• 22. helmikuuta, 2018

Sukellus oppimiskokemukseen – koneoppiminen, keinoäly ja chatbotit

Käsittelin aiemmassa blogikirjoituksessani mukautettua oppimista ja esittelin tapoja, joilla voidaan tehostaa oppimista organisaatioissa. Lyhyenä kertauksena: kirjoitin työntekijän oppimisen ja kokemusten digitalisoinnista, joka mahdollistaa näiden käsittelyn ja analysoinnin koneellisesti ja tietokonealgoritmien avulla.

Tässä kirjoituksessa otan aiheessa askeleen eteenpäin ja kerron, miten lähestymme henkilökohtaista mukauttamista Valamis-oppimisympäristössä (LXP). Ennen kuin aloitan pääaiheen käsittelyn, on tarpeen selventää, millaisessa kontekstissa Valamis-oppimisympäristö toimii.

Valamis-oppimisympäristössä käytetään Experience API (xAPI) -menetelmää, joka on aiemmin tunnettu myös nimellä TinCan API. xAPI kerää yksityiskohtaista tietoa työntekijän oppimisesta yksinkertaiseen muotoon. Tallennettuja tietoja analysoimalla niistä voi nähdä paitsi oppimisen lopputulokset, kuten suoritetut sertifikaatit tai koulutukset, myös koko sen prosessin, jonka työntekijä on käynyt läpi päästäkseen lopputulokseen. Näin tiedoista näkee tarkasti esimerkiksi, mihin kysymyksiin on vastattu oikein tai väärin, mihin työntekijät tarvitsivat enemmän aikaa ja esimerkiksi sen, kelasivatko he videomateriaalia eteen- tai taaksepäin.

Työntekijöiden oppimisen optimointi

xAPI-lausekkeina kerätyt oppimistiedot ovat jo itsessään arvokkaita, ja sen jälkeen kun tieto on saatu visualisoitua graafiseen muotoon ja raportteihin, sitä voidaan myös käyttää päätöksenteossa, kun pyritään mukauttamaan ja tehostamaan oppimisprosessia. Näin oppimisen ja kehittämisen asiantuntijat voivat seurata, millaisista toimista saa suurimman hyödyn – millaiset sisällöt toimivat parhaiten, mitkä oppijaryhmät tarvitsevat eniten tukea, mitkä materiaalit eivät tuota haluttuja lopputuloksia ja keillä on eniten ongelmia kokeiden läpäisemisessä. Näistä tiedoista voidaan päätellä, pitääkö materiaaleja suunnitella uudelleen tai olisiko toisenlainen opintopolku ehkä hedelmällisempi.

xAPI-lausekkeina näytetty tieto oppijan aktiviteeteista ja kokemuksista auttaa oppimisen ja kehittämisen parissa työskenteleviä muotoilemaan kullekin työntekijälle parhaan mahdollisen oppimisprosessin. Kaikki ei kuitenkaan suju automaattisesti: tietojen analysointiin, samoin kuin analyysitulosten soveltamiseen, tarvitaan ihmisiä. Lisäksi on huomattava, että järjestelmä ei mittaa, tuottaako yksilön oppimisprosessin optimointi etuja yrityksen liiketoiminnalle.

Kullekin työntekijälle yksilölliset koulutusmahdollisuudet

Organisaatioissa opitaan harvoin asioita vain oppimisen riemusta. Todennäköisimmin oppimisella vastataan eritasoisiin ongelmiin ja tarpeisiin, jotka saattavat koskea esimerkiksi työntekijän roolia, kulloinkin käsillä olevia työtehtäviä, tulevaa ylennystä, organisaation tai liiketoimintamallin muutoksia, uutta teknologiaa tai muutoksia kilpailijan kentällä.

