Ihmisen paras työkaveri

Kielimallit ovat jo osa tavallisia toimisto-ohjelmistoja. Ne ovat taitavia löytämään tiedon suuristakin tekstimassoista.  

Fazer Makeiset hyödyntää kielimalleja kuluttajatutkimuksessa. Palautetta esimerkiksi pakkauksissa olevien QR-koodien kautta tulee paljon, ja kielimalli auttaa tekemään siitä yhteenvetoja ja löytämään trendejä. 

Tuotekehitysjohtaja Heli Anttila kertoo, että aiemmin palaute käsiteltiin manuaalisesti, missä oli suuri työ. 

– Ei AI:kaan ole plug and play -systeemi, joka toimii automaattisesti. On varmistettava oikeat promptaukset, jotta saamme aineistosta esiin sen, mitä haemme, Anttila sanoo. 

Fazer Makeisten aistitiimi kuluttajatestaa vuosittain paljon uutuustuotteita ja validoi idea-asteella olevia tuoteaihioita. Numeerisen tiedon lisäksi tutkimuksissa saadaan suuria määriä kvalitatiivista dataa, kun vastaajia voi olla tuhansia. 

– Kvalitatiivisen datan käsittelyssä AI on osoittautunut tehokkaaksi. AI löytää vastauksista sekä suuret linjat että pienimmät nyanssit, kun kysymysten asettelu tehdään taiten, Fazer Makeisten tuotekehitysjohtaja Niina Wredfors sanoo.  

Tekoälyn suomen taitokin on kehittynyt. Wredfors kertoo, että ensimmäisiä AI-avusteisia aineistokäsittelyjä tehdessä suomen kieli oli tekoälylle hyvin haastavaa, ja vastaukset saattoivat osoittautua manuaalisissa tarkastuksissa jopa osittain vääriksi. Välillä tekoäly totesi, ettei osaa tehdä pyydettyä asiaa. 

– Nykyisin kuluttaja-aineiston käsittely on sujuvaa, tulokset hyvin laadittuja ja pistotarkastuksin myös oikeaksi todennettuja. 

Alkutuotannon data talteen 

Teknologiapäällikkö Niina Valkonen Valiolta vetää Food 2.0 -veturihankkeessa teknologiamurros-teemakokonaisuutta, alkutuotannon kehityspäällikkö Hanna Castro taas vastaa alkutuotannon hankkeista. Heidän mukaansa datan keruu ja järjestäminen ovat edelleen keskeisiä tekoälyn käytön kysymyksiä. 

Suuri osa ruuantuotannon datasta syntyy alkutuotannossa. 

– Alkutuotannosta on jo paljon dataa, mutta se on tallennettu pirstaloituneesti eri järjestelmiin. Keskeinen haaste on koota se. Kun data on järjestetty, erilaisia AI-työkaluja voi rakentaa sen päälle, Castro sanoo. 

Valio on kehittänyt tiloja varten Esko-vastuullisuustyökalun, jonka ensimmäisessä versiossa on generatiivinen AI-ominaisuus tekstin tuottamisen tueksi, esimerkiksi tilojen kehityssuunnitelmien sanallistamiseen. 

Ohjelman tulevien versioiden tavoitteena on parempi data-analyysi, joka tekisi myös toimenpide-ehdotuksia tilan vastuullisuuden kehittämiseksi. Pohjadataa saadaan hiilijalanjälkilaskentaan kehitetystä Carbo® Ympäristölaskurista, nautojen terveystietojärjestelmästä ja maatalousyrittäjän terveystiedoista. 

Kaikkien tulisi hyötyä 

Niina Valkonen korostaa, että kaikkien osapuolten tulee hyötyä datan jakamisesta. Tiedolla johtamista tarvitaan sekä Valiolla että tiloilla. Tällä hetkellä tilat saavat vastuullisuuslisää Carbo-laskurin käytöstä. 

– Tekoäly mahdollistaa hyvän kierteitä ja kehityskaaria, kunhan datamassojen käsittelytyö saadaan toimimaan. 

Valkonen sanoo, että tuotekehityksen kaltaisessa luovassa työssäkään data ei aina ole systemaattisesti tallennettua, ja tavoitteena on selkeyttää datan hallintaa ja hyödyntämistä. 

Eräs kysymys on, kehitetäänkö työkaluja itse vai odotetaanko, että valmis työkalu tulee tarjolle esimerkiksi laitevalmistajan ohjelmistona. Patenttipuolella on jo käytössä sovellus, jossa on paljon AI-ominaisuuksia ja joka tukee asiantuntijoiden työtä esimerkiksi kilpailijaseurannassa.  

– AI auttaa tiedon etsimisessä, vaikean patenttitekstin ymmärtämisessä, katsausten tekemisessä ja oman keksinnön sparrailussakin. Tällainen tieto on hyvin sensitiivistä eli avoimia julkisia työkaluja kuten ChatGPT ei voi käyttää, Valkonen kertoo. 

