Kvaliteedipäeva AI-töötoad: julgus katsetada, oskus kontrollida

Üks ülesanne, kolm erinevat AI-meetodit ja üllatavalt erinevad tulemused. Just selline oli 13. novembril toimunud Kvaliteedipäeva praktiliste töötubade lähtepunkt.

Osalejate ülesanne oli leida andmestikust probleem, tuvastada selle põhjus ja rahaline mõju ning esitada tulemused juhatusele. Sama ülesannet lahendati AI-vestluse, AI assistendi ja AI-agendi abil.

Katsetuste käigus selgus, et kuigi tehisintellekt võib analüüsimist märkimisväärselt kiirendada, ei taga tööriista kasutamine iseenesest usaldusväärset tulemust. Oluline on osata kontrollida algandmeid, hinnata saadud vastuseid ja mõista, kuidas tulemuseni jõuti.

Töötubade keskseks õppetunniks kujunes lihtne põhimõte: julge katsetada, aga oska ka kontrollida.

Kolm töötuba, üks ülesanne

Töötubade osa juhtis Terje Ennomäe. Osalejad jagunesid kolme rühma, kus sama ülesannet lahendati erineval viisil.

AI-vestlus – Mariliis Uibomäe

Vestluspõhise AI kasutamisel osutus kõige keerulisemaks rahalise mõju arvutamine. Kuigi osalejad töötasid sama andmestikuga, jõudsid nad erinevate tulemusteni.

See tõi hästi esile ühe AI kasutamisega seotud riski: vestlusroboti esitatud arvutusi ei saa automaatselt õigeks pidada. Tulemused tuleb üle kontrollida, eriti kui neid kasutatakse juhtimisotsuste tegemisel.

AI Assistent – Martin Karner

Selles töötoas keskenduti AI kasutamisele korduvate ülesannete lahendamisel ning täpselt kirjeldatud tööjuhiste ehk skill’ide loomisele.

Peamiseks väljakutseks osutus algandmete õige valimine ja tõlgendamine. AI-le tuleb anda konkreetse ülesande lahendamiseks vajalik teave, et vältida kõrvaliste andmete kasutamisest tekkivaid eksimusi.

Martin tõi esile, et iga ülesande lahendamiseks ei ole vaja suuri ja keerukaid AI-süsteeme. Hästi kirjeldatud ülesannet saab täita ka väiksema mudeliga ning sama lahendust on võimalik uute andmetega korduvalt kasutada.

AI-agent – Lauri Ilison

AI-agendi töötoas lahendati sama ülesannet kolm korda, käsitledes andmeid justkui kolme erineva perioodi tulemustena.

Kuna arvutused tehti skripti abil, olid tulemused igal korral ühesugused. Samuti jäi alles lahenduskäik, mida saab hiljem kontrollida ja vajadusel korrata.

See on eriti oluline kvaliteedijuhtimises, kus tulemuste usaldusväärsus ja jälgitavus on otsuste tegemise ning auditeerimise seisukohalt määrava tähtsusega.

AI ei vabasta algandmete kontrollimisest

Töötubade üks kõnekamaid tähelepanekuid puudutas algandmete kvaliteeti.

Ülesandes kasutatud praagiandmestikus oli kolm vigast rida, mis jäid enamikul osalejatest märkamata.

See näitas, et ka väga võimekas tööriist ei taga usaldusväärset tulemust, kui lähteandmed on puudulikud või vigased.

Andmete kontrollimine ja tulemuste kriitiline hindamine jäävad kvaliteedijuhi vastutuseks ka siis, kui analüüsi teeb AI.

Milline AI-meetod sobib kvaliteedijuhi tööks?

Töötubadele järgnenud ühises arutelus võrreldi erinevate meetodite tugevusi ja piiranguid.

