AI-RAGilla tehoa suunnitteluun, selvittelyyn ja ideointiin

Parhaat ajatukset ja oivallukset syntyvät yleensä yhdistelemällä eri tietämysalueiden tietoa. Esimerkiksi tutkimuksessa parhaat julkaisut syntyvät yleensä tutkijaryhmissä, joissa on mukana eri alojen asiantuntijoita. Kun nämä asiantuntijat ottavat oman alansa yleisesti tunnettuja totuuksia ja yhdistelevät niitä, niin usein syntyy uusi tieteellinen oivallus. Tällaisia tieteellisiä oivalluksia ovat esimerkiksi olleet DNA:n rakenne, kosminen taustasäteily sekä penisilliinin löytyminen ja jalostaminen hyötykäyttöön.

Sama lainalaisuus pätee keksintöihin ja innovaatioihin. Usein keksinnöt perustuvat hyvin tunnettuihin ja jopa vanhoihin periaatteisiin. Se mikä keksinnöstä tekee uuden ja mullistavan on eri tietämysalueiden tiedon yhdistäminen jonkun merkittävän ongelman ratkaisemiseksi. Esimerkkejä tällaisista keksinnöistä ovat esimerkiksi liukuhihna (Fordin keksintö autotehtaisiin), älypuhelin ja höyryturbiini.

Historiallisesti on siis ollut hyvä idea yhdistää erilaisia osaamistaustoja vaikeiden ongelmien ratkaisemiseksi. Monet organisaatiot ovatkin menestyksekkäästi soveltaneet tätä periaatetta omien haasteidensa ratkomiseen.

Monialaiset tiimit tai työryhmät eivät kuitenkaan ole ongelmaton vaihtoehto. Ne ovat kalliita, yhteisiä aikoja on vaikea löytää, voi olla haastavaa tunnistaa oikeat tietämysalueet ja tarvittavien ihmisten määrä voi kasvaa suureksi.

Nyt tekoäly tarjoaa uuden työtavan saada samoja hyötyjä. Ihan perinteinen LLM-työkalukin soveltuu tämän tyyppiseen työskentelyyn, mutta vielä parempia tuloksia saadaan hyödyntämällä RAG-teknologiaa. Ajatus on yksinkertaisesti, että hyödynnetään perinteisen tekoälyn rinnalla kykyä ensisijaisesti hakea ja yhdistellä tietoa annetuista dokumenteista.

Kuulostaa hieman abstraktilta? Käytännössä tämä siis tarkoittaa, että kerätään dokumentteja, jotka sisältävät tietoa aiheen kannalta olennaisista tietämysalueista ja annetaan ne tekoälylle. Tämän jälkeen voidaan keskustella tekoälyn kanssa näiden dokumenttien sisällöstä. Erityisen hienoa on mahdollisuus esittää AI:lle kysymyksiä, joihin se vastaa yhdistelemällä tietoa eri dokumenteista. Oikein käytettynä tällä päästään samanlaisiin hyötyihin kuin mitä on perinteisesti haettu poikkitieteellisistä työryhmistä. Alla kolme esimerkkiä, jotka havainnollistavat konseptia.

ERP-hankkeen selvittely

ERP-hankkeet ovat organisaatiolle tärkeitä, kalliita ja suuririskisiä investointeja. RAG tarjoaa uusia mahdollisuuksia alkuvalmisteluun, joiden ansiosta on aikaisempaa helpompi suunnitella lähestymistapa, joka tuottaa organisaatiolle aitoja hyötyjä ja minimoi muun muassa kustannuksiin liittyviä riskejä. Alla lyhyt yhteenveto tietämysnäkökulmista:

Toimialaan ja organisaatioon liittyvät tiedot: toimialan lainalaisuudet ja trendit, organisaation strategia ja taustatiedot, prosessit (organisaatio ja toimiala).