Haaste ei ole yksin Valion, vaan datan määrä ja mahdollisuudet sen hyödyntämiseen ovat kasvaneet kaikkialla. Castro ja Valkonen sanovat, että alan yhteinen datastrategia olisi tarpeen, jotta datasta saisi täysimittaisen hyödyn. Yritysten pitää kuitenkin ensin työstää omaa datapohjaansa kuntoon. 

– Tämä on yksi väylä siihen, että saataisiin koko järjestelmästä parempi datan ja AI:n kautta kokonaisoptimoinnilla osaoptimoinnin sijaan. 

Esimerkiksi alkutuotannon ja tutkimuksen ja tuotekehityksen data on vasta tulossa lähemmäs asiantuntijatyötä. 

– Jotta tutkimus ja tuotekehitys ja IT-puoli saataisiin toimimaan yhdessä, on opittava uusia tekemisen malleja. Valiollakin on paljon eroja tehtaiden ja organisaation osien välillä datan ja tekoälyn käytössä, Valkonen sanoo. 

Food 2.0 -ohjelma mahdollistaa yhteistyön myös datahankkeissa. Eräs esimerkki on Luonnonvarakeskuksen vetämä Animal Welfare Verification System -hanke, jossa eläinten hyvinvointitieto integroidaan osaksi arvoketjussa kulkevaa raaka-aine- ja tuotetietoa. 

Muuttujat ja tavoitteet ohjelmaan 

Valmiita työkaluja alkaa olla tarjolla myös tuotekehitykseen. 

– Tuotekehityksessä reseptit ovat edelleen usein exceleissä, ja ne on saatettava muotoon, jossa AI pystyy niitä lukemaan, sanoo AI-avusteisen tuotekehitysohjelman kehittäneen suomalaisen Exhiven toimitusjohtaja Emma Kämäräinen. 

Exhiven ja datatiedettä opiskelleen Kämäräisen taustat ovat tuotekehityksen konsultoinnissa. Exhiveä edeltänyt konsulttiyritys työskenteli elintarviketeollisuuden asiakkaiden kuten jättikonserni Mondelezin projekteissa.  

Exhiven nykyiset asiakkaat ovat ulkomaisia elintarvikeyrityksiä. Se on auttanut esimerkiksi kanadalaista Smartsweetsiä kehittämään sokerittomia makeisia. Asiakkaissa on oluen, kahvin, makeisten, mausteiden ja leivonnaisten valmistajia. 

Kämäräisen mukaan työssä on muodostunut hyvä käsitys tuotekehityksen prosessien pääpiirteistä, jotka toistuvat tuotetyypistä riippumatta. Niiden pohjalta yritys on kehittänyt ohjelmistonsa tekoälyavusteiseen tuotekehitykseen.  

Alustalle kirjataan tiedot ainesosista, ravintoarvoista ja muista muuttujista, joita tekoäly pyrkii ohjeen mukaan optimoimaan. Siihen voi syöttää myös toivottuja rajoitteita kuten toivottu kalorimäärä tai kuidun määrä lopputuotteessa. Melko usein tavoitteena on alentaa tuotteen hintaa tai parantaa sen aistittavia ominaisuuksia. Tekoäly antaa ohjeiden mukaan useita reseptivaihtoehtoja. 

Tekoälyn hyödyt näkyvät prosessien nopeudessa ja iteraation vähenemisessä: tekoälyä hyödyntämällä projekteihin on mennyt jopa 50 prosenttia vähemmän aikaa, ja toistokertoja on ollut noin kymmenesosa perinteiseen työtapaan verrattuna. 

– Meillä on ollut tapauksia, jossa ihmistiimi on ensin työstänyt tuotetta, ja ratkaisu on löytynyt vasta AI:n ehdottamasta reseptistä, Kämäräinen sanoo. 

Eräässä tapauksessa tuotteella oli kompleksinen ainesosaprofiili, eikä markkinoilla jo olevaan tuotteeseen haluttu erottuvaa muutosta. Toisessa tapauksessa kehitettiin vegaanista tuotetta, jonka toivotun makuprofiilin löytäminen oli vaikeaa. 

Firman oma tietopankki 

Tuotekehityksen prosessien edellyttämä laskeminen on kielimalleille vaikeaa. 

– Kielimallit pyrkivät antamaan mahdollisimman todennäköisen vastauksen opetusaineistoonsa perustuen, mikä johtaa siihen, että ne kerta toisensa jälkeen ehdottavat samaa asiaa, Emma Kämäräinen kuvailee. 

