AI Engineer Markus Kruth kertoo käynnissä olevasta projektista, jossa Data Design on mukana tekoälypohjaisen työhyvinvointivalmentajan rakentamisessa. Projektissa yhdistyvät kielimallit, personointi, tutkimustieto ja sensitiivisen käyttäjädatan käsittely. Tekninen haaste ei ole vain saada tekoäly vastaamaan kysymyksiin, vaan rakentaa valmentaja, joka muistaa, mukautuu ja auttaa käyttäjää pitkäjänteisesti.
Kuka olet ja mitä teet?
Olen Markus Kruth ja työskentelen Data Designilla AI Engineerinä. Työni painottuu ohjelmistokehitykseen ja erilaisten tekoälyjärjestelmien käytännön toteuttamiseen. Ydinosaamistani on datan ja tekoälyalgoritmien muuttaminen kestäviksi ohjelmistoratkaisuiksi, joiden ylläpidettävyys ja suorituskyky kestävät todellisen maailman vaatimuksia.
Onko jokin projekti jäänyt erityisesti mieleen?
Erityisesti mieleeni on jäänyt vielä parhaillaan käynnissä oleva projekti, jossa kehitämme sovellusta työhyvinvointivalmennukseen. On ollut todella kiinnostavaa päästä suunnittelemaan täysin uutta tuotetta alusta alkaen ja huomata, miten eri näkökulmat muovaavat lopputulosta.
Markkinointia kiinnostaa tuotteessa eri asiat kuin UX-suunnittelijoita, ja teknisessä kehityksessä painottuvat taas täysin omat seikkansa. Meidän tehtävämme on lopulta tehdä ideasta toimiva tuote: rakentaa sovellus ja ne ominaisuudet, jotka luovat varsinaisen käyttäjäkokemuksen.
Mistä projektissa on kyse?
Lähtökohtana on työhyvinvoinnin ja työssä suoriutumisen tukeminen. Uupumisen merkit voivat kehittyä pitkään ennen kuin ihminen itse pysähtyy niiden äärelle.
Vastaamme tähän tarpeeseen rakentamalla digitaalista hyvinvointivalmentajaa, joka auttaa käyttäjää tunnistamaan kuormituksen varhaiset merkit ja tarjoaa konkreettisia keinoja omasta hyvinvoinnista huolehtimiseen.
Samalla valmentajan täytyy mukautua käyttäjän yksilöllisiin tavoitteisiin. Joku voi haluta keskittyä palautumiseen, kun taas toinen esimerkiksi kehittyä paremmaksi johtajaksi. Valmennuksen painotukset muuttuvat näiden tarpeiden mukaan, mutta taustalla säilyvät kuitenkin samat päätavoitteet: hyvinvoinnin ja työssä suoriutumisen tukeminen.
Millaista ratkaisua rakennatte?
Ratkaisun ydin on tekoälyvalmentaja. Vaikeinta on se, että valmentajan pitää täyttää monta vaatimusta samanaikaisesti.
Sen pitää pystyä huomioimaan käyttäjän tilanteessa tapahtuvia muutoksia ja mukautumaan tämän tavoitteisiin. Sen pitää myös muistaa aiempia keskusteluja, koska ilman jatkuvuutta kyse ei oikeastaan ole valmennuksesta vaan yksittäisiin kysymyksiin vastaamisesta. Samalla vastausten pitää perustua luotettavaan tietoon ja tieteelliseen tutkimukseen.
Yksi kiinnostavimmista vaatimuksista liittyy itse vuorovaikutukseen. Valmentajan pitäisi tuntua keskustelukumppanilta, mutta käyttäjälle on samalla olennaista tietää, ettei toisessa päässä kuitenkaan ole aitoa ihmistä. Käyttäjätutkimuksessa juuri tämä nousi yhdeksi tärkeäksi tarpeeksi.
Teknisesti kiinnostavin työ syntyy näiden vaatimusten yhteensovittamisesta: miten rakennetaan valmentaja, joka on henkilökohtainen, johdonmukainen ja luotettava.
Millaisia haasteita projektissa on ilmennyt?
Tämä oli Data Designin ensimmäinen mobiilisovellusprojekti, joten aluksi piti selvittää myös mobiilikehityksen käytäntöjä ja sitä, mitä kaikkea siinä täytyy ottaa huomioon.
Melko nopeasti kävi kuitenkin ilmi, että moni asia on lähellä meille tuttua web-kehitystä. Kynnys osoittautui siis pienemmäksi kuin aluksi ajattelimme, ja samalla projekti on rakentanut osaamista, jota pystymme hyödyntämään seuraavissa mobiiliprojekteissa.
Miten tietoturva ja tietosuoja on huomioitu?