Oppiminen voi muuttaa työntekijän toimintatapoja, ja tietoa tapahtuneista muutoksista voi saada useasta eri lähteestä. Esimerkiksi stressinhallintaa ja mindfulness-tekniikoita käsittelevä opintopolku voi vähentää työntekijän sairauspoissaolojen määrää. Yrityksen henkilöstöhallinnon järjestelmässä on todennäköisesti tietoa sairauspoissaoloista, ja kun sairauspoissaolotiedot yhdistetään tietoihin työntekijän kokemuksista ja oppimisaktiviteeteista, voidaan osoittaa, että oppimisaktiviteetit vaikuttavat työntekijöiden toimintatapoihin.

Suurissa organisaatioissa on usein monia mahdollisuuksia kerätä työntekijöihin liittyvää tietoa, mutta ne jäävät käyttämättä. Vertaamalla näitä tietoja oppimisaktiviteetteihin olisi mahdollista saada selville kiinnostavia syy-seuraussuhteita. Tietoja on paitsi henkilöstöhallinnon järjestelmissä, myös asiakkuudenhallintajärjestelmissä, joihin kirjataan kaikki asiakkaisiin liittyvät toimet ja tapahtumat. Toinen mahdollinen lähde ovat seurantajärjestelmät, joihin merkitään tehdyt tukipyynnöt ja henkilöt, joille pyyntö on kohdistettu, sekä pyyntöjen ratkaisut. Kolmas vaihtoehto ovat versionhallintajärjestelmät, joihin ohjelmistonkehittäjät ja ylläpitäjät kirjaavat ohjelmistokomponentteihin ja -konfiguraatioihin tehdyt muutokset. Lähteenä voi olla jopa järjestelmä, joka kerää tietoa IoT-laitteista anturien avulla.

Yllä on mainittu useita esimerkkejä paikoista, joista on mahdollista kerätä tietoa työntekijöiden toiminnasta. Käsittelemällä ja analysoimalla työntekijöitä koskevia tietoja on mahdollista seurata työntekijän toiminnassa ajan myötä tapahtuneita muutoksia. Useimmiten muutokset toiminnassa todistavat, että oppimista on tapahtunut.

Organisaation suorituskyky riippuu työntekijöiden toiminnasta

Suurin osa liiketoiminnan mittareista, kuten liikevaihto, tulot tai osakkeen hinta, liittyy yrityksen taloudelliseen tulokseen. Vaihtoehtoisesti käytetään ei-monetaarisia mittareita, kuten tuotantomääriä, asiakastyytyväisyyttä tai työntekijöiden sitouttamista.

Organisaation strategiaan sisältyy yleensä mitattavia tunnuslukuja, joita on mahdollista seurata, sekä tavoite, johon strategialla pyritään. Tunnuslukuihin sisältyvät tiedot saadaan taloushallinnon, henkilöstöhallinnon ja asiakkuudenhallinnan järjestelmistä. On mahdollista seurata, miten luvut ovat muuttuneet eri aikoina ja muuttuvatko ne tällä hetkellä halutusti ja toivotulla nopeudella. Mikä sitten aiheuttaa muutoksia lukuihin? Mitkä asiat niihin vaikuttavat? Luultavasti kyse on aina usean ihmisen yhteisestä työpanoksesta.

Kuvitellaan esimerkiksi, että yritys huomaa, että sillä on parannettavaa asiakastyytyväisyydessä. Jos organisaation tavoitteena on parantaa heikkoa asiakastyytyväisyyttä, vaihtoehtoisia toimintatapoja sen saavuttamiseksi on monia. Työn tämän tunnusluvun parantamiseksi tekevät ihmiset, eli yrityksen työntekijät.

Tunnusluvun kehitystä voidaan seurata yllämainittujen järjestelmien, esimerkiksi asiakkuudenhallintajärjestelmän, kautta. Työntekijöiden toiminta on muuttunut: he ovat toimineet eri tavalla kuin ennen, ja muutokset ovat parantaneet liiketoiminnan tuloksia. Vaikka liiketoiminnan tunnuslukujen kehittymistä voi seurata, asiakkuudenhallintajärjestelmän avulla ei saa tietoa siitä, mikä muutokset on aiheuttanut.

Onko siis mahdollista saada selville, mikä työntekijöiden toimintaa on muuttanut? Voidaanko selvittää, mikä toimii ja mikä ei? Mitä tulisi välttää, jos halutaan estää tärkeitä resursseja valumasta hukkaan?

