Käyttäjä- ja asiakaskeskeisessä kehittämisessä käyttötapausten tunnistaminen on eräs kriittisimpiä menestystekijöitä. Sama koskee tekoälyä hyödyntäviä kehitysprojekteja. Olennainen kysymys tekoälyn soveltamisessa on se, ketkä käyttävät, mitä tarpeita käyttäjillä on ja mitkä ovat tyypilliset käyttötapaukset. Käyttötapausten tunnistaminen ja kuvaaminen auttavat myös korkeakouluja löytämään uusia tapoja hyödyntää tekoälyä ja dataa oppimisen, opetuksen ja korkeakouluhallinnon kehittämisessä. Tässä artikkelissa kuvataan muutamia 3AMK-projektin AI-tiimin työskentelyssä esille nousseita potentiaalisia käyttötapauksia. Artikkelin tavoitteena on antaa korkeakoulujen toiminnan kehittäjille ideoita tekoälyn mahdollisuuksista digitalisoitaessa prosesseja.

Opintopolun kolme päävaihetta, joissa tarpeet ovat erilaisia

Käyttötapaus tarkoittaa kuvausta siitä minkälainen tietotekninen toiminnallisuus auttaa ratkaisemaan käyttäjän tiettyyn tilanteeseen liittyvän tehtävän tai tarpeen. Käyttötapaukset auttavat opetuksen ja opiskelijahallinnon kehittäjiä ymmärtämään miten tekoälyä hyödyntävä ohjelmisto toimii käytännön tilanteessa. Käyttötapaukset ovat erilaisia riippuen käyttäjäprofiilista, tehtävästä ja tilanteesta mutta yhteistä niille on käyttäjän ja ohjelmiston vuorovaikutuksen mallintaminen.

Tekoälyä hyödyntävä ohjelmisto, aivan kuten mikä tahansa tekninen ratkaisu on mahdollistaja, joka auttaa käyttäjiä suoriutumaan tehtävistään tai täyttää hänen tarpeitaan tai halujaan ohjelmiston ominaisuuksien rajoissa. Esimerkiksi korkeakouluopiskelijan käyttötapaukset saman tietojärjestelmän näkökulmasta ovat erilaisia kuin opettajalla tai hallinnon henkilöllä. Tekoälypohjainen chat osaa tarjota nopeammin oikeaa informaatiota kuin perinteiset kysymys-vastaus-listat (FAQ). Hallinnon näkökulmasta voidaan samasta chatin vuorovaikutusdatasta analysoida missä, milloin ja kuinka paljon opiskelijoilla tulee erilaisia tiedontarpeita.

Opetuksessa ja oppimisessa käyttötilanteita voi lähteä purkamaan opintopolun näkökulmasta. Opiskelija havaitsee uuden kiinnostavan opintojakson, hän hakee lisätietoa, vertaa sitä opintosuunnitelmaansa, rekisteröityy kurssille, osallistuu siihen ja saa opintosuorituksen. Kaikkiin näihin vaiheisiin sisältyy erilaisia tiedollisia ja toiminnallisia tarpeita. Jos apuvälineenä on digitaalisia palveluita, jokainen vaihe edellyttää erilaisia toiminnallisia ja ei-toiminnallisia vaatimuksia, jotta tekniikka voisi auttaa opiskelijaa tällaisen polun läpikäymisessä. Karkealla tasolla opintopolku sisältää seuraavat vaiheet:

1. käyttötapaukset ennen opintojen aloitusta (opiskelija perehtyy erilaisiin vaihtoehtoihin ja vaatimuksiin, hakee kouluun, opintojaksoille, jne.)
2. käyttötapaukset opintojen suorituksen aikana (opintoihin, tukipalveluihin, hallintoon ja työelämään liittyvät asiat ja tarpeet)
3. käyttötapaukset tutkinto-opintojen jälkeen osana jatkuvaa oppimista (alumnitoiminta, täydennyskoulutus, yritysyhteistyö, työssä oppiminen, verkottuminen, jne.)

Miten tekoäly eroaa perinteisestä digipalvelusta?