Teknologiaan liittyvät tiedot: ERP-vaihtoehdot, tärkeimmät teknologiatrendit, tietoa muista ERP:iin liittyvistä järjestelmistä.

Säätelyyn liittyvät tiedot: tärkeimmät yleiset lait ja direktiivit, toimialakohtainen säätely.

Menetelmiin liittyvät tiedot: prosessisuunnittelu, Lean, palvelumuotoilu, systemaattinen innovointi, kokonaisarkkitehtuurimallit, integraatioarkkitehtuurit.

Referenssiprojekteihin liittyvät tiedot: kustannustasot, riskit, menestystekijät, hallintamallit, projektinhallinta, avainroolit, työskentelytapa toiminnan kanssa, muutosjohtaminen, työntekijäkokemus.

Kun näihin eri tietämysnäkökulmiin liittyvät dokumentit ja lähteet on koottu AI-työkaluun, voidaan käydä muun muassa seuraavia mielenkiintoisia keskusteluja, jotka yhdistelevät näitä eri tietoja:

Miten ERP ja uudet teknologian mahdollisuudet voivat tukea organisaation strategiaa? Millaisia hyötyjä ERP-hanke voi tuottaa ja millaisin kustannuksin? Miten organisaation prosesseja kannattaisi muuttaa hyötyjen maksimoimiseksi ja hankkeen kustannusten vähentämiseksi? Mikä olisi kokonaistaloudellisesti paras ratkaisu, kun huomioidaan prosessit, säätely ja organisaation strategia sekä järjestelmät, joihin ERP:n pitää integroitua?

SOTE-tehostamiskohteiden tunnistaminen

Lähes kaikki SOTE-organisaatiot etsivät tällä hetkellä järkeviä säästökohteita. Kohteita, joiden avulla saavutetaan säästöjä minimaalisin vaikutuksin palveluihin ja asiakkaiden sekä henkilöstön kokemukseen. RAG-lähestymistapa tarjoaa hyvän työkalun tällaisten tehostamiskohteiden tunnistamiseen ja suunnitteluun. Esimerkiksi seuraavat tietämysalueet tarjoavat hyvän aloituspisteen:

Toiminta: prosessit, hoitomallit, muiden alueiden käytännöt ja prosessit, ulkomaiset esimerkit.

Talous: eri yksiköiden budjetit, trendit, yksikkökustannukset ja vertailukustannustiedot.

Teknologia: viitearkkitehtuuri, oma arkkitehtuuri, uudet teknologiat (AI, IoT ja niin edelleen).

Säätely: lait, hoitosuositukset, yleinen EU-sääntely ja niin edelleen.

Prosessi- ja palvelumuotoilutyökalut: Lean, palvelumuotoilu, Kokonaisketterä järkevän leikkaamisen malli.

Referenssit: onnistuneet tehostamisesimerkit muualta, sekä SOTE-alalta että sen ulkopuolelta.

RAG-työtilassa, jonne on koottu tietoa näistä näkökulmista, voi keskustella mahdollisista tehostamiskohteista poikkileikkaavalla tavalla: Anna jokaisen yksikön viisi suurinta menoerää ja ehdota niihin säästökohteita hyödyntäen teknologian ja prosessisuunnittelun tarjoamia mahdollisuuksia sekä ideoita siitä, miten muut ovat onnistuneesti tehostaneet toimintaansa. Anna esimerkkejä sääntelystä, jonka liian tiukalla tulkinnalla on merkittäviä kustannusvaikutuksia. Miten näissä voidaan säästää rahaa hyödyntämällä erilaista tulkintaa, teknologiaa, prosessisuunnittelua ja muiden hyviä käytäntöjä? Miten voisimme yksinkertaistaa nykyistä arkkitehtuuria ja saada kustannussäästöjä ilman, että sillä on vaikutusta toimintaan? Tee kolme eri ehdotusta, miten voisimme uudelleen muotoilla prosessin X hyödyntäen teknologian, prosessisuunnittelun ja muiden hyvien käytäntöjen tarjoamia mahdollisuuksia.

