Kokemuksia roboteista ja tekoälystä Haaga-Heliassa
19.11.2019
Haaga-Helia ammattikorkeakoulu on lähtenyt aktiivisesti edistämään erilaisia robotiikkaan ja tekoälyyn liittyviä hankkeita. Myös kirjasto on ollut tässä kehitystyössä aktiivinen. Tavoitteenamme on ollut kehittää prosessejamme ja parantaa palveluitamme erilaisten ohjelmistorobottien ja tekoälysovellusten avulla.
Ohjelmistorobotit
Ensimmäinen kokeilumme koski ohjelmistorobotin käyttöä aineiston ja myöhästymismaksujen laskutuksessa. Ohjelmisto pystytettiin Voyager-kirjastojärjestelmään emmekä ehtineet ottaa sitä tuotantokäyttöön, kun siirryimme uuteen Koha-järjestelmään. Sen sijaan korkeakoulumme taloustoimisto hyödyntää ohjelmistorobottia mm. ulkopuolista rahoitusta saavien hankkeiden hallinnointiin ja raportointiin sekä ostoreskontran puolella alv-tunnisteiden tarkistamiseen. Taloustoimistossa on käytössä kaksi robottia.
Ohjelmistorobotille opetettiin kirjaston laskutusprosessi tarkasti ja perusteellisesti. Robotin tarkoituksena oli huolehtia manuaalisesti tehtävistä, aikaa vievistä tarkistuksista tietokannassa. Robotti kävi läpi kaikki asiakkaat, joilla oli maksamattomia, tietyn eräpäivän jälkeen palauttamattomia niteitä. Näiden niteiden tiedot sekä asiakkaan tiedot robotti liitti kahteen excel-raporttiin. Toinen näistä raporteista oli lista kadonneista niteistä ja se lähetettiin toimipistekirjastoihin tarkistettavaksi. Toiseen näistä raporteista robotti kokosi tiedot perintätoimistolle menevistä asiakkaista ja niteistä. Robotti poisti myös ”turhat” maksut asiakkaan tiedoista. Lisäksi robotti työsti raportin virhetilanteista l. sellaisista asiakkaista ja niteistä, joita se ei pystynyt käsittelemään. Ohjelmistorobotin pystyttäminen Voyageriin osoittautui hyvin haasteelliseksi, joten emme ehtineet siirtyä tuotantoon. Opimme kuitenkin paljon ohjelmistorobottien toiminnasta ja voimme mahdollisesti hyödyntää oppimaamme jatkossa.
Taloustoimistossa robotit ovat vähentäneet manuaalista työtä huomattavasti ja parantaneet datan laatua, mm. tallennusvirheiden havainnointi on helpottunut. Robotti käsittelee ja tarkistaa isoja tietomääriä nopeasti ja tehokkaasti. Robottien hoitaessa rutiininomaisia tehtäviä, vapautuu henkilöstön työaikaa muihin asiantuntemusta vaativiin tehtäviin. Taloustoimistossa mietitään muita mahdollisia kohteita, joissa ohjelmistorobottia voitaisiin jatkossa hyödyntää.
Chatbot
Seuraava projektimme oli chatbotin käyttöönotto online-chatin rinnalle. Haaga-Heliassa tutkitaan parhaillaan erilaisia chatbot-työkaluja. Toistaiseksi kirjasto on käyttänyt ns. käsikirjoitettua chatbottia, johon on etukäteen mietitty mahdolliset kysymykset ja niihin liittyvät vastaukset. Kysymykset perustuvat online-chatista saatuihin kokemuksiin l. botille syötettiin siellä useimmin kysytyt kysymyksemme. Kysymykset koskevat mm. seuraavia asioita: kirjautuminen Finna-tilille, pin-koodi, lainojen uusiminen, myöhästymismaksut, kirjan saatavuus, kirjan varaaminen, aukioloajat, e-kirjan käyttö, tiedonhaku ja e-lehdet. Vastaukset löytyvät pääasiassa sivustoiltamme, joihin onkin botista linkattu.
Online-chat-palvelumme on toteutettu eri ohjelmalla kuin chatbot, joten haasteeksi tuli botin sijoittaminen sivustollemme. Joillakin sivustoillamme chatit menevät ”päällekkäin”, joten asiakkaan voi olla hankalaa hahmottaa, puhuuko hän robotin vai ihmisen kanssa. Online-chattimme palvelee arkisin klo 10-15, mutta bottimme työskentelee ympäri vuorokauden 24/7. Botin kautta asiakas voi lähettää meille myös sähköpostia.
Huomasimme, että online-chattiin tuli offline-viestejä erityisesti myöhään illalla ja yöllä, joten bottimme tuli palvelemaan ennen kaikkea heitä, jotka eivät ehdi asioimaan ”toimistoaikana”. Chatbot on myös Haaga-Helian kaupallisten palveluiden käytössä.