Tekoälyn soveltaminen oppimisessa ja opetuksessa ottaa vielä ensiaskelia (Renz, Krishnaraja, & Gronau, 2020). Tekoälyn soveltaminen korkeakouluopetukseen, hallintoon tai jatkuvaan oppimiseen ei eroa merkittävästi muusta digitaalisesta kehittämisestä. Esimerkiksi Laureassa 3AMK:n AI-tiimin yhteistyönä käyttöönotettu tekoälypohjainen chat ei juurikaan eronnut normaalista tietohallinnon projektista kehityksen ja käyttöönoton vaiheiden suhteen. Teknisiä haasteita oli mm. työmarkkkina- ja osaamisdataa hyödyntävän tietokannan integroimisessa ja toteutuksessa erityisesti käytettävyyden näkökulmasta.

Keskeinen lisäarvoa tuottava tekijä tekoälyn taustalla on data, josta jalostetaan hyödyllisiä ja oikeaan osuvia vastauksia, ehdotuksia, suosituksia tai ohjeistuksia. Lisäksi ohjelmiston tulee oppia jatkuvasti tuottamaan entistä tarkempaa ja parempaa informaatiota analysoimalla käyttäjien toimintaa ja jalostamalla potentiaalisia vastausvaihtoehtoja. Tekoäly eroaa perinteisestä ohjelmistosta siinä, että se oppii ja kehittyy sitä paremmin mitä enempi se saa tietoa käyttäjiltä ja käyttäjistä.

Erilaisia käyttötapauksia opintojen aikana joihin voidaan soveltaa tekoälyä

Alla on lueteltu 3AMK-projektin AI-tiimissä esille tulleita erilaisia käyttötapauksia korkeakouluissa tapahtuvan toiminnan automatisoimiseksi tekoälyn ja datan avulla. Lista kuvaa miten moniin asioihin voidaan soveltaa tekoälyä ja koneoppimista hyödyntäviä ratkaisuja. Tekoäly kerää dataa erilaisista vuorovaikutuksellisista tai taustalla tapahtuvista prosesseista ja tekee siitä yhteenvetoja, päätelmiä, suosituksia tai ehdotuksia. Tämä listaus on pelkistetty eikä se vielä kuvaa miten tekoälyä hyödyntävä ohjelmisto auttaa tehtävän tai tarpeen suorittamisessa. Se auttaa kuitenkin tunnistamaan tilanteet ja tarpeet joista rakentuu kulloinenkin käyttötapaus.

• opiskelija hakee tietoa opintoihin liittyen tai kysyy neuvoa
• opiskelija suorittaa opintojaan tekoälyn ohjaamana, avustamana ja kannustamana
• opiskelija opiskelee virtuaalisen assistentin avustuksella
• opiskelija suunnittelee ja personoi omaa opintopolkuaan
• opiskelija arvioi omaa osaamistaan tai CV:tä suhteessa avoimiin työpaikkoihin
• opiskelija suunnittelee harjoittelua, opinnäytettä, projektia tai muita suorituksia
• opiskelija haluaa perehtyä työmarkkinoiden odotuksiin, trendeihin tai vaatimuksiin
• opiskelija hoitaa opintoihin liittyviä muita kuin opiskeluun liittyviä asioita
• opiskelija etsii työpaikkoja tai tutustuu työmarkkinoiden vaatimuksiin
• opiskelija haluaa valmistua ajoissa, hallita opintojen deadlinet ja vaatimukset
• opiskelija haluaa varmistaa voimavarojen riittävyyden ja tasapainon

3AMK:n AI-tiimissä olemme kehittäneet ratkaisuja yhdessä Frontai- ja Headai-yritysten kanssa esimerkiksi opiskelijan tiedonhaun tarpeisiin sekä oman oppimispolun suunnitteluun auttamalla häntä arvioimaan työelämän tarpeita ja omaa osaamisprofiiliaan suhteessa työmarkkinadataan. Lisäksi toteutimme yhdessä Headai:n kanssa ratkaisun joka auttaa opiskelijaa hakemaan ideoita opinnäytteeseen ja arvioimaan omaa opinnäytetyön aihetta suhteessa Theseus-tietokannasta löytyvään tietoon.

