat, ja miten tekoäly niissä näkyy:

• Data analyst – tulkitsee dataa raporteiksi, käyttää tekoälyä kyselyiden ja visualisointien nopeuttamiseen.
• Data scientist – rakentaa ennustemalleja, arvioi milloin koneoppiminen kannattaa ja milloin ei.
• Machine learning engineer – vie mallit tuotantoon niin, että ne pyörivät luotettavasti oikean liikenteen alla.

Suomessa näitä paikkoja on erityisesti pankki- ja vakuutusalalla, teollisuudessa ja kasvavissa ohjelmistoyrityksissä pääkaupunkiseudulla, Oulussa ja Tampereella. Tyypilliset työkalut ovat Python, SQL, pandas, scikit-learn ja pilvialustat kuten Azure tai AWS.

Mikä on tekoälyn 30 %:n sääntö

Tästä liikkuu useampi eri tulkinta, joten selvennetään. Yleisin tapa, jolla "30 %:n sääntö" mainitaan tekoälyn yhteydessä, tarkoittaa nyrkkisääntöä siitä, kuinka paljon tekoäly voi realistisesti automatisoida yhdestä tehtäväkokonaisuudesta ilman että laatu kärsii. Ajatus on, että noin kolmasosa toistuvasta työstä siirtyy koneelle, mutta loput vaativat ihmisen arvion, kontekstin ja vastuun.

Tietotieteen kannalta tämä on hyödyllinen tapa ajatella. Tekoäly voi kirjoittaa boilerplate-koodin, ehdottaa piirteitä ja tiivistää tuloksia. Se ei kanna vastuuta siitä, että malli on reilu, että data ei vuoda tai että liiketoiminnan johtopäätös on oikea. Se osa jää sinulle.

Kannattaa suhtautua mihin tahansa yksittäiseen "sääntöön" varauksella – nämä ovat suuntaa antavia nyrkkisääntöjä, eivät luonnonlakeja. Hyötyarvo on siinä, että se muistuttaa mitoittamaan odotukset: tekoäly on kiihdytin, ei korvaaja.

Onko tietotiede yhä kysytty tekoälyn aikana

Lyhyt vastaus: on. Pidempi vastaus on kiinnostavampi. Kun tekoäly tekee mallien rakentamisesta helpompaa, moni pelkää että data scientistiä ei enää tarvita. Käytännössä tapahtuu päinvastoin. Mitä enemmän yrityksiä ottaa tekoälyn käyttöön, sitä enemmän tarvitaan ihmisiä, jotka ymmärtävät dataa syvällisesti ja osaavat arvioida, milloin malli valehtelee.

Vertaillaan kahta asennetta samaan muutokseen:

	"Tekoäly korvaa data scientistin"	"Tekoäly on data scientistin työkalu"
Kuka määrittelee ongelman	Oletus: kone	Ihminen, joka tuntee liiketoiminnan
Datan laatu ja etiikka	Sivuutetaan	Ihmisen vastuulla
Mallin tuotantoon vienti	"Nappia painamalla"	Vaatii insinööriosaamista
Tulos käytännössä	Vääriä johtopäätöksiä	Nopeampaa, mutta hallittua analyysia

Oikea osaaminen ei ole "osaan ajaa mallin". Se on "osaan päättää mitä ajetaan, tarkistaa tuloksen ja selittää sen ihmiselle joka tekee päätöksen". Tuo taito ei katoa tekoälyn myötä, se muuttuu arvokkaammaksi.

Jos mietit alanvaihtoa tai ensimmäistä tech-työtä, tämä on hyvä hetki. Aloittelijalle suositeltava reitti on rakentaa muutama oikea projekti portfolioon: yksi ennustemalli, yksi selkeä datavisualisointi, yksi pieni sovellus jossa tekoäly hoitaa tekstinkäsittelyn. Voit edetä joustavasti itseopiskeluna suoritettavan tietotieteen ja tekoälyn ohjelman kautta tai katsoa muut Code Labs Academyn kurssit löytääksesi itsellesi sopivan tahdin.

Mitä opetella ensin

Jos aloitat tyhjästä, järjestys on suoraviivainen. Opettele Pythonin perusteet ja pandas datan käsittelyyn. Sen jälkeen SQL, koska data asuu tietokannoissa. Tilastojen perusteet auttavat ymmärtämään milloin tulos on aitoa signaalia ja milloin sattumaa. Vasta sitten koneoppiminen, ja lopuksi tekoälytyökalut, jotka istuvat päälle. Tuossa järjestyksessä tekoäly on hyödyllinen apuri eikä musta laatikko, johon luotat sokeasti.

Ota tästä yksi ajatus mukaan: tekoäly ei poista tietotieteen tarvetta, se nostaa riman sille mitä ihmiseltä odotetaan. Jos haluat aloittaa selkeällä oppimispolulla ja rakentaa portfolion, jolla erotut suomalaisilla työmarkkinoilla, tutustu tietotieteen ja tekoälyn bootcampiin ja sen hinnoitteluun ja ota ensimmäinen askel jo tällä viikolla.