Uuden turvallisuusalan palvelun ideointi

Esimerkiksi turvallisuusalan yritys voisi hyödyntää RAG-mallia uusien palveluideoiden kehittämiseen. Tämä tekee innovaatioprosessista nopeamman ja usein myös laadukkaamman. RAG-työtilaan voitaisiin koota dokumentteja esimerkiksi seuraavista tietämysalueista:

Turvallisuuspalvelut: omat palvelut, kilpailijoiden palvelut, palvelut muualta maailmasta.

Teknologia: tekoäly, IoT, Arduino, Edge, langattomat verkot.

Innovointi ja palvelumuotoilu: systemaattinen innovointi, palvelumuotoilu, prosessisuunnittelu, arkkitehtuurityökalut.

Demografia ja kuluttajatrendit: asiakastutkimukset, yleiset kulutustrendit, arvomaailman muutokset, väestöjakauma.

Strategia ja kyvykkyydet: organisaation strategia ja kyvykkyydet (erityisesti vahvuudet).

Säätely: yhteenveto nykyisestä säätelystä, säätelyyn tulleet tai tulevat muutokset.

Näiden lähteiden avulla voidaan kysyä esimerkiksi seuraavia läpileikkaavia kysymyksiä tai tehtävänantoja: Millaisia sokeita pisteitä markkinassa on tällä hetkellä, ja miten uutta teknologiaa voidaan käyttää uudenlaisten palveluiden kehittämiseen? Mihin asioihin ollaan tyytymättömiä nykyisissä palveluissa ja miten näitä asioita voisi ratkoa yhdistämällä palvelumuotoilua ja uutta teknologiaa? Keksi viisi uutta palvelukonseptia, jotka ratkaisevat asiakkaiden haasteita, hyödyntävät organisaation vahvuuksia ja käyttävät teknologiaa uudella tavalla! Millaisia muutoksia strategian toteuttaminen vaatii organisaatiossa ja miten teknologia ja uudenlaiset palveluprosessit liittyvät tähän muutokseen? Uudelleen muotoile organisaation nykyiset palvelut hyödyntäen organisaation vahvuuksia, uutta teknologiaa ja palvelumuotoilua! Millaisia uusia vaatimuksia säätely tuo? Millaisia palvelumahdollisuuksia sääntelyn muutos ja uudet teknologian muutokset mahdollistavat yhdessä?

Lähteiden löytäminen

Kun halutaan hyödyntää RAG-mallia selvittelyssä ja suunnittelussa, niin ensimmäinen asia (tavoitteiden asettamisen jälkeen) on tunnistaa oikeat tietonäkökulmat. Yleensä osa näkökulmista on aika ilmeisiä (strategia, prosessit, teknologia ja niin edelleen). Nämä kannattaa tietenkin ottaa mukaan. On kuitenkin hyvä haastaa itsensä tunnistamaan yksi tai kaksi jokerinäkökulmaa mukaan. Se, että tunnistaa yllättävän tietonäkökulman mukaan analyysiin, voi olla tuloksen kannalta ratkaisevaa.

Kun näkökulmat on valittu, on aika etsiä lähteitä niiden sisälle. Lähteisiin pätee sama viisaus kuin tietonäkökulmiin. Osa lähteistä on ilmeisiä ja ne kannattaa ottaa ehdottomasti mukaan. Luova lähteiden löytäminen näiden peruslähteiden lisäksi tuo syvyyttä analyysiin. Yritä siis myös löytää lähteitä, jotka eivät ole ilmeisiä. Lähteet voidaan jakaa karkeasti kolmeen kategoriaan: sisäiset lähteet, avoimet tai puoliavoimet lähteet sekä analyysiä varten tehdyt tai koostetut lähteet.

