Rakenteellisen tiedon rikastaminen ja tekoälypohjaiset analyysit

Kahdessa edellisessä blogissa annoimme esimerkkejä siitä, mitä on rakenteellinen tieto (data) ja miten sen avulla voidaan automatisoida eri työvaiheita.

Tällä kerralla lisätään vähän kierroksia.

Mitä sitten voisi tehdä, kun on saatu kerättyä automatisointia varten tarpeeksi dataa?

No kerätään tietenkin lisää, eli rikastetaan tätä olemassa olevaa dataa.
Nettihän on täynnä tietoa (ei rakenteellisessa muodossa) ja sitä olisi mukava hyödyntää erilaisissa analyyseissä, jos sitä voisi tuottaa automaattisesti ja helposti hyödynnettävänä datana.
Tällä tavalla voisimme helposti rikastaa tarvitsemiamme tietoja ja tuottaa entistä tarkempia analyysejä, jotka useimmiten tuovat vielä aivan uusia asioita esiin.
Nyt kun tämä on mahdollista oikealla teknologialla, niin mitä tämä sitten tarkoittaa käytännössä?

Käydään asiaa läpi kahden käytännön esimerkin kautta.

Case1 – Yrityskohderyhmien rikastaminen ja analysointi

Kuvitellaan taas yritys A, joka haluaa vertailla sataa suomalaista yritystä niiden tilinpäätöstietojen perusteella. Rakenteellisen ja automaattisesti muodostetun datan avulla yritys on saanut kohderyhmänsä vertailtua ja järjestettyä.
Seuraava yleensä manuaalisena työnä toteutettava vaihe on valittujen yrityksien tietojen rikastaminen esim. tiedoilla yrityksen nykyisestä toiminnasta ja yhteystiedoista.
Tämä manuaalinen työvaihe korvataan automatisoiduilla ja tekoälyavusteisilla tiedon keräämisen ja rikastamisen algoritmeilla.
Ja kun ennen dokumenttipohjaisena ollut rikastustieto on nyt rakenteellista dataa, voidaan se syöttää tekoälyavusteiselle analysoijalle johtopäätöksiä ja jatkotoimenpiteitä varten.
Tämä viimeinen vaihe on ns. prompt engineeringiä, mutta avataan sitä enemmän seuraavissa blogeissa.

Case2 – Yrityskohderyhmien arvonmääritys ja analysointi

Kuvittele yritys B, joka haluaisi saada esim. 50 yrityksestä arviot niiden arvosta ja tehdä vertailua näiden yritysten välillä.
Nykyisellä tavalla yritys B kaivaa haluamiaan tietoja manuaalisesti ja vie ne Excel-tiedostoon, rakentaa kaavat ja saa toivottavasti haluamansa vastaukset. Tästä voi jo helposti päätellä, että työvaiheet kestävät todella kauan ja ovat erittäin virheherkkiä.
Uudella teknologialla nämäkin tiedot voidaan kaivaa eri dokumenttipohjaisista lähteistä, muuttaa dataksi ja syöttää tekoälyavustimille analyysejä varten.

Yhteenveto

Yhteenvetona voidaan todeta, että rikastetun ja dokumenttipohjaisesta tiedosta kaivetun datan avulla voidaan toteuttaa todella monia ennen manuaalisina työvaiheina toteutettuja työn kulkuja, mutta myös tuottaa helposti tekoälypohjaisia analyysejä.
Kun otetaan käyttöön tämän uuden datan kanssa ns. prompt engineering, eli haluttuun käyttötarpeeseen koulutetut tekoälyavustimet, saadaan todella isoja hyötyjä aikaiseksi.