Kun tietovarasto valmistellaan tekoälylle, se valmistellaan samalla liiketoiminnalle

Moni yritys haluaa hyödyntää dataansa keskustelemalla sen kanssa omalla kielellään. Voit esimerkiksi kysyä ”Paljonko myimme viime kvartaalilla?” ja saada vastauksen suoraan ilman, että kukaan kirjoittaa tietokantakyselyä käsin. Tämän mahdollistaa tekoäly, kuten Copilot Power BI:ssä ja Fabricissa. Tekoäly ei kuitenkaan toimi tyhjästä, sillä se ei tunne yrityksen liiketoimintaa. Se tuntee vain sen, mikä on kirjoitettu auki dataan.

Tämä on tärkeä havainto, joka kääntää katsontakannan päälaelleen. Kun tietovarasto valmistellaan tekoälyä varten, työtä ei tehdä pelkästään koneelle. Se tehdään myös jokaiselle ihmiselle, joka tietovarastoa käyttää.

Mitä tekoäly oikeasti tarvitsee

Kun käyttäjä kysyy Copilotilta jotain, tekoäly ei toimi kuin kokenut kehittäjä, joka tuntee taulut ulkoa. Se kerää ensin taustatietoa datamallista ja yrittää sen perusteella tulkita, mitä käyttäjä tarkoittaa. Taustatieto on se konteksti, jonka avulla tekoäly osaa yhdistää kysymyksen oikeisiin tauluihin, sarakkeisiin ja mittareihin.

Jos taustatieto on laadukasta, vastaus on yleensä tarkka. Mikäli taustatieto on puolestaan puutteellista, tekoäly arvaa vastauksen parhaan arvionsa mukaan. Usein tällainen arvaus johtaa väärään lopputulemaan.

Tekoäly poimii datamallista muun muassa seuraavia asioita: taulujen nimet, sarakkeiden nimet, taulujen väliset yhteydet, mittareiden määritelmät sekä vapaat kuvaukset. Se huomioi myös tietotyypit, esitysmuodot ja synonyymit, joiden avulla se ymmärtää käyttäjän vaihtelevaa sanastoa. Piilotetut sarakkeet ja mittarit puolestaan jäävät kokonaan tekoälyn ulottumattomiin.

Yksi seikka kannattaa pitää mielessä. Copilot ei aina anna täsmälleen samaa vastausta samaan kysymykseen. Hyvä valmistelu vähentää tulkinnanvaraa, mutta ei takaa identtistä lopputulosta joka kerta.

Nimi ja kuvaus ovat kaikki kaikessa

Otetaan esimerkkinä kaksi mittarin nimeä. Ensimmäinen on “MK_KK”. Mitä tämä tarkoittaa? Tekoäly ei voi tietää, että tällä viitataan ”myyntikate kuukausitasolla” -taulukon nimeen. Tätä ei tiedä myöskään uusi työntekijä, joka avaa mallin ensimmäistä kertaa. Tai konsultti, joka tulee projektiin kesken kaiken. Tai liiketoiminnan edustaja, joka yrittää itse rakentaa raportin. Toinen esimerkkinimi “Myyntikate (kuukausi)” on puolestaan selkeä ja itsensä selittävä nimi, jonka sekä tekoäly että ihminen ymmärtävät heti.

Sama pätee kuvauksiin. Mittari nimeltä “Kokonaismyynti” ilman kuvausta jättää tulkinnan puhtaasti pelkän nimen varaan. Sama mittari kuvauksella ”Kaikkien valmistuneiden kauppojen summa euroissa, ilman palautuksia ja hyvityksiä” antaa tarkan liiketoiminnallisen merkityksen. Jokainen lisätty kuvaus vähentää tulkinnanvaraa kaikilta osapuolilta, ei vain koneelta.

Varsinainen hyöty syntyy dokumentoinnista

Tähän asti tällainen dokumentointi on usein jäänyt tekemättä. Se on ollut se viimeinen tehtävä, jolle ei enää riitä aikaa, koska kehittäjä tuntee mallinsa muutenkin. Selkeät nimet ja kattavat kuvaukset ovat helposti jääneet “tehdään sitten myöhemmin” -listalle.

