Tekoälyn onnistumistarkkuus oli alkulohkovaiheessa jopa 67 prosenttia, ja pudotuspelivaiheessa se ennusti kulta- ja pronssipelit oikein.
Ennuste toteutettiin poikkeuksellisella tavalla: generatiivista tekoälyä hyödyntäen. Merkittävin onnistuminen olikin sen osoittaminen, että generatiivinen tekoäly taipuu työvälineeksi myös ennustamiseen.
Kisojen edetessä tekoälyn kompastuskiveksi muodostui puutteellinen datapohja.
Maajoukkuepelejä pelataan harvoin, vain kerran vuodessa. Data on siis vuoden takaa tai pitemmältäkin.
”Oli tiedossa, että MM-kisojen ennustaminen on haastavampaa kuin vaikkapa Liigan, sillä dataa on vähemmän, ja se on jossain määrin vanhentunuttakin. Lisäksi MM-kisoissa pudotuspelit ovat kiinni yhdestä pelistä eikä ottelusarjasta, jolloin yksittäisen ottelun merkitys on suuri. Nyt nähtiin paljon tasaisia otteluita, jotka päätyivät rankkareihin”, teknologiajohtaja Juhana Juppo Digialta sanoo.
Generatiivinen tekoäly ennustamisen työkaluna – miksi ja milloin?
Siinä missä Digian aiempi Liiga-ennuste perustui satunnaismetsä-malliin, joka auttaa päätöksenteossa laskemalla useista eri päätöspuista todennäköisimmän lopputuloksen, MM-kisojen ennuste toteutettiin generatiivista tekoälyä hyödyntäen.
Digian ennuste MM-kisoista oli toteutettu käyttämällä RAG-pohjaista kielimalli-ratkaisua. Lue lisää siitä, miten ennuste on toteutettu, Digian blogista.
”Kyllä tämä ennustaa, ja alkulohkovaiheessa vielä näytti siltä, että ennustetarkkuus ylittää kolikonheiton. Parhaimmillaan se oli jopa 67 prosenttia. Malli oppi hyvin pienestä datamäärästä käyttäytymään ihmismäisesti”, Juhana Juppo kertoo.
Milloin sitten kannattaisi harkita generatiivisen tekoälyn hyödyntämistä ennusteiden laatimisessa?
”Silloin, kun data ei ole selkeän numeerista”, Juppo kiteyttää.
Hyviä lopputuloksia voisi tuoda myös generatiivisen tekoälyn ja toisen mallin, vaikkapa satunnaismetsämallin yhdistelmä.
”Jääkiekon kontekstissa kielimalliin perustuva tekoäly voisi hakea Leijonien tiedotteista tietoa loukkaantumisista tai somekeskusteluista tietoa tunneilmapiiristä. Yritysmaailmassa malli voisi löytää erilaisista tekstimateriaaleista markkinaindikaatioita ja muuta ei-numeerista dataa, joka auttaa tarkentamaan ennusteita”, Juppo kuvaa.
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.
Lisätietoja:
Juhana Juppo
Teknologiajohtaja, Digia Oyj
p. 040 172 2859, juhana.juppo(a)digia.com