Oppimisanalytiikka selvittää arvoituksen

Vastauksia yllämainittuihin kysymyksiin saadaan analytiikasta. Aiemmin mainittuja, eri järjestelmistä saatavia tietoja on mahdollista käsitellä, yhdistellä ja analysoida yhdessä. Näin yksi järjestelmä voi antaa tietoa liiketoiminnan tunnuslukujen muutoksiin liittyvistä syy-seuraussuhteista samalla, kun toisen järjestelmän kautta seurataan työntekijöiden toiminnassa tapahtuneita muutoksia.

Tällaisten riippuvuussuhteiden määrittäminen on monimutkaista, vaikka se vaikuttaa yksinkertaiselta. Nykyaikaisten analytiikkatyökalujen ansiosta tavoite on kuitenkin saavutettavissa. Koneet mahdollistavat suurien tietomäärien käsittelyn ja tunnistavat säännönmukaisuuksia ja riippuvuussuhteita. Koneoppimisen avulla voidaan selvittää, mitkä muutokset työntekijöiden käytöksessä ovat vaikuttaneet tunnuslukuihin positiivisesti ja mitkä eivät. Oppimisaktiviteetteja koskevan tiedon ja toimintamuutosten yhtäaikainen analysointi voi kertoa meille, mitkä oppimisaktiviteetit tuovat lisäarvoa: mikä tekijä esimerkiksi on aiheuttanut muutoksen työntekijöiden toiminnassa, ja toisaalta milloin haluttuja tuloksia ei ole saavutettu.

Alla oleva kuva havainnollistaa tätä oppimisanalytiikan viitekehystä hyvin.


Lähde: A.D. Detrick, 2016

Ensimmäisenä käsitellään ja analysoidaan eri järjestelmistä saadut tiedot ja määritetään, miten oppimisaktiviteetit vaikuttavat työntekijöiden käytökseen ja miten työntekijöiden käytös vaikuttaa liiketoiminnan tunnuslukuihin. Muodostetun mallin perusteella on mahdollista optimoida oppimisaktiviteetit, joiden avulla pyritään parantamaan liiketoiminnan tuloksia. Tässä vaiheessa mukaan otetaan koneoppiminen. Kun määritettyjen kausaalisuhteiden perusteelle on rakennettu analyyttinen malli, käytössä olevista järjestelmistä saatua tietoa voi käyttää "kouluttamaan" mallia tunnistamaan samankaltaisia suhteita myöhemmissä aineistoissa.

Koneoppiminen ja keinoäly

Koneoppimisen ja keinoälyn ympärillä on kohistu viime aikoina, ja jotkut ovat jopa väittäneet, että koneet olisivat valtaamassa maailman. Uskon tämän johtuvan siitä, että ihmiset pelkäävät asioita, joita eivät ymmärrä. Se on täysin luonnollista, koska suurimmalle osalle väestöä koneiden toiminta on yksinkertaisesti liian monimutkaista. Koneet ovat paljon parempia tietojen käsittelyssä ja monet pelkäävät, että jos jokin suorittaa jonkin tehtävän ihmistä paremmin, he häviävät kilpailussa. Se ei kuitenkaan ole totta. Emme ehkä voi kilpailla koneiden kanssa rutiinitöissä, mutta koneet eivät koskaan ylitä meitä luovuudessa.

Koneet pystyvät ainoastaan täyttämään sen tarkoituksen, johon ne on rakennettu. Koneet voivat "oppia" datasta, mutta se tarkoittaa vain sitä, että ne pystyvät tunnistamaan tiedossa olevia säännönmukaisuuksia ja soveltamaan niitä aiemmin ohjelmoitujen mallien mukaisesti. Kyseessä on vain ihmisen luoma matemaattinen algoritmi. Ihminen ei pysty käsittelemään yhtä paljon tietoa kuin kone. Sama pätee kuitenkin esimerkiksi pilvenpiirtäjän rakentamiseen – ihmiset pystyvät siihen ainoastaan koneiden ja mekanismien avulla. Yhdet aivot ja yhden henkilön lihasvoima eivät siihen riitä.

