Tekoäly on muuttamassa tapaa, jolla työskentelemme ja ratkaisemme arjen haasteita KKV:ssä. Tässä blogikirjoituksessa esittelen muutamia keskeisiä kokeilujamme, niiden oppeja sekä tulevaisuuden suunnitelmia.
1. KKV-tekoälyt: Sampo ja Salli
Olemme lanseeranneet henkilökohtaiset tekoälyavustajat, jotka tukevat KKV:läisten päivittäistä työtä. Näiden avustajien käyttö on tietoturvallista, ja ne on suunniteltu sekä luovaan kirjoittamiseen että tiivistelmien laatimiseen. Tämän projektin avulla olemme pystyneet tarjoamaan koko henkilöstölle kustannustehokkaan ja tietoturvallisen vaihtoehdon kaupallisille palveluille. Seuraavaksi on tarkoitus päivittää kielimalli uuteen versioon ja kehittää käyttöliittymää, mikä parantaa tekoälyavustajien käytettävyyttä entisestään.
2. Kela-taksi-kyselyn avovastausten analysointi
Selvitimme, voisiko tekoäly helpottaa kyselytutkimusten avovastausten analysointia. Vertasimme kielimallin tuottamia tuloksia ihmisen tekemään analyysiin. Vaikka kokeilusta ei saatu suoraan hyötyjä kyseisen aineiston analysointiin, opimme, että tulevissa kyselytutkimuksissa voimme hyödyntää parempaa kielimallia ja ketjuttaa kaksi mallia tehokkaamman analyysin saamiseksi.
3. Kuluttajaoikeudellisen ongelman luokittelu
Tutkimme, voisiko tekoäly auttaa luokittelemaan kuluttajaneuvontaan tulevia yhteydenottoja. Kehitimme mallia, joka valmistelee luokittelun, jolloin käsittelijän tehtäväksi jää vain vahvistaa tai korjata tekoälyn valinta. Tämä avaa uusia mahdollisuuksia tehokkaammalle tapausten käsittelylle. Mielenkiintoinen oppi kokeilusta oli, että vaikka luokittelu vaikuttaisikin perinteisen koneoppimisen peruskauralta, kielimallit voivat tuoda myös etenkin ei-rakenteellisen tiedon luokitteluun uusia mahdollisuuksia.
4.Kilpailuneutraliteettivalvontabotti (KNV-botti)
KNV-botti on kehitetty tukemaan KKV:n asiantuntijoita kilpailuneutraliteettiin liittyvissä kysymyksissä. Botti auttaa luonnostelemaan vastauksia aiempien vastausten pohjalta. Lopullisen vastauksen laatii aina asiantuntija. Hankkeessa saimme oppeja useammasta eri teknisestä toteutusvaihtoehdosta ja löysimme omaan kokoluokkaamme sopivan etenemistavan.
5. AI-apuri: asiantuntijat kansalaiskehittäjinä
Olemme mahdollistaneet RAG-mallien eli tiedonhakua ja tekstin generointia yhdistävien mallien ”kansalaiskehittämisen”, jossa asiantuntijat voivat itse luoda omia tekoälyapureitaan valitsemansa aineiston perusteella. Pilottiryhmämme on saanut tukea itseopiskelun ja vertaistuen kautta. Opimme, että tällainen lähestymistapa voi merkittävästi helpottaa kehittämisen pullonkauloja ja antaa asiantuntijoille vapauden valita, miten he parhaiten sujuvoittavat omaa työtään.
6. Kuluttajaneuvonnan tapausten tiivistäminen
Pisimmälle edenneen kokeilumme ideana on, että kielimallia hyödynnetään tiivistämään kuluttajaneuvontaan liittyviä ilmoituksia ja tapauksia. Tiivistelmien tuottaminen integroidaan tapauskäsittelyjärjestelmään ja tiivistelmien laatua valvoo tapauskäsittelijä. Tiivistäminen on osoittautunut erinomaiseksi käyttötapaukseksi kielimallille. Hankkeessa ollaan onnistuneesti siirtymässä soveltuvuusselvityksestä tuotantovaiheeseen.
Opit ja tulevaisuuden suunnitelmat
KKV:n generatiivisen tekoälyn kokeilut ovat olleet tärkeä askel kohti innovatiivisempaa ja tehokkaampaa toimintaa. Kaikissa kokeiluissamme on ollut keskeistä oppia ja kehittää toimintatapoja kohti käytännön hyötyjä. Olemme havainneet, että pienet, konkreettiset ratkaisut arjen ongelmiin ovat tehokkaimpia, ja niiden avulla voimme nostaa henkilöstön työskentelyä uudelle tasolle ja parantaa asiakaspalvelua.
Vaikka kaikki kokeilut eivät ole tuottaneet toivottuja tuloksia, olemme saaneet arvokkaita oppeja, joita voimme hyödyntää laajemmin KKV:n tulevissa projekteissa.
Tavoitteemme on edelleen keskittyä siihen, että tekoälyavustajamme tukevat asiantuntijoiden päivittäistä työtä ja mahdollistavat sujuvampia prosesseja.