Miten omat tiedot valmistellaan luotettavasti tekoälyn kouluttamiseen tai syöttämiseen?
Yritykset haluavat hyödyntää tekoälyä yhä useammin omassa toiminnassaan: asiakaspalvelussa, analytiikassa, dokumenttien käsittelyssä, riskienhallinnassa ja päätöksenteon tukena. Käytännön hyöty syntyy kuitenkin vasta silloin, kun tekoälyn käyttöön annettu data on valmisteltu hallitusti. Ilman tätä vaihetta lopputuloksena voi olla virheellisiä päätelmiä, tietosuojariskejä, heikkoa laatua ja järjestelmiä, joihin liiketoiminta ei voi luottaa.
Kysymys ei siis ole vain siitä, mitä tietoa tekoälylle annetaan, vaan miten tieto valitaan, puhdistetaan, rajataan, suojataan ja dokumentoidaan. Luotettava valmistelu on sekä tekninen että hallinnollinen prosessi. Se yhdistää tietoturvan, tietosuojan, datan laadun, käyttöoikeuksien hallinnan ja liiketoiminnan tavoitteet.
Tiivistetysti: omat tiedot valmistellaan luotettavasti tekoälyn käyttöön, kun data luokitellaan, käyttötarkoitus rajataan, arkaluonteinen sisältö poistetaan tai suojataan, lähteet validoidaan, laatu varmistetaan ja koko prosessille määritellään selkeä omistajuus sekä valvonta.
Aloita käyttötarkoituksesta, älä datamassasta
Yleinen virhe on lähteä liikkeelle ajatuksesta, että mahdollisimman suuri määrä dataa tuottaa parhaimman tekoälyn. Yritysympäristössä tämä on usein väärä oletus. Olennaista on ensin määrittää, mihin tarkoitukseen tekoälyä käytetään. Onko kyse sisäisestä hakutoiminnosta, dokumenttien yhteenvedosta, asiakaspalvelubotista, ennustemallista vai erikoistuneesta analyysista?
Kun käyttötarkoitus on täsmällinen, voidaan määritellä myös datan tarpeellisuus. Tämä vähentää riskiä, että järjestelmään syötetään tarpeettomasti henkilötietoja, liikesalaisuuksia tai vanhentunutta sisältöä. Samalla pienenee hyökkäyspinta ja helpottuu tietosuojan osoitusvelvollisuus.
Käytännön periaate
- Määritä liiketoimintatavoite yhdellä lauseella.
- Rajaa päätös siitä, käytetäänkö dataa kouluttamiseen, hienosäätöön, hakuun perustuvaan generointiin vai vain yksittäisiin syötteisiin.
- Listaa vain ne tietolähteet, jotka palvelevat tätä tarkoitusta.
- Poista kaikki aineisto, jonka hyötyä ei voida perustella.
Tunnista dataluokat ennen siirtoa tai käyttöä
Luotettava valmistelu alkaa datan luokittelusta. Ilman sitä organisaatio ei tiedä, mitä se on tosiasiassa luovuttamassa tekoälyjärjestelmälle. Yrityksen omassa tietoaineistossa voi olla samanaikaisesti julkista materiaalia, sisäisiä ohjeita, sopimustietoja, henkilötietoja, terveystietoja, turvallisuuteen liittyviä tietoja ja immateriaalioikeuksien alaisia dokumentteja.
Kaikkia näitä ei tule käsitellä samalla tavalla. Esimerkiksi sisäinen ohjedokumentti voi sopia hyvin käyttöön yrityksen omassa suljetussa tekoälyratkaisussa, mutta asiakassopimusten tai tunnistettavien henkilötietojen syöttäminen ulkoiseen palveluun voi olla täysin sopimatonta ilman lisätoimia.
Vähimmäisluokittelu yrityskäyttöön
- Julkinen tieto
- Sisäinen tieto
- Luottamuksellinen liiketoimintatieto
- Henkilötiedot
- Erityiset henkilötietoryhmät tai muu erittäin arkaluonteinen tieto
- Sopimuksin tai sääntelyllä rajoitettu tieto
Luokittelun jälkeen voidaan päättää, mitä dataa saa käyttää, missä ympäristössä ja millä suojaustasolla. Tämä on olennaista erityisesti silloin, kun tekoälypalvelun toimittaja käsittelee syötteitä omissa pilvipalveluissaan tai käyttää aineistoa palvelun kehittämiseen.
Varmista käyttöoikeus ja käsittelyn oikeusperuste
Se, että tieto on teknisesti saatavilla, ei tarkoita, että sitä saa käyttää tekoälyn kouluttamiseen tai syöttämiseen. Ennen käyttöä on varmistettava vähintään kolme asiaa: omistaako organisaatio datan, onko sillä oikeus käyttää sitä tähän tarkoitukseen ja onko henkilötietojen käsittelylle lainmukainen peruste.