Tavallaan keinoälyssä on kyse silkasta matematiikasta: algoritmit tunnistavat tiedoista kaavoja, joiden perusteella on mahdollista tehdä päätöksiä. Hyvin yksinkertaistettuna keinoäly ja koneoppiminen toimivat esimerkiksi näin: jos ihminen kuulee sanan "omenapuu" laulussa sata kertaa, kuuleman perusteella voi päätellä, että sana "puu" liitetään sanan "omena" perään laulussa myös myöhemmin. Jos kuulee tuhannen eri ihmisen sanovan tietyn sanan hieman erilaisella murteella, saman sanan tunnistaa myös, kun sen kuulee seuraavan kerran eri tavalla äännettynä. Näin keinoäly toimii.

Miten keinoälyllä voidaan edistää organisatorista oppimista?

Palataksemme kirjoituksen varsinaiseen aiheeseen, miten keinoälyllä sitten voidaan tehostaa organisaation sisäistä oppimista? Keinoälyä voidaan soveltaa organisatoriseen oppimiseen monilla eri tavoilla. Näitä ovat esimerkiksi:

  • Oppimateriaalien tulkinta ja luokittelu (videosta tekstiksi, kuvien luokittelu, tekstien syväoppiminen ja konseptien luokittelu)
  • Henkilökohtaiset suositukset (perustuvat yhtäläisyyksiin toisten oppijoiden kanssa, oppimisen ja yrityksen suorituskykymittarien välisen suhteen tunnistamiseen, sekä käyttäjän profiilin ja mieltymysten määrittämiseen)

Perinteisesti oppimisen ja kehittämisen ammattilaiset ovat vastuussa opintomateriaalien valmistelusta ja säilyttämisestä. Heidän tehtävänään on myös suositella ja jakaa materiaalit käyttäjille ja käyttäjäryhmille. Entä jos oppijan kehittymisen seurannan ja asianmukaisten materiaalien levittämisen voisikin jättää koneen tehtäväksi?

Valamis tekee tämän mahdolliseksi. Päätimme automatisoida prosessin keinoälyn avulla siten, että suositellut materiaalit jaetaan chatbot-käyttöliittymän kautta. Järjestelmän käyttö chatbottien avulla on helppoa, koska käyttöliittymä on yksinkertainen ja ihmisille tuttu arkielämästä. Käyttäjien ei tarvitse ottaa haltuun uutta konseptia, sillä keskustelu chatbotin kanssa muistuttaa tavallisia teksti- ja pikaviestisovelluksia. Näin syntyi ValBo.

Valamis-oppimisympäristön chatbot: mihin sitä käytetään?

Kuten Gartnerin chatbottien käyttötapauksia koskevassa raportissa todetaan:

"Kun yrityksessä pohditaan mahdollisia tapoja käyttää chatbotteja, sovellusjohtajien tulisi ensimmäisenä huomioida näiden vaikutus resursseihin. Vaihtoehtoja on kaksi: korvaaminen tai vahvistaminen. Korvaaminen on ilmiselvästi helpompaa, koska se ei edellytä integrointia olemassa oleviin prosesseihin ja rakentaminen voidaan aloittaa puhtaalta pöydältä. Vahvistaminen parantaa olemassa olevaa prosessia tekemällä siitä joustavamman, mukautuvamman, helpommin saavutettavan ja yksinkertaisemman käyttää." – Gartner, Four Use Cases for Chatbots in the Enterprise Now, Van L. Baker, Magnus Revang, 16.2.2017

ValBo-chatbotin merkitys oppimiselle ja kehittämiselle

ValBo kehitettiin ensisijaisesti vuorokauden ympäri toimivaksi avustajaksi oppijoille. Chatbot on pyydettäessä milloin vain valmis auttamaan oppijaa selvittämään, mitkä asiat ovat oleellisia kulloiseenkin tilanteeseen tai työtehtävään nähden. ValBo voi myös antaa oppijalle suosituksia ennakoivasti huomatessaan esimerkiksi, että oppimateriaaleja on jäänyt kesken. Se voi myös tarjota perehdytysmateriaaleja uusille työntekijöille tai "aloittelijan ohjekirjan" henkilölle, joka on saanut ylennyksen tai jonka rooli henkilöstöhallinnon järjestelmässä on muuten muuttunut. Oppimisen ja kehittämisen työntekijöiden tehtäväksi jää huolehtia oppimateriaalien sisällöistä ja säätää ValBon suosituksia esimerkkien tai koulutustietojen avulla.