Meetod Tugevus Millega arvestada?
AI vestlus  Kiire võimalus uurida probleemi, kontrollida hüpoteese ja esitada täpsustavaid küsimusi. Arvutused vajavad kontrollimist ning lahenduskäik ei pruugi olla piisavalt jälgitav.
AI assistent Hästi kirjeldatud ülesandeid saab korduvalt lahendada uute andmetega. Tulemus sõltub ülesande kirjeldamise täpsusest ja õigetest algandmetest.
AI agent Võimaldab luua korratava ja kontrollitava lahenduskäigu. Eeldab rohkem tehnilisi oskusi ja valmisolekut koodiga töötada.

Ühises arutelus tõstatus ka küsimus, kas AI abil koostatud analüüs on auditeeritav.

Oluliseks peeti seda, et organisatsioon suudaks kirjeldada, kuidas tulemuseni jõuti, milliseid andmeid kasutati ning kuidas tulemuste õigsust kontrolliti.

Ühekordseks probleemi uurimiseks võib piisata AI-vestlusest. Regulaarselt koostatavate aruannete puhul on aga mõistlik eelistada lahendust, mille tulemused on korratavad ja kontrollitavad.

Andmete turvalisus vajab organisatsiooni tasandi otsuseid

Üks aktiivsemaid arutelusid puudutas andmete turvalisust ja AI kasutamisega seotud riske.

Kvaliteedijuhtide igapäevatöös kasutatakse sageli andmeid, mis sisaldavad ärisaladusi, kliendiinfot või organisatsiooni sisemiste protsesside kirjeldusi.

Seetõttu ei saa AI-tööriistade kasutamisega seotud otsuseid jätta üksnes töötaja enda teha.

Organisatsioon peab määrama, milliseid andmeid ja millistes keskkondades tohib kasutada.

Võimalike lahendustena käsitleti tundlike andmete eemaldamist enne nende töötlemist, ettevõtte kontrollitud AI-keskkondade kasutamist ning vajadusel lokaalselt töötavaid mudeleid.

Selged kokkulepped aitavad töötajatel uusi tööriistu julgemalt kasutada ning vähendavad olukordi, kus igaüks peab ise otsustama, milliseid riske võtta.

Teemaga põhjalikumalt tutvumiseks saab järelvaadata Eesti Kvaliteediühingu koolitust: AI riskide juhtimine väikeettevõttes

Julgus katsetada ja oskus kontrollida

Töötubade lõpuks olid praktiliselt kõik osalejad ülesandega hakkama saanud. Erinevate meetodite võrdlemine näitas, et tehisintellekt pakub kvaliteedijuhtimisele uusi võimalusi, kuid nende kasutamine eeldab teadlikkust tööriistade piirangutest.

Töötubadest jäi kõlama kolm olulist õppetundi:

  1. Kontrolli algandmeid ja arvutusi. AI esimene vastus ei pruugi olla õige.
  2. Muuda korduvad ülesanded jälgitavaks. Täpselt kirjeldatud tööjuhised aitavad saavutada ühtlasemaid tulemusi.
  3. Lepi kokku andmete kasutamise reeglid. AI kasutamisega seotud riskid vajavad organisatsiooni teadlikke otsuseid.

Tehisintellekti kasutamise oskus kasvab katsetades. Iga praktiline kogemus aitab paremini mõista, millistes ülesannetes AI meid toetab ja kus tuleb säilitada suurem kontroll.

Täname kõiki töötubades osalenud inimesi ning juhendajaid Mariliis Uibomäed, Martin Karnerit ja Lauri Ilisoni oma teadmiste ja kogemuste jagamise eest!

 

Artikli koostas EAQ juhatuse liige Terje Ennomäe.


Loe ka Kvaliteedipäeva ettekannetest

Kvaliteedipäeva esimeses pooles jagasid oma kogemusi Teele Orgse, Kaarel Krinal ja Katre Eljas, kes käsitlesid kvaliteeti ja tulemuslikkust tervishoiu, juhtimissüsteemide ning organisatsiooni arengu vaatenurgast.