Tieteellistä tutkimusta on pitkään tehty yhdistämällä yksittäisiä tietoja, kuten henkilön ikä tai työpaikan koko, toisiin tietoihin, kuten työkyvyttömyys. Jos tietojen ajallinen järjestys tiedetään, voidaan ennustaa, millä tavoin ja kuinka paljon jokin asia ennakoi toista.
Suomessa on pitkät perinteet rekisteritutkimuksessa, jossa rekisteritietoja hyödynnetään yhteyksien löytämisessä esimerkiksi työolotekijöiden ja sairastavuuden välillä.
Hiljattain yhdysvaltalaisen Princetonin yliopiston tutkijat kehittivät uuden tavan lähestyä rekisteritietoja. Se mahdollistaa tekoälyn hyödyntämisen työkaluna tietojen analysoinnissa.
Tässä lähestymistavassa yksittäisistä henkilöistä kertyvästä rekisteritiedosta muodostetaan jokaiselle oma ”elämän kirja” (book of life). Se kuvaa henkilön elämään liittyvät, rekistereihin kirjatut tapahtumat yhtenäisenä tekstimuotoisena kuvauksena.
Näin yksittäinen henkilö kuvautuu elämänpolkuna, joka sisältää elämän eri tapahtumat jatkumona. Tämä jatkumo on muodossa, jota nykyisten tekoälyjärjestelmien (esimerkiksi ChatGPT, Gemini tai Claude) taustalla olevat kielimallit pystyvät käsittelemään.
Kun tätä jatkumoa analysoidaan kielimallilla, voidaan löytää kehityskulkuja, jotka ennustavat tulevia tapahtumia. Princetonin tutkijat käyttivät malliaan ennustamaan syntyvyyttä hollantilaisella rekisteriaineistolla.
Tekoäly ei pääse käsiksi työntekijöiden hiljaiseen tietoon
Olemme Työterveyslaitoksen Uusi työ tekoälyllä osatyökykyiselle (UuTTO) -hankkeessa tutkineet tekoälyn mahdollisuuksia löytää uusia työkokonaisuuksia eri tavoin osatyökykyisille henkilöille.
Tavoitteena on käyttää tekoälyä luomaan kuvauksia työstä ja esimerkiksi yhdistelemään eri tehtäviä siten, että esiin tulisi uusia mahdollisuuksia työhön.
Haasteenamme on ollut, että itse työstä ei ole olemassa kovin tarkkoja kuvauksia. Monet työhön liittyvät tekijät on kuvattu eri järjestelmiin, kukin omalla tavallaan ja logiikallaan. Tällaisia tekijöitä ovat esimerkiksi työajat, sijainnit ja työvälineet.
Lisäksi työhön liittyy paljon tekijöitä, joita ei ole kuvattu missään järjestelmissä. Ne ovat kertyneet työntekijöille hiljaiseksi tiedoksi. Tietyn työtehtävän suorittaminen voi vaatia kokemukseen pohjautuvaa tietoa: mikä esimerkiksi on sujuvin järjestys suorittaa tehtävän eri osat?
On myös paljon työpaikan järjestelmien ulkopuolista tietoa. Tieto voi koskea esimerkiksi tehtävien kuormittavuutta. Kuormitustasot voitaisiin yhdistää työtehtäviin, mutta näitä tietoja ei kuitenkaan voi suoraan saada työpaikan järjestelmistä.
Kun kielimallit kehittyvät, avautuu uusia mahdollisuuksia
Yksi tehokas tapa hyödyntää tekoälyä työn mallinuksessa ja suunnittelussa olisi muuntaa työhön liittyvä tieto "työn kirjaksi" eli luonnollisen kielen kuvaukseksi työn eri tekijöistä.
Kun aiemmin on etsitty asiayhteyksiä rakenteellisesta datasta algoritmisesti, nyt kielimallille voitaisiin syöttää työn tai työntekijän tilanteen ja olosuhteiden kuvaus luonnollisella kielellä.
Malli voi hyödyntää päätöksenteossaan esikoulutuksessa oppimaansa yleistietoa ja vaikkapa tulkita, sopiiko tietty työtehtävä tietylle osatyökykyiselle. Tätä ei ole aiemmin voitu pelkän datan avulla tehdä.
Tällaisessa ajatuksessa on toki riskinsä – sekä arkaluonteisten tietojen käsittelyn että tekoälyn tuotosten laadun kannalta. Kielimallit hahmottavat huonosti fyysistä maailmaa, ja mallin antamalla väärällä suosituksella voi olla ikäviäkin seurauksia.
Mallit kuitenkin kehittyvät. Parhaimmillaan tekoäly voi jatkossa auttaa uuden työn löytämisessä.
Lisätietoja:
The book of life: Moving from a sociology of variables to a sociology of events (Anil Ananthaswamy, Princeton Laboratory for Artificial Intelligence research blog)
Uusi työ tekoälyllä osatyökykyiselle – UuTTO (Työsuojelurahaston rahoittaman tutkimushankkeen esittely)
Voiko tekoäly edistää osatyökykyisten työssäkäyntiä? (Matti Joensuun blogikirjoitus)
Kommentointi