Opintosisällöt Valamis-oppimisympäristössä on luokiteltu ja luetteloitua IBM Watson -järjestelmän avulla, jotta ValBo löytäisi helpommin oppijan tarpeisiin sopivat materiaalit.

ValBon kanssa käydyt keskustelut kerätään ja analysoidaan, ja niitä käytetään oppijan tarpeiden kartoittamiseen.

Kun opintosisällöt on luokiteltu ja luetteloitu ja oppijan tarpeet ymmärretään, ValBon kautta voidaan tarjota loppukäyttäjälle korkealaatuisia suosituksia. Suositusten laatua parannetaan prosessoimalla oppijan aktiviteetteja ja aiemmin annettuja suosituksia koneoppimisalgoritmien avulla. Esimerkiksi Amazon antaa suosituksia sen perusteella, mitä muita tuotteita saman tuotteen ostaneet henkilöt ovat tilanneet.

Rakentamalla kullekin oppijalle oman profiilin on mahdollista saada tietoa esimerkiksi siitä, minkä tyyppisistä oppimateriaaleista hän pitää, mihin aikaan päivästä hän mieluiten opiskelee ja pitääkö hän enemmän suurista sisältömääristä vai mikro-oppimisesta. Tämänkaltainen tieto parantaa suositusten sopivuutta kullekin oppijalle.

Valamis voi myös yhdistää Valamis-ympäristössä suoritetut oppimisaktiviteetit muiden järjestelmien aktiviteetteihin siten, että se pystyy tunnistamaan oppimisaktiviteettien myönteiset vaikutukset käyttäjän toimintaan ja käyttäjän toiminnan myönteiset vaikutukset yrityksen liiketoiminnan suorituskykyyn. Näin ValBon antamat suositukset edistävät vieläkin paremmin yrityksen keskeisiä intressejä.

Lopuksi

xAPI-lausekkeina saatu tieto työntekijän oppimisaktiviteeteista osoittaa, mitkä ratkaisut toimivat ja mitkä eivät, ja tarjoaa näin ollen hyvän tietolähteen oppimisen ja kehittämisen työntekijöille. Tulkitsemalla tietoja visuaalisesti voidaan nähdä, mistä oppimateriaaleista saadaan eniten lisäarvoa.

Tällä tasolla optimoinnissa ei kuitenkaan oteta huomioon, oppivatko työntekijät "tarpeellisia" asioita tai muuttaako oppiminen halutusti työntekijöiden käytöstä.

Jos yksilöiden oppiminen halutaan yhdistää organisaation tavoitteisiin, eri lähteistä saatavaa tietoa on yhdisteltävä ja analysoitava. Nykyaikaiset analytiikkatyökalut mahdollistavat sen.

Valamis-oppimisympäristössä henkilökohtaisen ohjaajan rooli on annettu chatbot ValBolle. Se tarjoaa myös työkalun yrityksen oppimisen ja kehittämisen työntekijöille, sillä se hoitaa rutiinitehtäviä, kuten oppijan kehittymisen seurannan ja organisaation tavoitteisiin liittyvien suositusten optimoinnin.

Asiantuntija

Dmitry Kudinov
Chief Technology Officer
As Chief Technology Officer at Valamis, Dmitry Kudinov leads Valamis' product development with his leadership, expertise, and deep understanding of employee and customer needs. Dmitry adeptly applies his technical expertise to achieve business goals, and his projects range from the implementation of portals to the optimization of highly critical business systems.