Tekoälyavustaja Alvari helpottamaan tiedonhakua: tuotantokäytön kokemukset.

Toista vuotta tuotannossa

Syksyllä 2023 julkaistu ratkaisu on ollut käytössä pian kaksi vuotta. Mitä olemme oppineet? Miten kaikki alkoi? Miten tekoäly tuodaan arkikäyttöön ja osaksi olemassa olevaa palvelua?

Hitaat haut ja tietotulva avasivat tekoälyn oven

Rakennus- ja kiinteistöalalla ammattilaiset nojaavat päivittäin valtavaan määrään ohjeita, standardeja ja määräyksiä. Rakennustieto Oy on vuosikymmeniä julkaissut ja ylläpitänyt laajoja tietokantoja, kuten RT- ja RYL-kortistoja, mutta tiedon löytyminen näistä lähteistä ei ole aina ollut sujuvaa.

Asiakaspalautteissa toistui sama ongelma: tieto on olemassa, mutta sen löytäminen vie aikaa ja vaatii usein useita hakukierroksia. Kesällä 2023 Rakennustieto päätti kokeilla, voisiko tekoäly auttaa.

"Tiedonhaun vaikeus ja hitaus oli palautteiden ykköshuoli. Halusimme löytää keinon nopeuttaa prosessia," kertoo Rakennustiedon edustaja Matti Määttänen.

Määttänen toimii rakennustiedolla Business Development Managerina ja pitää huolen siitä, että tekoälyn kehittäminen vauhdittaa Rakennustiedon liiketoimintaa.

Pilotti, joka vakuutti nopeasti

Ratkaisuksi rakennettiin GPT-teknologiaan perustuva tekoälyavustaja, joka sai nimen Alvari. Ensimmäinen versio indeksoi pienen määrän PDF-muotoisia kortteja, mutta jo pilotin aikana käyttäjät havaitsivat konkreettisen hyödyn: Alvarin avulla he löysivät luonnollisella kielellä esitettyihin kysymyksiin vastaukset isosta tietomassasta ja saivat edelleen siirryttyä suoraan alkuperäisiin lähteisiin. 

Teknisesti tuotantovalmiiksi nopeasti

Kun pilotin mahdollisuudet kirkastuivat, Rakennustieto kääntyi Ambientian puoleen tuotantovalmiin toteutuksen rakentamiseksi. Ambientia toi mukanaan arkkitehtuuriosaamisen, sisällönhallinnan automatisoinnin sekä tarvittavat käyttöoikeus- ja autentikointiratkaisut. Tärkeänä osana oli varmistaa, että tekoälyavustaja voi toimia turvallisesti ja vain aineistojen puitteissa, joihin käyttäjällä on oikeudet. Käyttöönottoa tehtiin osissa.

"Meillä on täysi kontrolli siitä, mitä GPT näkee missäkin sessiossa. Agentilla ei ole pääsyä suoraan mihinkään dataan – se saa käyttöönsä vain ne tiedot, jotka poimimme sille tietovarastosta ja jotka vastaavat käyttäjän oikeuksia," kuvaa Ambientian sovellusarkkitehti Ismo Kilpeläinen.

Kilpeläinen pitää huolen Ambientialla siitä, että asiakkaiden liiketoimintakriittiset sovellukset rakennetaan arkkitehtuuriltaan lujatekoisiksi ja kehittämiskokemus on positiivinen. 

Tällä hetkellä noin viidennes Rakennustiedon RT-kortisto- ja RYL-palveluiden käyttäjistä hyödyntää Alvaria. Palaute on ollut erittäin myönteistä, vaikka uudelle työkalulle tyypilliseen tapaan kynnys ensimmäiseen käyttöön on monille korkea.

"Ei se täydellinen ole, mutta tuo oikean tiedon nopeasti käyttäjän eteen – se on tärkeintä," kuvailee Määttänen.

"Alvari pystyy käymään läpi valtavan määrän tietoa nopeasti. Se ei ole päätöksentekijä, mutta ohjaa tehokkaasti oikean sisällön äärelle," Kilpeläinen sanoo.

Uudet aineistot suoraan käytettäväksi

Alvari toimii vielä tällä hetkellä pääosin PDF-pohjaisten aineistojen pohjalta, mikä vaatii sisällön esikäsittelyä automaattisia työkaluja hyödyntäen. Muutos on parhaillaan tapahtumassa rakenteellisempaan suuntaan.

Kun sisältöä julkaistaan jatkossa enenemissä määrin suoraan selainpohjaisessa, rakenteellisessa muodossa, voidaan nämä ottaa suoraan tekoälyn käyttöön ilman erillistä työvaihetta. Merkittävä parannus aineistoon.

