Hyppää sisältöön

Tekoälyavusteinen ennakointi – tulevaisuushorisontti uusin silmin

| Hankkeet ja selvitykset, Pirkanmaan liitto, Tieto ja ennakointi

Muutos on väistämätön, mutta ei sen ennakointi. Viisauden lainaaminen etukäteen systemaattisella ennakointityöllä ja osaamisella antaa etua, jota ei kannata jättää käyttämättä.

Muutos ei tule enää koskaan olemaan niin hidasta kuin se on tällä hetkellä. Nopean muutoksen keskellä olisi houkutus tietää, mitä kaikesta seuraa. Pandemia, maailmanlaajuinen energiakriisi ja Venäjän laajamittainen invaasio Ukrainaan muuttivat ajatuksiamme todennäköisyyksistä sekä siitä, mikä on mahdollista ja mahdotonta.

Tulevaisuuden ennustaminen on vaikeaa, mutta sen ennakoinnin ei tarvitse sitä olla. Viisauden lainaaminen etukäteen systemaattisella ennakointityöllä ja osaamisella antaa etua, jota ei kannata jättää käyttämättä. Tulevaisuuteen voidaan vaikuttaa ja siihen varautua esimerkiksi parantamalla toimijoiden tulevaisuusvalmiuksia, ennakointiosaamista ja mukautumiskykyä, niin näkyvien trendijatkumoiden kuin hiljaisten signaalien osoittamien epäjatkuvuuksien osaltakin.

Esimerkiksi kuntosalit, jotka onnistuneesti lisäsivät digitaalisten kuntosalipalvelujen tarjontaa, selviytyivät pandemian aiheuttamilta ongelmilta lievemmillä vahingoilla tai parhaimmillaan kasvattivat liikevaihtoaan. Vaikka pandemian aiheuttamia dramaattisia epäjatkuvuuksia ei olisikaan osattu ennakoida, monet kuntosalit olivat aiemmin havainneet alan digipalvelullistumisen trendin ja omasivat siksi relevantteja muutosvalmiuksia näihin haasteisiin.

Vuonna 2020 Euroopan komission strategisen ennakoinnin raportti ilmoitti EU-laajuisen ennakointiverkoston luomisesta, jonka toiminta alkoi virallisesti toukokuussa 2021. Euroopan laajuisen ennakointiverkoston tavoitteena on kehittää julkistoimijoiden ennakointiosaamista ja strategista yhteistyötä synergiseen tulevaisuusnäkymien tarkasteluun. Unionin asettama tavoite tehdä systemaattista alueellista ja kansallista ennakointityötä luo julkistoimijoille haasteen selvittää ja kehittää ennakointiosaamisen, ennakointiyhteistyön ja alustaratkaisujen malleja.

Yleisinä sudenkuoppina ennakointityön tekemisessä ovat olleet muun muassa ennakointityöhön asetettujen resurssien ja systemaattisuuden puute sekä relevanttien tietolähteiden vaikea tunnistaminen ja niiden hyödyntäminen. Vastatakseen näihin alustaratkaisumallin kehittämisen haasteisiin Pirkanmaan liitto selvitti erilaisia tietopalvelumallin toteutustapoja perustuen ennakointityötä koskeviin tieteellisiin julkaisuihin sekä Euroopan unionin julkaisemiin suosituksiin ja materiaaleihin. Tämä kirjoitus perustuu tiivistelmään tästä selvityksestä.

Ekosysteemitason systemaattinen ennakointi

Tulevaisuuden tutkimuksessa yleinen ennakoinnin termi on strategic foresight, mikä forecasting-termistä poiketen ei yleensä kuvaa tulevaisuutta yksittäisellä tai määrällisellä ennusteella, vaan se pyrkii löytämään useita mahdollisia tulevaisuusnäkymiä - havaiten orastavia ilmiöitä, heikkoja signaaleja sekä luomaan järjestelmällistä keskustelua moninaisista tulevaisuudennäkymistä.

Markkinoiden, toimitusketjujen, politiikan sekä muiden muutosvoimien ja toimijoiden kansainvälisyys ja verkottuneisuus tekevät tulevaisuuden ennakoinnista vaikeasti ennustettavan, ja usein yksittäistä toimijaa suuremman haasteen. Siksi systemaattinen ennakointityö parhaiten toteutettuna pyrkii osallistamaan ja sitouttamaan relevantteja sidosryhmiä systemaattiseen debattiin strategisesta ennakointiyhteistyöstä.