Sisäiset lähteet

Sisäiset lähteet tarkoittavat niitä dokumentteja, joita organisaatiolla, työryhmällä tai projektilla on käytettävissään organisaation sisältä. Tällaisia voivat olla esimerkiksi strategia, aikaisemmat selvitykset, arkkitehtuuridokumentit, prosessi- ja/tai palvelukuvaukset.

Jos löydät muutaman dokumentin, joiden avulla pystyt tuomaan prosessiin tietoa siitä, miten organisaatio toimii tällä hetkellä, niin saat paljon konkreettisempia vastauksia tekoälyltä. Sellaisia, jotka soveltuvat suoraan organisaation nykytilanteeseen.

Avoimet tai puoliavoimet lähteet

Tähän kategoriaan menee kaikki, mikä on joko täysin avoimesti saatavilla (esimerkiksi suoraan internetissä) ja sellaiset, mitkä on saatavilla esimerkiksi pyytämällä tai esimerkiksi organisaation tilaukseen perustuen (esimerkiksi kaupalliset markkina-analyysit tai teknologiaselvitykset).

Osa tämän kategorian lähteistä on hyvinkin ilmeisiä, kuten esimerkiksi parhaita käytäntöjä ja säätelyä koostavat dokumentit. Tämän kategorian sisällä on kuitenkin paljon piilotettuja helmiä, joten kannattaa erityisesti tekoälyn avulla etsiä lähteitä.

Lähteitä voi etsiä esimerkiksi perinteisillä tekoälyratkaisuilla (kuten OpenAI), mutta kannattaa myös hyödyntää lähteiden löytämiseen erikoistuneita työkaluja (kuten Perplexity).

Tämä on osa-alue, jossa taitavalla työkalujen hyödyntämisellä pystyt pienellä vaivalla löytämään suuren määrän analyysin kannalta hyödyllisiä lähteitä.

Analyysiä varten tehdyt tai koostetut lähteet

Välillä analyysiä varten tehdään ihan omiakin selvityksiä tai tutkimuksia. Esimerkkejä tällaisista voivat olla vaikka käyttäjätutkimus tai arkkitehdin tekemä selvitys. Aikaisemmin nämä olivat kuitenkin harvinaisia johtuen kustannuksista ja niihin menevästä työajasta.

Tilanne on kuitenkin muuttunut. Nykyään analyysiä ja suunnittelua varten tehdään hyvin usein selvityksiä ja koosteita. Tekijänä toimii tekoäly. Kannattaa siis hyödyntää tekoälyn tarjoama mahdollisuus tehdä syvätutkimuksia ja koostaa niiden pohjalta juuri sellaisia selvityksiä ja taustadokumentteja kuin tarvitsette.

Tietosuoja

Tietosuoja on tärkeää huomioida, mutta se kannattaa tehdä maalaisjärkisesti. Yleisesti käytettyihin työkaluihin ei kannata syöttää salaista tai erittäin luottamuksellista tietoa. Moni dokumentti ei kuitenkaan ole niin luottamuksellinen kuin voisi äkkiseltään ajatella.

Myös työkalujen käyttöehdot ja palvelusopimus vaikuttavat tilanteeseen. Jos teidän organisaatiolla on esimerkiksi OpenAI:n kaupallinen tilaus, niin tietoja ei käytetä kouluttamiseen samalla tavalla kuin ilmaisessa vaihtoehdossa.

Jos tietosuoja estää sisäisten lähteiden käyttämisen, niin aina voi käyttää avoimesti saatavilla olevia lähteitä näiden tilalla. Esimerkiksi organisaation strategiasta ja palveluista on usein saatavilla riittävästi tietoa julkisesti. Ja tietosuoja ei estä näiden julkisten lähteiden käyttöä. Tai tee vaikka syvätutkimus tekoälyn avulla organisaation strategiasta ja palveluista. Yllätyt, kuinka hyvän analyysin saat pohjautuen julkisiin lähteisiin.

Muista siis huomioida tietosuoja, mutta älä unohda terveen järjen käyttöä. Tarvittaessa lähteistä voi myös poistaa luottamukselliset osat.

