Suomalaisten ei tänä vuonna tarvitse vaivautua torille, sillä mitaleihin tottuneelle kiekkokansalle on tekoälyn ennusteen mukaan tiedossa vasta viides sija. Kirkkaimmat mitalit menevät pohjois-Amerikkaan, kun kultaa juhlii USA ja hopeaa Kanada. Suomen kannalta tilanteen karvautta lisää, että Ruotsi kampeaa itsensä pronssille.
Tekoäly osoitti vahvuutensa ennustamisen työkaluna, kun Liiga-kausi huipentui pari viikkoa sitten kärkisijojen osalta juuri tekoälyn ennustamalla tavalla. Lue lisää täältä.
Ennuste MM-kisojen lopputuloksista on kuitenkin toteutettu hieman eri tavalla. Siinä missä Liiga-ennuste perustui satunnaismetsä-malliin, joka auttaa päätöksenteossa laskemalla useista eri päätöspuista todennäköisimmän lopputuloksen, MM-kisojen ennuste on toteutettu generatiivista tekoälyä hyödyntäen.
”Olisihan se ollut tylsää tehdä sama juttu heti uudestaan”, Digian teknologiajohtaja Juhana Juppo sanoo.
Ennusteiden tarkoitus on havainnollistaa tekoälyn hyödyntämismahdollisuuksia sekä kannustaa kokeiluihin tekoälyn kanssa.
”Asiakkaillemme suosittelemme, että tekoälyn hyödyntämisen kanssa ei kannata odotella, vaan liikkeelle on syytä lähteä viivyttelemättä. Erilaisten kokeilujen kautta löytyvät ne sovelluskohteet ja hyödyntämistavat, joissa tekoälystä on omalle organisaatiolle eniten hyötyä”, Juppo sanoo.
Voiko generatiivista tekoälyä hyödyntää ennustamiseen?
Generatiivisen tekoälyn ratkaisut ovat tulleet suurelle yleisölle tutuksi ChatGPT:n kaltaisista palveluista, jotka perustuvat kielimalleihin ja auttavat ennen kaikkea sisällöntuotannossa tai muissa tekstin käsittelyyn liittyvissä tarpeissa.
Digian ennuste MM-kisoista on toteutettu käyttämällä RAG-pohjaista kielimalli-ratkaisua. Retrieval-Augmented Generation eli RAG on kehittynyt tekoälymenetelmä, jossa yhdistyy kielimallien generatiiviset kyvyt ja edistyneet tiedonhakutekniikat tiedon löytämiseen: RAG laajentaa pelkän kielimallin ymmärrystä ja antaa sille mahdollisuuden hakea ja käyttää mallin ulkopuolisia asiakirjoja tarkempien ja asiayhteyteen liittyvien vastausten tuottamiseksi. Lue lisää siitä, miten ennuste on toteutettu, Digian blogista.
MM-kisojen ennuste eroaa Liiga-ennusteesta myös datapohjan osalta. Liiga-ennuste pohjautui Liigan tilasto- ja tulospalvelun dataan. Dataa oli saatavilla useista kymmenistä eri muuttujista, joista tekoälyn avulla ensin tunnistettiin merkittävimmät, ja sitten toteutettiin itse ennuste näihin merkittävimpiin muuttujiin pohjautuen.
MM-kisoista ei ole saatavilla yhtä kattavaa dataa, vaan ennuste perustuu puhtaasti aiempien pelien lopputuloksiin ja maiden menestykseen.
”On todennäköistä, ettei MM-kisojen ennuste yllä aivan samaan tarkkuuteen kuin Liiga-ennuste, sillä data ei ole aivan yhtä tarkkaa ja menetelmävalinta on kokeellisempi. Toisaalta, kun mallia on testattu, se on yltänyt yllättävän hyviin tuloksiin satunnaismetsä-malliin verrattuna. Ennuste päivittyy kisojen aikana parin arkipäivän välein, ja mielenkiinnolla seuraamme, milloin tekoäly saa oikeasta kuviosta kiinni”, Juppo sanoo.
Hän muistuttaa, että tekoäly on arjen työkalu missä muutkin teknologiat. Tekoälyratkaisuja voidaan toteuttaa teknisesti eri tavoin, ja yksi ja sama työkalu sopii harvoin kaikkien tarpeiden ratkaisemiseen.
”Olennaista on ymmärtää, mihin erilaiset toteutustavat soveltuvat, ja mitkä ovat niiden vahvuudet ja heikkoudet. Jatkuva kokeileminen on tärkeää oppimisen sekä omiin tarpeisiin sopivien työkalujen löytämisen kannalta. Oikein käytettynä tekoäly on erittäin hyvä apuväline päätöksenteon tueksi ja moniin muihin tarpeisiin”, Juppo sanoo.
• Digian ennuste MM-kisojen lopputuloksista löytyy PowerBI-näkymänä täältä. Ennuste päivittyy noin parin arkipäivän välein.
• Liiga-ennusteeseen sekä Liiga-kaudelta kertyneisiin oppeihin tekoälyn hyödyntämisestä voi tutustua täällä.
Lisätietoja:
Juhana Juppo
Teknologiajohtaja, Digia Oyj
p. 040 172 2859
juhana.juppo(a)digia.com
Digian viestintä
Viestinnän yhteystiedot