Yrityksissä tämä kohta ohitetaan usein liian nopeasti. Ongelmat näkyvät myöhemmin esimerkiksi toimittajasopimuksissa, asiakasluottamuksessa tai auditoinneissa. Jos aineisto sisältää tekijänoikeuden alaista materiaalia, kumppanidataa tai lisenssiehdoilla rajattua sisältöä, käyttö tekoälyssä voi vaatia erillisen arvioinnin.
- Tarkista sopimukset asiakkaiden, toimittajien ja kumppaneiden kanssa.
- Arvioi, sallivatko lisenssit analysoinnin, kouluttamisen tai edelleen käsittelyn.
- Varmista henkilötietojen käsittelyn oikeusperuste ja läpinäkyvyys.
- Dokumentoi päätös siitä, mitä aineistoa käytetään ja millä perusteella.
Puhdista data järjestelmällisesti
Datan laatu määrää suoraan tekoälyn laadun. Jos syöte sisältää ristiriitoja, kaksoiskappaleita, vanhentuneita ohjeita, virheellisiä tunnisteita tai sekamuotoisia tietoja, myös tekoälyn tuottama vastaus kärsii. Liiketoimintaympäristössä tämä näkyy epäluotettavina suosituksina, väärinä yhteenvetoina ja hallitsemattomina poikkeamina.
Puhdistus ei tarkoita vain kirjoitusvirheiden korjaamista. Se tarkoittaa datan normalisointia, rakenteistamista ja epäolennaisen aineiston poistamista. Lisäksi on päätettävä, mikä tieto on ensisijainen lähde silloin, kun useat dokumentit sanovat eri asioita.
Puhdistuksen ydinvaiheet
- Poista kaksoiskappaleet ja vanhentuneet versiot.
- Yhtenäistä päivämäärät, tunnisteet, nimet ja mittayksiköt.
- Merkitse lähde, omistaja ja viimeinen päivitysaika.
- Poista luonnokset, epäviralliset muistiinpanot ja aineisto, jonka luotettavuutta ei voida varmistaa.
- Ratkaise ristiriidat nimeämällä auktoritatiivinen lähde.
Jos tavoitteena on rakentaa organisaation sisäinen tekoälyratkaisu, datan ajantasaisuus on usein tärkeämpää kuin datan määrä. Pieni mutta kuratoitu tietokokonaisuus tuottaa liiketoiminnalle enemmän arvoa kuin suuri ja sekava aineisto.
Poista tai suojaa arkaluonteinen tieto
Luotettavin tapa vähentää riskiä on tietojen minimointi. Jos arkaluonteista tietoa ei tarvita käyttötarkoitukseen, sitä ei pidä siirtää tekoälyjärjestelmään lainkaan. Tämä koskee erityisesti henkilötunnuksia, maksutietoja, terveystietoja, salassa pidettäviä asiakastietoja, tunnuksia, avaimia ja liikesalaisuuksia.
Kun tiedon poistaminen ei ole mahdollista, seuraava vaihtoehto on suojaaminen. Käytännössä tämä voi tarkoittaa pseudonymisointia, anonymisointia, peittämistä, kenttäkohtaista suodatusta tai sitä, että tekoäly saa käsitellä vain rajattua näkymää alkuperäisestä tiedosta.
Suositeltavat suojaustoimet
- Poista suorat tunnisteet ennen käsittelyä.
- Korvaa henkilötunnukset, asiakasnumerot ja nimet teknisillä tunnisteilla.
- Maskaa maksutiedot, salasanat, API-avaimet ja käyttöoikeustiedot.
- Rajoita pääsy vain niihin käyttäjiin ja järjestelmiin, jotka tarvitsevat aineistoa.
- Säilytä alkuperäinen data erillään tekoälyn käsittelyympäristöstä, jos mahdollista.
On tärkeää huomata, että anonymisointi on vaativa prosessi. Jos henkilö voidaan tunnistaa yhdistämällä useita tietokenttiä, aineisto ei välttämättä ole aidosti anonymisoitu. Siksi suojauksen taso on arvioitava realistisesti, ei vain nimellisesti.
Valitse oikea tekninen malli datan käyttöön
Kaikkea dataa ei tarvitse käyttää mallin kouluttamiseen. Monessa yrityskäytössä parempi vaihtoehto on hakea tietoa hallitusta lähteestä kysymyshetkellä sen sijaan, että aineisto upotetaan mallin pysyväksi osaksi. Tämä vähentää sekä tietoturvariskiä että ylläpitotyötä.