Tuotekehittäjää ei myöskään voi korvata tekoälyllä. Ihminen on jatkossakin se, joka päättää prosessin lähtökohdat ja tavoitteet, sen, mihin keskitytään ja sen, mitä päätetään. Valmis prototyyppi arvioidaan aistinvaraisesti ihmisraadin avulla, ja arviot annetaan palautteena ohjelmaan seuraavan reseptiehdotuksen pohjaksi. 

Tietoja syöttäessä tärkeää on myös tuotekehittäjän kokemustieto esimerkiksi aiemmista reseptiversioista. Pk-yrityksen näkökulmasta tekoälyä voi myös ajatella tietopankkina, jossa firman sisäinen tieto säilyy, vaikka työntekijöitä lähtisi eläkkeelle tai vaihtaisi työpaikkaa. Näin varmistetaan pohjatietojen siirtyminen seuraaviin projekteihin. 

Kämäräinen näkee, että tekoälyn suurimmat hyödyt ovat mekaanisen työn vähentämisessä. 

– Tavoite on, ettei ihmisen tarvitse käyttää aikaansa tiedon copypastaamiseen, vaan hänen työpanoksensa voi käyttää oikeasti vaikeisiin asioihin. 

Apuna myös päästölaskennassa 

Vaikea asia voi olla vaikkapa tuotannon päästöihin puuttuminen. Päästölaskennassa liikutellaan isoja datamassoja, ja samalla tietojen on oltava mahdollisimman täsmällisiä. Tässä tekoälyllä on suuri potentiaali, sanoo toimitusjohtaja Vilja Hannula päästölaskentaa tekevästä Biocode Oy:sta. 

Systeemitason ratkaisut kehittyvät vähitellen. Monesti laskennan suurin työmäärä on datan kerääminen. Sen automatisointi ja strukturointi ennen laskentaa ovat vaiheita, joissa tekoälyä jo nyt hyödynnetään.  

Biocoden laskentatyökaluun on vielä tänä vuonna tulossa ominaisuus, joka auttaa valitsemaan datapankista esimerkiksi maantieteellisesti tai vaikka tuotantotavoiltaan tarkimman mahdollisen päästökertoimen.  

Tekoälyavustaja myös auttaa käyttäjää täsmentämään tiedon syöttöä. Näin vähennetään sähköpostitse tai puhelimella käytäviä tarkistuskierroksia. 

– Parhaimmillaan tekoäly poistaa laskennasta työläitä manuaalisia vaiheita. Näin säästyy resursseja neuvontaan ja muutosten tekemiseen eli aidosti vaikuttavaan ilmastotyöhön, Hannula sanoo.

Luovuuden tukemista ja parempaa tiedonkulkua

Coca-Cola Europen tutkimus- ja kehitysyksikössä Brysselissä työskentelee 80 alan ammattilaista. Sen toiminta-alueella asuu noin kaksi miljardia kuluttajaa Euroopan, Lähi-idän ja Afrikan alueella. 

Tuotekehityksessä kuluttajan ymmärtäminen, tekninen osaaminen ja luovuus yhdistyvät, mutta tekoäly auttaa tehostamaan työtä. Kuluttajatutkimusyksikön teknologiajohtaja Jean-Christophe Lombard kertoo, että tekoälyä kokeillaan tällä hetkellä esimerkiksi reseptien suunnittelussa. 

Tekoäly voi auttaa myös aistinvaraisten kokemusten kehittämisessä. Coca-Cola hyödyntää AI Sensory Profiling -työkalua, joka auttaa etsimään uusia houkuttelevia aistikokemuksia ja ymmärtämään, mitä kuluttajat eri alueilla toivovat tuotteen aistittavilta ominaisuuksilta. Tulevaisuudessa tavoitteena on yhä tarkempi, molekyylitasolle menevä käsitys aistikokemusten toiminnasta. 

Yritys hyödyntää tuotteissaan yli 1 600 eri raaka-ainetta. Tekoäly voi nopeuttaa reseptien kehitystä, mutta Lombard näkee, että se myös tukee työntekijöiden luovuutta ja auttaa jakamaan tietoa tehokkaasti yrityksen tuotekehitysyksiköiden kesken. Ennustavien mallien kehitys tulee todennäköisesti vaikuttamaan tuotekehittäjien työhön. 

– Uskon, että tekoälyn rooli tuotekehittäjien työssä kasvaa tulevaisuudessa. Ihmisen luova työ tulee kuitenkin pysymään aina prosessin välttämättömänä osana.  

Virvoitusjuomateollisuudessa tärkeä tuotekehityksen osa-alue on oikeanlaisen makeutuksen löytäminen kullekin tuotteelle tai tuotetyypille. Esimerkiksi eri makeuttajien vaikutuksen kesto ja ajoitus vaihtelevat, samoin niiden yhteisvaikutukset. Tässäkin tekoäly voi tulevaisuudessa auttaa, mutta ihmisen ammattitaito ja kokemus pysyy olennaisena, Lombard sanoo.