Opettajan näkökulmasta tekoälyn ja datan hyödyntäminen voi näkyä seuraavina käyttötapauksina:

• opettaja arvioi, päivittää tai rakentaa opintojaksoa työelämän vaatimusten näkökulmasta
• opettaja automatisoi opintojaksojen arviointia, suorituksia tai ohjausta
• opettaja saa automaattisia muistutuksia, raportteja tai hälytyksiä
• opettaja ulkoistaa osan ohjauksesta tekoälypohjaiselle assistentille
• opettaja hakee helpommin tietoa, kysyy neuvoa ja perehtyy uusiin asioihin
• opettaja saa paremman läpinäkyvyyden opiskelijoiden opintojen edistymiseen
• opettaja kykenee paremmin ennakoimaan ja ennustamaan työkuormaa tai ohjaustarvetta
• opettaja haluaa kollegoiden ja ammattiyhteisön sosiaalista tukea työhönsä

Edellä luetellut käyttötapausten skenaariot ovat yleisellä tasolla. AI-tiimin puitteissa olemme kehittäneet Headai-alustan päälle käyttöliittymää joka auttaa opettajia tekemään hakuja osaamisiin liittyen peilaamalla niitä työpaikkailmoituksissa esiintyviin termeihin. Tämän päivän tekoäly on vielä matala-asteista älykkyyttä, mutta lähitulevaisuudessa näemme jo korkeamman tason älykkyyttä tekoälyratkaisuissa. Esimerkiksi Google panostaa vahvasti kasvojen tunnistukseen, josta on lyhyt matka tarkkaavaisuuden ja tunteiden tulkintaan. Myös Kiinassa tutkitaan paljon kasvojen tunnistusta, ja siellä kasvojen tunnistusta on jopa sovellettu korkeakoulumaailmaan (ks. esim. Chan, 2018; Dailymail, 2019). Kamerat eivät tunnista pelkästään oppilasta vaan pyrkivät arvioimaan hänen suoritusta ja toimintaa luokassa (GetChina Insight, 2019). Euroopassa tässä asiassa törmätään kuitenkin tietosuoja-asioihin koska yksilöiden tietosuojaa suojelevat asetukset ovat tiukemmat.

Kotimaisilla markkinoilla olevia ratkaisuja

Markkinoilla on jo useita tekoälyä hyödyntäviä ratkaisuja korkeakoulujen käyttöön. Esimerkiksi Iris.ai auttaa opiskelijoita löytämään paremmin lähdekirjallisuutta opinnäytteiden kirjoittamiseen. Headai hyödyntää yli miljoonan työpaikan työmarkkinadataa ratkaisuissaan, joilla opiskelijat voivat arvioida osaamistaan suhteessa työpaikkojen vaatimuksiin tai hakea mahdollisia työpaikkoja tai kursseja. Opettajat voivat arvioida ja päivittää opintojaksojensa termistöä ja sisältöä alansa työpaikkojen taitovaatimuksiin tai korkeakoulut voivat arvioida opintotarjontansa vastaavuutta työmarkkinoiden vaatimuksiin (ks. esim. Ketamo, et al. 2019). Suomalainen Frontai-yritys hyödyntää norjalaisen Boost.ain vuorovaikutuksellista chat-alustaa, joka hyödyntää tekoälyä avustaessaan esimerkiksi opiskelijoiden neuvontaa ja ohjausta 24/7. Kielenoppimiseen on jo useita tekoälyä hyödyntäviä sovelluksia. Oma lukunsa on perinteisiin oppimisalustoihin ja hallinnon ratkaisuihin tulevat algoritmit jotka kykenevät tuottamaan dataa analysoimalla päätöksentekoa ja ennakointia hyödyttävää tietoa.