Liiketoiminnan näkökulmasta kannattaa erottaa kolme päämallia:
- Kouluttaminen tai hienosäätö, kun tarvitaan erikoistunutta käyttäytymistä tai sanastoa.
- Hakuun perustuva ratkaisu, kun tarvitaan ajantasaista tietoa hallituista lähteistä.
- Yksittäiset syötteet, kun käyttö on tapauskohtaista eikä pysyvää dataintegraatiota tarvita.
Tietoturvan ja hallittavuuden kannalta hakuun perustuva ratkaisu on usein turvallisempi kuin laaja koulutus organisaation omalla aineistolla. Se mahdollistaa myös sen, että lähdeaineistoa voidaan päivittää ilman mallin uudelleenkoulutusta.
Dokumentointi tekee prosessista toistettavan ja auditoitavan
Luotettavuus ei synny vain siitä, että data käsiteltiin kerran hyvin. Se syntyy siitä, että organisaatio pystyy myöhemmin osoittamaan, mitä tehtiin, miksi tehtiin ja kuka vastasi päätöksistä. Siksi dokumentointi on olennainen osa datan valmistelua tekoälyä varten.
Dokumentoinnin tulee kattaa ainakin datalähteet, luokittelu, poistot, suojaustoimet, hyväksyntä, tekninen käyttömalli ja vastuut. Ilman tätä organisaatio ei pysty hallitsemaan muutoksia, käsittelemään poikkeamia tai vastaamaan asiakkaiden ja viranomaisten kysymyksiin uskottavasti.
Dokumentoi vähintään nämä
- Mitä tietoa käytetään ja mistä se on peräisin
- Mihin käyttötarkoitukseen data on hyväksytty
- Mitä tietoa poistettiin tai maskattiin
- Kuka omistaa aineiston ja kuka hyväksyi käytön
- Missä ympäristössä dataa käsitellään
- Kuinka usein aineisto päivitetään ja tarkistetaan
Rakenna hallintamalli, ei vain tekninen integraatio
Yrityksissä tekoälyhankkeet epäonnistuvat usein siksi, että dataa valmistellaan projektina mutta ei jatkuvana hallintamallina. Kun ensimmäinen käyttöönotto on tehty, aineisto vanhenee, vastuut hämärtyvät ja käyttäjät alkavat syöttää järjestelmään tietoa omilla käytännöillään. Tällöin riski siirtyy nopeasti yksittäisestä teknologiasta koko toimintamalliin.
Toimiva hallintamalli määrittelee, kuka saa lisätä uusia tietolähteitä, miten muutokset hyväksytään, milloin aineisto tarkistetaan ja miten poikkeamat käsitellään. Lisäksi tarvitaan lokitus, käyttöoikeuksien valvonta ja selkeät ohjeet käyttäjille siitä, mitä tekoälyyn saa syöttää.
- Nimeä datan omistaja ja liiketoimintavastuullinen.
- Määritä hyväksymisprosessi uusille tietolähteille.
- Kouluta käyttäjät tunnistamaan kielletty tai rajoitettu sisältö.
- Seuraa lokitietoja ja tee säännöllisiä tarkistuksia.
- Testaa järjestelmää tarkoituksellisesti myös riskiskenaarioilla.
Yhteenveto
Omat tiedot valmistellaan luotettavasti tekoälyn kouluttamiseen tai syöttämiseen silloin, kun organisaatio ei keskity vain datan siirtämiseen, vaan koko käsittelyketjuun. Ensin rajataan käyttötarkoitus. Sen jälkeen data luokitellaan, käyttöoikeudet ja oikeusperusteet tarkistetaan, sisältö puhdistetaan, arkaluonteiset tiedot poistetaan tai suojataan ja tekninen käyttömalli valitaan riskitasoon sopivaksi. Lopuksi koko prosessi dokumentoidaan ja liitetään pysyvään hallintamalliin.
Yritykselle tämä ei ole hallinnollinen lisätaakka, vaan edellytys sille, että tekoälyä voidaan käyttää turvallisesti, tehokkaasti ja liiketoiminnan kannalta uskottavasti. Hyvin valmisteltu data parantaa vastausten laatua, pienentää tietoturva- ja tietosuojariskiä sekä tekee tekoälyratkaisuista aidosti käyttökelpoisia arjen päätöksenteossa.
Jos valmisteluun ei panosteta, tekoäly jää helposti kokeiluksi. Jos taas data käsitellään järjestelmällisesti, tekoälystä tulee hallittu kyvykkyys, jonka varaan voi rakentaa liiketoimintaa pitkäjänteisesti.