Tekoäly tekee parempaa jälkeä, kun sille kirjoitetaan auki ihmisten hiljainen ammattitaito
Työpaikoilla toistuu sama näytelmä: joku tarvitsee nopeasti selkeän kuvion simulaatiodatan esittämiseen, ja kokenein asiantuntija kutsutaan apuun. Hän tietää, mitä kannattaa piirtää, mitä ei pidä sekoittaa samaan kuvaan ja miten akselit merkitään. Harjoittelija osaa kyllä käyttää työkaluja, mutta lopputulos ei aina kerro oikeaa tarinaa. Ero on näkymättömässä: kokemuksen mukana tarttuneissa peukalosäännöissä.
Viime vuosina moni on toivonut, että suuret kielimallit — ne samat, jotka kirjoittavat sujuvaa tekstiä — oppisivat tämänkin. Ajatus on houkutteleva: kysy mallilta ja saat valmiin koodin kaunista kuvaa varten. Käytännössä yleismallit harovat usein ilmaa, kun pitää huomioida alan omat käytännöt ja standardit. Nyt tuore tutkimus ehdottaa ratkaisua, joka kuulostaa arkijärjeltä: ei odoteta, että tekoäly arvaa hiljaisen tiedon, vaan kirjoitetaan se auki ja annetaan mallille käyttöön.
Teollisessa tapaustutkimuksessa testattu toimintatapa yhdistää suureen kielimalliin joukon yksinkertaisia, mutta yhdessä tehokkaita osia. Ensinnäkin on pyyntöjen lajittelija, joka päätteleen, mitä käyttäjä oikeastaan haluaa. Sen jälkeen käyttöön kytketään hakujärjestelmä, joka noutaa yrityksen omia esimerkkejä ja ohjeita koodin tuottamisen tueksi. Tärkein osa on asiantuntijoiden sanoiksi ja säännöiksi kirjoitettu hiljainen tieto: milloin käytetään hajontakuvaa, milloin aikariippuvaista viivaa, mitä suureita ei pidä yhdistää samaan kuvaan. Lisäksi mukana ovat perusperiaatteet hyvästä visualisoinnista. Nämä kaikki on paketoitu agentiksi, joka pystyy toimimaan itsenäisesti, reagoimaan pyyntöihin, ennakoimaan puuttuvia tietoja ja keskustelemaan käyttäjän kanssa.
Kahtiajako on selvä: aiemmin luotettiin yleismallin kykyyn päätellä toimiva ratkaisu lennosta. Nyt ehdotetaan, että ihmiset kertovat mallille, miten toimiva ratkaisu rakennetaan, ja malli noudattaa tätä rakennusohjetta. Tavoite ei ole korvata asiantuntijaa, vaan kasvattaa muiden kykyä päästä lähelle hänen tasoaan.
Miltä tämä näyttää käytännössä? Kuvitelkaa suunnittelija, joka kirjoittaa järjestelmälle: ”Tarvitsen kuvan, josta näkee simulaatiossa mitatun lämpötilan muutoksen ajan funktiona.” Agentti ensin päättää, että kyse on aikasarjasta. Se hakee esimerkkikoodeja ja ohjeita: miten lämpötilaa on aiemmin kuvattu ja millaisia yksiköitä käytetään. Asiantuntijasäännöt ohjaavat valintaa: valitaan viivakaavio, lisätään selkeä selite ja varmistetaan, ettei eri ilmiöitä sotketa samaan kuvaan. Jos data puuttuu joiltain hetkiltä, agentti kysyy: ”Käytetäänkö interpolointia vai jätetäänkö aukot näkyviin?” Lopuksi se tuottaa valmiin koodin ja kuvan, joka noudattaa talon tapoja.
Tutkimus arvioi lähestymistapaa viidessä eri tilanteessa, jotka kattoivat useita tekniikan aloja simulaatiodatan visualisoinnissa. Kaksitoista arvioijaa vertasi uutta agenttia perusratkaisuun, joka edusti ilman tällaista tietopohjaa toimivaa mallia. Tulokset olivat selvät: tuotosten laatu parani keskimäärin 206 prosenttia arviointiasteikoilla mitattuna. Uusi agentti sai jokaisessa tapauksessa asiantuntijatasoiset arvosanat, kun vertailukohta jäi kauas jälkeen. Samalla koodin laatu pysyi korkeana ja tulosten vaihtelu pienempänä: toisin sanoen järjestelmä onnistui useammin ja tasaisemmin.
On tärkeää huomata, mistä tämä etu syntyy. Agentti ei ole ”älykkäämpi” kuin muut mallit sinällään. Se vain pääsee käsiksi kahteen asiaan, joita yleismalleilta puuttuu: yrityksen omaan kokemustietoon ja selkeästi kirjoitettuihin päätössääntöihin. Kun nämä on muotoiltu koneelle ymmärrettävästi, malli osaa toimia johdonmukaisesti. Samalla se vapauttaa asiantuntijoiden aikaa, kun peruspyynnöt eivät enää vaadi heidän panostaan.
Rajoituksiakin on. Kokeilu oli rajattu: viisi skenaariota, kaksitoista arvioijaa ja yksi sovellusalue, simulaatiodatan visualisointi. ”206 prosenttia” kuulostaa näyttävältä, mutta luku kertoo parannuksesta tämän asetelman sisällä, ei vaikutuksesta oikean elämän päätöksiin tai tuottavuuteen. Lisäksi hiljaisen tiedon kirjoittaminen auki vie aikaa niiltä samoilta asiantuntijoilta, joita yritetään säästää. Säännöt voivat vanhentua, ellei niitä päivitetä, ja ne voivat myös lukita toimintatapoja, jos uusia näkemyksiä ei päästetä mukaan. Eikä mikään estä sitä, että agentti joskus valitsee väärin — vaikkapa väärän kaaviotyypin — jos pyyntö on epäselvä tai ohjeisto puutteellinen.
Silti idea on kiinnostava, koska se kääntää tekoälykeskustelun suuntaa. Sen sijaan että odotettaisiin koneen päättelevän ihmisten ammattitaidon tyhjästä, pyritään tislattuun yhteistyöhön: ihminen kertoo, mitä pitää huomioida, ja kone jaksaa toteuttaa periaatteita uupumatta. Jos tällainen toimintatapa yleistyy, se voisi purkaa pullonkauloja monilla aloilla, joissa tieto on hajallaan dokumenteissa ja ihmisten mielissä.
Lopulta kysymys kuuluu: pitäisikö organisaatioiden käyttää enemmän energiaa oman hiljaisen tietonsa sanoittamiseen — vaikka se vaatiikin työtä — jotta tekoäly voi oikeasti auttaa? Ja jos näin tehdään, kuinka varmistetaan, että pullosta ei tule pysyvää muottia, joka estää uuden oppimisen?
Paper: https://arxiv.org/abs/2601.15153v1
Register: https://www.AiFeta.com
tekoäly data visualisointi ohjelmistotekniikka työelämä tutkimus