Tekoälyn myötä tilanne muuttuu. Hyvin nimetyt taulut, kentät ja mittarit sekä niiden kuvaukset eivät ole enää vain hyvää ylläpitoa vaan edellytys sille, että tekoäly osaa vastata oikein. Juuri tässä piilee se hiljainen lisähyöty, jota ei aina huomata laskea mukaan.

Kun taulut nimetään selkeästi ja mittarit kuvataan auki, tietovarastosta tulee samalla saavutettavampi myös ihmisille:

• Uusi kehittäjä pääsee nopeammin sisään työtehtäviinsä. Hänen ei tarvitse arvailla, mitä “dim_cust_x” tarkoittaa, eikä hänen tarvitse tukeutua niin paljoa vanhoihin tekijöihin. Malli kertoo itse, mitä se pitää sisällään.
• Liiketoiminta voi luottaa lukuihin. Kun mittarin kuvaus kertoo, että palautukset on jätetty pois, kukaan ei vahingossa vertaa kahta eri tavalla laskettua myyntiä keskenään.
• Tieto ei ole enää pelkästään muutaman ihmisen pään sisällä. Hiljainen tieto siirtyy malliin, jossa kuka tahansa organisaation jäsen pääsee siihen käsiksi.
• Riskit pienenevät. Kun nimet ovat selkeät, eikä samaa nimeä esiinny monessa taulussa, väärinkäsitykset vähenevät.

Toisin sanoen työ, joka oli ennen helppo lykätä, on nyt pakko tehdä. Ja kun se on tehty, kaikki osapuolet hyötyvät.

Yksinkertainen malli = parempi malli

Mitä monimutkaisempi malli, sitä todennäköisemmin tekoäly menee sekaisin. Sama pätee ihmiseen. Tässä pari esimerkkiä yleisistä ongelmista:

• Jos kenttä nimeltään ”Nimi” löytyy sekä asiakastaulusta että myymälätaulusta, tekoäly saattaa valita väärän taulun. Näin voi käydä myös kiireiselle ihmiselle. Ratkaisu on antaa kentille selkeät, yksilölliset nimet.
• Jos sarakkeelle ei ole valmista mittaria, tekoäly voi keksiä oman laskentansa, joka ei vastaa liiketoiminnan logiikkaa. Selkeästi määritellyt mittarit estävät tämän.
• Siisti malli, jossa on vähemmän tauluja ja selkeät kentät, auttaa tekoälyä rajaamaan oikean kontekstin. Sotkuinen malli, jossa on kymmeniä teknisiä sarakkeita, pakottaa sen arvaamaan. Sama pätee meidän ihmisten kohdalla: harvoja ja selkeitä asioita on helpompi ymmärtää verraten runsaaseen sekamelskaan.

Kootusti, selkeät taulut, kuvaavat mittarit ja yhtenäinen nimeäminen parantavat tekoälyn vastausten laatua. Ne palvelevat myös perinteistä raportointia ja jokaista ihmistä, joka mallia katsoo.

Lopuksi

Tekoäly antaa lopulta hyvän tekosyyn tehdä sen, mikä olisi pitänyt tehdä jo alusta asti. Aiemmin selkeä nimeäminen ja kunnon kuvaukset olivat lähinnä hyvän tahdon asia, joka jäi helposti tekemättä. Nyt ne ovat edellytys sille, että tekoäly toimii toivotulla tavalla. 

Dokumentointia ei tehdä vain koneelle. Se tehdään uudelle kehittäjälle, joka aloittaa ensi kuussa. Se tehdään liiketoiminnan ihmiselle, joka haluaa luottaa lukuihin. Se tehdään itselle, kun mallin ääreen palataan vuoden päästä eikä enää muisteta, mitä “MK_KK” tarkoitti. 

Hyvin valmisteltu tietovarasto on samaan aikaan tekoälyn tarvitsema ja ihmisen ymmärtämä. Sama työ palvelee molempia.