Oikeiden kysymysten esittäminen

Nyt kun sinulla on paljon laadukkaita lähteitä eri tietämysalueiden näkökulmista, on aika hyödyntää niitä. Tämä voi kuulostaa helpolta, mutta vaatii panostusta ja usein myös yllättävän paljon luovuutta. Kysymysten laatu ja osuvuus vaikuttaa paljon siihen, kuinka laadukkaita vastauksia saat.

Helpot kysymykset

Osa kysymyksistä on aika suoraviivaisia. Usein tällaiset kysymykset koskevat yhtä tai kahta osa-aluetta. Esimerkkejä tällaisista kysymyksistä on vaikka: Millaisia palvelemattomia tarpeita asiakkailla on? Millaisia haasteita nykytilanteen arkkitehtuurissa on? Miten säätely muuttuu?

Näitä kysymyksiä ei pidä väheksyä. Ne ovat tärkeitä ja ne on hyvä käydä läpi. On kuitenkin tärkeää, että ei rajoituta tällaisiin kysymyksiin vaan pyritään myös hyödyntämään RAG:n mahdollisuuksia yhdistää tietoa eri lähteistä.

Poikkileikkaavat kysymykset ja keskustelut

Poikkileikkaavat, montaa eri lähdedokumenttia koskevat kysymykset ja keskustelut ovat RAG:n ydin. Niiden avulla yhdistelet tietoa uusilla tavoilla. Tämä on yleensä se kohta, missä tärkeät oivallukset ja innovaatiot syntyvät.

Panosta siis miettimiseen. Miten voit esittää kysymyksiä sillä tavalla, että ne hyödyntävät tietoa mielenkiintoisilla tavoilla. Toki sen ei tarvitse olla yksittäinen kysymys, vaan usein kyseessä on enemmän keskustelu.

Hyvien kysymysten työpajailu

On helppo sanoa, että on tärkeää keksiä hyviä poikkileikkaavia kysymyksiä. Niiden keksiminen ei kuitenkaan ole kovin helppoa. Ohessa lyhyt esimerkki mikrotyöpajatekniikasta, jota voi käyttää kysymysten suunnitteluun.

Aloita tavoitteesta. Mieti, mitä on tärkeää saada selville tavoitteen saavuttamiseksi (lopputulos selvityksestä). Mieti, mitä eri tietämysnäkökulmia olisi hyvä yhdistää vastauksen saamiseksi.

Muotoile raakaversio kysymyksestä. Mieti, mitä jokeritietämysalueita voisit hyödyntää. Muotoile uusi versio kysymyksestä. Kokeile miten kävi ja yritä uudelleen.

Tekoälyn hyödyntäminen

Tekoäly on myös erinomainen kysymysten keksimisessä. Anna sille selvityksen tavoite ja kerro, mitä tietämysalueita sinulla on olemassa. Pyydä esimerkiksi kymmenen kysymystä. Jos joukossa on hyviä, niin ota ne käyttöön. Anna palautetta ja pyydä seuraavat kymmenen.

Äänen hyödyntäminen

Äänen hyödyntäminen tekee RAG-työtilojen käytöstä paljon helpompaa verrattuna kysymysten kirjoittamiseen. Osa työkaluista tukee suoraan äänen käyttöä ja muihin voi käyttää aputyökaluja (kuten Whisper Flow).

Sen uskoo vasta kun on kokeillut, mutta vaikeiden kysymysten muotoilu on usein merkittävästi helpompaa puhumalla kuin kirjoittamalla.

Muista kerätä kiinnostavat vastaukset talteen

Mielenkiintoisten vastausten talteen keräämiseen kannattaa panostaa. Muuten ne hukkuvat pitkään keskustelun virtaan. Hyvä käytäntö on luoda esimerkiksi Google Docs -tiedosto, jonne kerää kaikki mielenkiintoiset vastaukset talteen.