Kun käsitellään hyvinvointiin ja terveyteen liittyviä tietoja, tietosuoja ei ole asia, jonka voi lisätä tuotteeseen jälkikäteen. Se täytyy huomioida arkkitehtuurissa alusta lähtien.
Perusperiaatteena on datan minimointi: tietoa käsitellään vain siellä ja siinä laajuudessa kuin palvelun toiminta edellyttää. Henkilötietojen käsittelyssä täytyy luonnollisesti huomioida myös GDPR:n vaatimukset.
Lisäksi täytyy suunnitella tarkasti, miten tietoa siirretään sovelluksen ja taustajärjestelmien välillä, miten se suojataan ja missä vaiheissa tunnistetietoja ylipäätään tarvitaan. Mitä sensitiivisempää data on, sitä tärkeämpää on minimoida sekä käsiteltävän tiedon määrä että tarpeeton altistuminen.
Mikä on ollut projektin tärkein oivallus?
Kun projektissa on mukana asiantuntijoita useasta eri yrityksestä ja osaamisalueelta, yhteinen visio voi helposti alkaa hajota ja tarkoittaa eri ihmisille hieman eri asioita. Tällöin konkreettinen proof of concept on yllättävän tehokas keino saada kaikki taas katsomaan samaa asiaa.
Projektin käännekohta olikin ensimmäisen demon esittely. Kun tiimi näki ensimmäistä kertaa, miten valmentaja oikeasti vastaa käyttäjälle, keskustelu muuttui heti konkreettisemmaksi. Sen sijaan, että puhuttiin abstraktisti siitä, millainen valmentajan pitäisi olla, pystyttiin sanomaan: "Tuohon sen pitäisi reagoida eri tavalla" tai "Tässä tilanteessa sen pitäisi kysyä tätä."
Demo ei siis ollut vain tekninen virstanpylväs. Se oli työkalu, jonka avulla yhteinen näkemys tuotteesta alkoi muodostua.
Millainen vastaanotto ratkaisulle on ollut?
Tähän mennessä vastaanotto on ollut hyvä. Tuoteomistaja on ollut aktiivisesti mukana kehityksessä ja tuonut jatkuvasti näkemyksiä siitä, mitä valmentajan pitäisi tehdä ja mitä ei.
Olemme edelleen pilottivaiheessa, joten lopullisia johtopäätöksiä on liian aikaista tehdä. Tähänastisten tulosten perusteella suunta näyttää kuitenkin lupaavalta.
Voisiko samaa soveltaa muualla?
Itse sovellus on rakennettu tiettyä käyttötarkoitusta varten, mutta projektissa syntynyt osaaminen on paljon yleiskäyttöisempää.
Yksi konkreettinen oppi liittyy mobiilikehitykseen. Kun ensimmäinen mobiilisovellus on nyt rakennettu, seuraavaan projektiin lähteminen on huomattavasti helpompaa.
Vielä merkittävämpi oppi liittyy tekoälyvalmentajaan. Olemme oppineet paljon siitä, miten kielimallia voidaan ohjata tiettyyn käyttötarkoitukseen, miten sille rakennetaan muistia ja kontekstia sekä miten sen toimintaa voidaan rajata ja kehittää.
Samat kysymykset tulevat vastaan monessa muussakin tekoälytuotteessa. Siksi projektissa syntynyt osaaminen on siirrettävissä paljon laajemmalle kuin tähän yksittäiseen sovellukseen.
Mikä on ollut parasta projektissa?
Monialainen suunnittelu. Kun samaa tuotetta katsovat kehittäjät, UX-suunnittelijat, markkinoinnin ihmiset ja muut asiantuntijat, esiin nousee asioita, joita yksi ryhmä ei yksinään välttämättä huomaisi lainkaan.
Kehittäjänä helposti keskittyy siihen, miten jokin ominaisuus saadaan toimimaan. Joku toinen kysyy, ymmärtääkö käyttäjä sitä, tarvitseeko hän sitä tai miten siitä pitäisi puhua. Juuri näiden näkökulmien yhdistäminen tekee tuotteesta paremman.
Miten tästä jatketaan?
Nyt pääfokus on itse valmentajan kehittämisessä. Pilotin aikana olemme tunnistaneet tilanteita ja käyttäytymismalleja, joissa sen toimintaa halutaan parantaa, ja viemme niitä järjestelmällisesti toteutukseen.
Tavoitteena ei ole vain tehdä tekoälystä parempaa keskustelijaa. Tavoitteena on tehdä siitä parempi valmentaja: sellainen, joka tuntee keskustelun kontekstin, mukautuu käyttäjän tavoitteisiin ja pystyy tarjoamaan oikeanlaista tukea oikeassa tilanteessa.