Ennakointitiedon tuottaminen näkyisi laadullisina trendejä ja muutoksia hahmottelevana horisonttinäkymänä. Kuitenkin laadullisen analyysin toteuttaminen laajoista, suuria tietoaineistoja kattavista kokonaisuuksista on useimmin huomattavia asiantuntijatyötunteja vievä prosessi, mikä voi näkyä ennakointityöhön osoitettujen resurssien ja tuloksellisuuden puutteena.

Vastakseen tähän haasteeseen Pirkanmaan liiton tekemä selvitys tarkasteli tekoälyn, koneoppimismallien ja luonnollisen kielen käsittelyn (NLP) mahdollisuuksia vähentää tutkimus-, kehitys- ja innovaatiotoiminnan analyysiin käytettävää aikaa sekä mahdollisuuksia uusien näkökulmien löytämisen tietoaineistoista.

Esimerkiksi bibliometriset analyysit ja erilaiset patenttitietokantojen analyysit viimeisimmissä tutkimuksissa ovat useasti hyödyntäneet eri koneoppimismalleja ja luonnollisen kielen käsittelyä havaitsemaan ja kuvaamaan laajasti tieteen sekä innovaatioiden kehitystä sekä niiden laajempaa kokonaiskuvaa (esim. toimialoittain).

Ennakointitiedon kerääminen ja luominen patenttirekistereistä voisi tarjota kohdennettua hyötynäkökulmaa alueen yrityksille ja muille TJANSSI-hankkeen sidosryhmille.

Luonnollisen kielen käsittely – mitä jos tekoäly lukee aineistot puolestamme?

Luonnollisen kielen käsittelyä voidaan hyödyntää muun muassa tutkimuksien ja patenttien algoritmipohjaiseen klusterointiin paremmalla tarkkuudella näiden tiivistelmien semanttisen läheisyyden perusteella.

Tämä mahdollistaa patenttien ja julkaisujen samankaltaisuuksien strukturoidun tarkastelun laajemmassa kontekstissa koneavusteisesti. Vastaavasti yleisempi avainsanapohjainen analyysi kärsii taas useista puutteista, kuten esimerkiksi avainsanojen kehnosta selitystarkkuudesta.

Tutkimusten ensisijaiset avainsanat voivat olla identtisiä hyvin erilaisten tutkimuksen kesken. Sanojen määrällinen summa ei itsessään kanna suurta kuvaamis- tai selitysvoimaa ekosysteemitason ennakoinnissa esitettäviin kysymyksiin. Tämän vuoksi tekoälyavusteinen analyysi ei vain vähentäisi laadulliseen analyysiin käytettäviä työtunteja, mutta oikein toteutettuna myös mahdollistaisi paremman tarkkuuden näille analyyseille.

Pirkanmaan liiton hankkeen aikana rakentama ratkaisu tulee hyödyntämään myös useissa relevanteissa tutkimuksissa hyödynnettyä SaaS – alustamallia, jonka tarkoitus on vielä enemmän automatisoida tutkimus- ja innovaatiokentän kehityssuuntien klusterointi- ja analyysiprosessia.

Selvitys suosittaa tekoälyavusteiseen ennakointiedon keräämiseen ja julkaisemiseen tietopalvelumallia, joka automatisoi, nopeuttaa ja yksinkertaistaa ennakointiedon keräämistä, luomista- ja julkaisemista.

Toisin sanoen: mitä enemmän analyysien teknisessä toteuttamistavassa voidaan vähentää ihmisen tekemää työtä, sitä helpommin saavutettavaksi voidaan ennakointityötä tehdä niin yksittäiselle toimijalle kuin ekosysteemin tasollakin.

Tule mukaan kehittämään ennakointiosaamistasi Pirkanmaan liiton, Tampereen ammattikorkeakoulun, Business Tampereen ja muiden alueellisesta ennakoinnista kiinnostuneiden kanssa.

Seuraava TJANSSI - työpaja on 4.10. Klikkaa lisätietoa tapahtumasta tästä.

Lisätietoa aiheesta:

  • Tietosuunnittelija Joel Roth

    Suunnittelen ja valmistelen tietojohtamisen ja tietopalvelujen malleja alueellisten ennakointivalmiuksien kehittämiseksi. Olen mukana kehittämässä Pirkanmaan liiton, TAMK:in ja Business Tampereen luotsaamaa TJANSSI -hanketta tiiviissä yhteistyössä osatoteuttajien sekä hankkeen sidosryhmien kanssa.

Kaikki artikkelit