Kannattaa hyödyntää sisällysluetteloa ja tehdä osuva otsikko kullekin vastaukselle. Tällöin niitä on helppo hyödyntää myös jälkikäteen.

Koostedokumenttia voi myös hyödyntää tekoälyn kanssa syöttämällä sen takaisin lähteenä. Tällöin voi esimerkiksi kysyä, mitä tärkeää dokumentista puuttuu tavoitteen näkökulmasta.

Sopiva työkalu

RAG:n hyödyntäminen vaatii toki sitä tukevan työkalun. Tarjonta on onneksi aika runsasta. Ehkä tärkein valinta on päätös siitä, käytätkö erillistä RAG:iin erikoistunutta työkalua vai hyödynnätkö yleisten GENAI-työkalujen RAG-toimintoja.

Jos olet ensimmäistä kertaa kokeilemassa RAG:ia, niin esimerkiksi OpenAI:n ChatGPT-projektit ovat hyvä aloituspiste. Kerää lähteesi liitteeksi projektiin ja tee projektille ohje, että se etsii aina ensin dokumenteista ja jos sieltä ei löydy vastausta, niin se kertoo, että keksii sen itse.

Kokeneemmat käyttäjät voivat hyötyä enemmän RAG:ia varten suunnitelluista työkaluista, kuten esimerkiksi Googlen NotebookLM:stä. Ne sisältävät enemmän sisäänrakennettua tukea esimerkiksi lähteiden löytämiselle ja valmiita ominaisuuksia esimerkiksi visuaalisten tiivistelmien tekemiseen.

Yhtä oikeaa neuvoa ei siis ole. Kaikki työkalut ovat nykyään hyvin kyvykkäitä. Tilanteesi ratkaisee, mikä sinulle on sopivin. Kannattaa lähteä vain rohkeasti kokeilemaan jotain työkalua. Myöhemmin voi verrata sitä muihin.

Valmiit dokumenttipaketit

Valmiit dokumenttipaketit tekevät RAG:n hyödyntämisestä paljon helpompaa. Organisaatio voi koota aiheittain valmiita paketteja ja kun tehdään RAG-selvityksiä, niin nämä paketit on helppo ottaa osaksi työtilaa. Ne voivat olla organisaation sisäisiä tietopaketteja tai yleisiä, mutta esimerkiksi toimialaan liittyviä.

Esimerkkejä sisäisistä dokumentaatiopaketeista voisivat olla strategia ja keskeiset linjaukset, palvelut sekä organisaation arkkitehtuuri.

Yleisiä, mutta toimialaan liittyviä dokumenttipaketteja voisi olla alan keskeinen säätely ja standardit, viitearkkitehtuuri sekä toimialan analyysi ja trendit.

Valmiit dokumenttipaketit tekevät myös tietosuojan huomioimisesta helpompaa. Dokumentit katsotaan kerran tietosuojan näkökulmasta ja niitä voi vapaasti hyödyntää tämän jälkeen.

Korvaako RAG monialaiset tiimit?

On tilanteita, joissa RAG pystyy korvaamaan perinteiset moniosaajatiimit kokonaan. Yksi tällainen tilanne voi olla vaikka alustava selvitys. Työryhmän sijaan yksi tekoälyn hyvin hallitseva projektipäällikkö pystyy tuottamaan alustavan selvityksen. Toki siihen on hyvä pyytää varmistavat kommentit eri osaamisalueiden edustajilta. Tällainen lähestymistapa voi tuoda valtavasti nopeutta verrattuna perinteiseen työskentelyyn. Joskus myös parempaa laatua.

Useimmissa tilanteissa RAG kuitenkin täydentää perinteistä työskentelytapaa ja vähentää siihen kuluvaa työmäärää ja aikaa. Työryhmä voi auttaa esimerkiksi lähteiden tunnistamisessa ja kysymysten laatimisessa. Varsinainen analyysi tehdään AI:n tukemana.