Iris.ai-tekoäly
”Iris.ai on tekoälyyn pohjautuva työkalu, joka nopeuttaa tieteellisen tiedon löydettävyyttä. Se hyödyntää keinoälyä ja perustuu neuromalleilla rakennettuun algoritmiin. Se auttaa tutkijoita, opettajia ja opiskelijoita löytämään tarpeellista tietoa.” Näillä sanoilla kuvailimme Iris.ai:ta rahoitushakemuksessamme Helia-säätiölle viime keväänä. Hakemuksemme tuotti tulosta ja saimme lahjoituksen Helia-säätiöltä vuoden kestävää Iris.ai-pilotointijaksoa varten. Helia-säätiön tehtävänä on tukea Haaga-Helia ammattikorkea-koulussa toteutettavaa koulutusta sekä tutkimus- ja kehittämistyötä mm. lahjoituksin sekä opiskelijoille ja henkilöstölle myönnettävin stipendein ja apurahoin. Iris.ai:n koekäyttö aloitettiin elokuussa.
Iris.ai-palveluun rekisteröidytään korkeakoulun sähköpostiosoitteella. Iris.ai:sta on olemassa ilmainen versio, joka on vapaasti kenen tahansa käytettävissä ja maksullinen Premium-versio. Pilottijakso sisältää neljä työpajaa, jotka vetää Iris.ai:n edustaja. Meidän ensimmäinen työpajamme pidettiin syyskuussa. Tilaisuuteen osallistui niin opiskelijoita kuin henkilöstöäkin. Paikan päälle oli ilmoittautunut n. 40 henkilöä. Tilaisuutta oli mahdollisuus seurata myös etänä striimin kautta. Tallenne tilaisuudesta laitettiin jakoon sekä henkilöstön että opiskelijoiden Introihin. Seuraava työpajamme on marraskuussa. Keväällä järjestetään vielä kaksi työpajaa. Myös webinaareja on tarjolla kiinnostuneille.
Iris.ai koostuu kahdesta työkalusta: Exploration-työkalu etsii tieteellistä tietoa ja patentteja ja Focus-työkalu organisoi löydettyjä artikkeleita ja luo tarkkoja lukulistoja. Iris.ai hyödyntää tiedonhaussa avoimia tutkimusartikkeleita sisältävää Core-tietokantaa sekä PubMed-tietokannan sisältöä.
Iris.ai:ssa tiedonhaku alkaa perinteisestä tiedonhausta poiketen kirjoittamalla tutkimusongelma 300-500 sanalla. Tässä tiivistelmässä esitellään aihe, mahdollisesti selkeä tutkimuskysymys ja kuvaillaan tutkimuksen tavoitteet. Tiivistelmässä on hyvä myös selittää avaintermit 1-2 lauseella. Tiedonhakupyynnön otsikko on tärkeä, sillä se saa haussa enemmän painoarvoa.
Tiedonhaku voi lähteä liikkeelle myös aihetta käsittelevän jo olemassa olevan tutkimusartikkelin tiivistelmätekstillä tai hyvän artikkelin DOI-linkillä, missä kyseisen artikkelin tiivistelmä toimii tiedonhaun perustana. Haku toimii myös tavallisella URL-osoitteella, joka viittaa kyseiseen artikkeliin.
Iris.ai:n haun tuloksena syntyy visuaalinen tutkimuskartta, jota voi editoida. Myös alkuperäistä hakua voi editoida. Artikkeleita voi suodattaa mm. julkaisuvuoden, tietyn tietolähteen ja relevanssin perusteella. Huonoksi havaitut artikkelit voi poistaa tutkimuskartasta. Hyväksi havaitun artikkelin pohjalta voi luoda myös uuden tutkimuskartan ”Find related papers” -toiminnon avulla. Tutkimuskartan voi tallentaa omalle tilille kirjanmerkkeihin, myös hakuhistoria tallentuu omalle tilille.
Focus-työkalun avulla voi organisoida artikkeleita ja luoda lukulistoja haluamistaan artikkeleista. Sen avulla voi käsitellä omalla tilillään olevia tutkimuskarttoja tai tuoda käsittelyyn artikkeleita tiedostona. Tiedostolle on luotava Google Drive - tai Dropbox -kansio ja jaettava kansio Iris.ai:n kanssa. Sen jälkeen tiedostoa on mahdollista käsitellä Focus-työkalulla. Include & exclude -toiminnoilla voi artikkeleita sulkea pois tai sisällyttää listaan mm. aiheiden ja avainsanojen avulla. Kun lukulista on valmis, sen voi tallentaa erilliseksi csv-tiedostoksi haluamaansa paikkaan. Omia Focus-tutkimuksia voi tarkastella Iris.ai-tilillään.