3AMK-projektin AI-tiimi ja tulevaisuuden kehitysnäkymiä

3AMK-projektin AI-tiimiin kuuluu jäseniä Laureasta, Haaga-Heliasta ja Metropoliasta. Tiimin toiminnan puitteissa olemme kehittämässä ja soveltamassa Headai:n osaamis- ja työmarkkinadataa, Theseuksen opinnäytetyödataa ja Frontai:n vuorovaikutuksellista chattia hyödyntäviä tekoälyratkaisuja opiskelijoille. Lisäksi olemme integroineet niitä yhteen jolloin Frontai:n chat-ikkunassa voidaan välittää tietoa Headai:n työmarkkinadatasta haettua informaatiota. Kuluvan syksyn aikana on tarkoituksena tutkia myös tekoälyn ja oppijan vuorovaikutusta. Opiskelijoita kytkemme toimintaan mukaan Hackathonien, kurssitöiden ja harjoittelun kautta.

Olennaista tekoälyn soveltamisessa on edelleen loppukäyttäjien saama lisäarvo. Tekoälyn algoritmit ja erityisesti käytettävissä oleva data määrittelevät pitkälle sen millaista lisäarvoa ne kykenevät tuottamaan. Yleisellä tasolla tekoälyn hyödyntämisessä keskeinen lisäarvo tulee olemaan yhä vahvemmin oppimisen ja opetuksen personointi (Ketamo, 2003; Xie et al. 2019). Personointi tai adaptiivinen oppiminen ovat olleet hyvän pedagogiikan keskiössä jo vuosikymmeniä. Silti teknologia-avuisteisen adaptiivisen oppimisen tutkimus korkeamman tason ajattelutaitojen osalta on vielä niukkaa (Xie et al. 2019), vaikka juuri se olisi korkeakouluissa tärkeä oppimistavoite. Tekoälyyn liittyvä kehitystyö pyrkii yhä paremmin tunnistamaan oppijan tilanteen ja hänen tunnetilansa (Alnahdi, 2019), joten mielenkiintoisia sovelluksia on odotettavissa lähitulevaisuudessa. Silti nykyinen tekoäly on vielä matala-asteista eikä se kykene vielä toimimaan ihmisen tasoisesti tai paremmin kuin hyvin rajatuissa ja kapeissa alueissa. Intuitiivinen psykologinen tai fysikaalinen päättely, kausaliteetti ja tilannetaju ovat edelleen suuria haasteita tekoälylle (Lake, et al. 2017) tunneälystä puhumattakaan.

Lähteet:

• Alnahdi, A. (2019). The impact of the use of artificial intelligence in the education sector. International Journal of Artificial Intelligence and Machine Learning, 1 (4), 1, 8.
• Chan, T.F. (2918). A school in China is monitoring students with facial-recognition technology that scans the classroom every 30 seconds. Luettavissa: https://www.businessinsider.com/china-school-facial-recognition-technology-2018-5?r=US&IR=T
• Dailymail, (2019). Chinese schools use high-tech gates equipped with facial-recognition cameras to keep track of their pupils. Luettavissa: https://www.dailymail.co.uk/news/article-7153981/Chinese-schools-use-facial-recognition-gates-monitor-pupils.html
• GetChina Insgiht, (2019). Schools using facial recognition system sparks privacy concerns in China. Luettavissa: https://medium.com/@EdtechChina/schools-using-facial-recognition-system-sparks-privacy-concerns-in-china-d4f706e5cfd0
• Ketamo, H. (2003). An adaptive geometry game for handheld devices. Journal of Educational Technology & Society, 6(1), 83-95.
• Ketamo, H., Moisio, A., Passi-Rauste, A., & Alamäki, A. (2019). Mapping the Future Curriculum: Adopting Artificial Intelligence and Analytics in Forecasting Competence Needs. In Proceedings of the 10th European Conference on Intangibles and Intellectual Capital ECIIC 2019. Academic Conference Publishing International.
• Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and brain sciences, 40. E253.
• Renz, A., Krishnaraja, S., & Gronau, E. (2020). Demystification of Artificial Intelligence in Education–How much AI is really in the Educational Technology?. International Journal of Learning Analytics and Artificial Intelligence for Education (iJAI), 2(1).
• Xie, H., Chu, H. C., Hwang, G. J., & Wang, C. C. (2019). Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017. Computers & Education, 140, 103599.