Pilottijaksoon kuuluu myös yhden tietokannan integrointi Iris.ai-palveluun. Meillä integroitava tietokanta on Elsevierin ScienceDirect-tietokanta. Integraatio toteutetaan API-rajapinnan kautta ja yhteyttä rakennetaan parhaillaan. ScienceDirect-integraatiota odotetaan innolla.
Kokemuksemme Iris.ai:n käytöstä ovat vielä melko vähäiset. Ensimmäisen työpajan jälkeen saimme osallistujilta kommentteja sekä puolesta että vastaan. Osa oli onnistunut löytämään tutkimusongelmaansa relevanttia aineistoa ja osa taas ei ollut lainkaan tyytyväinen hakutuloksiinsa. Eri tieteenaloilla Iris.ai tuottaakin hyvin erilaisia tuloksia. Sen toimivuus riippuu pitkälti siitä, kuinka paljon tietyn alan tutkijat ovat panostaneet järjestelmän opettamiseen tai kuinka paljon Iris.ai:n kehittäjät ovat sitä tietyllä aineistolla harjoittaneet. Iris.ai:n tavoitteena on opettaa konetta lukemaan ja ymmärtämään tieteellistä tekstiä ja löytämään asiayhteyksiä eri tieteenalojen välille ja laajentamaan näkemystä tutkimusalueesta.
Tekoälyn hyödyntäminen tulevaisuuden osaamistarpeiden tunnistamisessa
Haaga-Helia, Laurea ja Metropolia (3AMK) tekevät yhteistyötä tekoäly-yritys Headain kanssa. Tekoäly etsii näiden korkeakoulujen opetussuunnitelmissa mainittuja osaamisia ja vertailee niitä pääkaupunkiseudun työpaikkailmoituksissa mainittuihin osaamisiin. Vertailuista syntyy osaamiskarttoja, joita tulkitsemalla voidaan esim. nähdä, miten hyvin 3 AMK:n opetustarjonta vastaa työelämän tämänhetkiseen kysyntään. Opetussuunnitelmia ja koulutustarjontaa voidaankin näiden karttojen avulla kehittää entistä paremmin työelämän tarpeita vastaaviksi.
3AMK:iin on perustettu tekoälyosaajien tiimi, jonka tavoitteena on lisätä ammattikorkeakoulujen omaa osaamista tekoälyn parissa.
SalesLab ja eComLab -vuorovaikutuslaboratoriot
Haaga-Helia otti noin vuosi sitten käyttöön Pasilan kampuksella myynnin huippulaboratorion SalesLabin, jossa hyödynnetään tekoälyä ja bibliometriikkaa käyttäviä ohjelmistoja asiakkaan tunnekokemuksen mittaamisessa. Kasvojen ilmeistä, eleistä ja pään liikkeistä tehdään päätelmiä asiakkaan tunnereaktioista. Saadun tiedon perusteella myyjät voivat parantaa vuorovaikutustaitojaan ja sitä kautta myös asiakaskokemusta.
© MEERI UTTI
SalesLabia voidaan käyttää myös muihin asiakaskohtaamistilanteisiin, neuvottelutilanteisiin ja coaching-taitojen kehittämiseen. Yleisten tilojen lisäksi SalesLabissa on lisäksi kaksi neuvottelukoppia, joista toinen on tarkoitettu neuvottelutilanteisiin ja toinen on varustettu muun muassa kasvojen mikroilmeiden tutkimiseen tarkoitetulla iMotions-työkalulla.
Pasilan kampuksella toimivassa eComLabissa keskitytään verkkokauppatoiminnan kehittämiseen. Myös siellä hyödynnetään tekoälyä.
Mitä seuraavaksi?
Olemme kirjastossa hyvin kiinnostuneita hyödyntämään Annif-työkalua sisällönkuvailussa. Olemme jo jonkin verran testanneet Annifia käytännössä, mutta emme ole sitä vielä virallisesti ottaneet osaksi kuvailuprosessiamme. Alamme myös selvittää, miten voisimme hyödyntää Annifia omassa sisäverkon opinnäytetyötietokannassamme HH Thesiksessä.
Ketamo, H., Moisio, M., Passi-Rauste, A. & Alamäki, A. (2019). Mapping the Future Curriculum: Adopting Artifical Intelligence and Analytics in Forecasting Competence Needs.Teoksessa Sargiacomo, M. (toim.): Proceedings of the 10th European Conference on Intangibels and Intellectual Capital ECIIC 2019, 24–25.5 Chieti-Pescara, Italy, ss. 144–153.
Rusanen, Anna-Mari & Ylikoski, Petri & Yliopisto, Helsingin. (2017). Algoritmit, tekoäly - tieteen murros? FUTURA. 2. 15-26.
Tietoa kirjoittajasta:
Eeva Klinga-Hyöty tietopalvelupäällikkö, Haaga-Helia
Kommentit