Rakenteellinen aineisto mahdollistaa täsmällisemmät ja tehokkaammat vastaukset verrattuna esimerkiksi PDF-muotoon, joka vaatii aina ylimääräisen teknisen käsittelyn ennen tekoälyn käyttöä.

Tietopohjan hallinta on laatua

Tekoälyratkaisu vaatii toimiakseen muutakin, kuin teknologian. Se edellyttää vahvaa kontrollia siitä, mitä aineistoa voidaan käyttää vastauksen pohjana. Tässä korostuu rakenteellisen, laadukkaan ja ajantasaisen datan merkitys.

Rakennustiedon liiketoiminnan kannalta on olennaista, että jokainen asiakas näkee vain sen materiaalin, johon se on ostanut lisenssin. Teknologian pitää pystyä kunnioittamaan tätä mallia, ja Alvari on rakennettu juuri siten.

Teknisen toteutuksen rinnalla myös sisällön eheys ja ylläpidettävyys ovat osoittautuneet kriittisiksi onnistumisen kannalta. Jos lähdeaineisto ei ole loogisesti jäsenneltyä tai data on vanhaa, GPT voi hakea oikeaa asiaa väärästä paikasta. Silloin se antaa vastauksen, joka on teknisesti oikea, mutta kontekstiltaan väärä.

Ratkaisevassa asemassa oli alusta lähtien päätös käyttää RAG-arkkitehtuuria, joka mahdollistaa täyden kontrollin siihen, mitä GPT milloinkin näkee. Jos käyttäjä rakentaa kysymyksen huonosti, GPT voi yrittää täydentää vastausta omilla oletuksillaan. Juuri siksi kontrolloitu ja kuratoitu aineistopohja on niin keskeinen osa ratkaisua.

"RAG on ollut looginen valinta tähän kontekstiin, koska sen avulla voimme yhdistää vahvasti kuratoidun aineiston ja modernin kielimallin vahvuudet. Tämä ei ole avoin internet, vaan erittäin spesifi ja rajattu tietopohja – juuri siksi haluttiin rakenne, jossa GPT ei arvaa, vaan käyttää vain annettua aineistoa," selittää Kilpeläinen.

Saman näkemyksen jakaa Rakennustiedon Matti Määttänen, joka korostaa, että tekoälyratkaisun on perustuttava yksinomaan Rakennustiedon julkaisemaan, asiantuntijoiden kanssa yhdessä tuotettuun aineistoon.

Määttäsen mukaan on tärkeää ymmärtää myös tekoälyn rajat:

"Totta kai GPT voi toisinaan lähteä niin sanotusti hallusinoimaan – mutta Alvarin kohdalla sitä on pyritty minimoimaan juuri sillä, että se ei koskaan saa käyttää mitään muuta kuin meidän omaa aineistoa. Ja jos jotain kummallista vastausta tulee, se johtuu kokemuksemme mukaan yleensä siitä, että käyttäjä on yrittänyt tahallaan hämätä sitä kysymyksellä, joka ei liity kontekstiin."

Kilpeläinen kertoo, että yksi keskeinen haaste on ollut se, että Rakennustiedon aineistoissa sama aihe voi esiintyä useassa eri kortissa tai eri näkökulmista.

"Esimerkiksi porraskaiteista voi olla maininta useassa kortissa, mutta vain yksi niistä käsittelee asiaa kattavasti. GPT saattaa vastata kyllä oikein, mutta väärän kortin pohjalta."

Tätä haastetta on pyritty hallitsemaan indeksoinnin optimoinnilla ja relevanssilogiikalla, jossa GPT:n käyttöön annetaan vain tarkimmin osuvimmat kortit.

"Poimimme vastauksen taustalle aina relevantimmat lähteet, ja pyrimme varmistamaan, että ne sisältävät mahdollisimman kokonaisvaltaisen tiedon haetusta aiheesta," Kilpeläinen kertoo.

Selkeästi tässä on onnistuttu, sillä vastaukset, joita Alvari antaa ovat käyttäjien mielestä todella laadukkaita.

Visiossa on laajempi tekoälyn hyödyntäminen

Rakennustieto näkee Alvarin vasta alkuna. Tulevaisuudessa tekoäly voi auttaa myös sisäisesti, esimerkiksi lainsäädäntömuutosten analysoinnissa tai sisällöntuotannon tukena.

"Alvari on meille vasta alku. Olemme kiinnostuneita esimerkiksi siitä, voisiko tekoäly auttaa tunnistamaan lainsäädäntömuutosten vaikutuksia sisältöömme tai tehostamaan sisäistä sisällöntuotantoa. Tärkeää on, että tekoäly toimii laadukkaan sisällön tukena, ei korvaajana," Määttänen kertoo.

Strategista ohjausta tarjoaa Rakennustietosäätiön ohjaama tekoälytiekartta, jonka tavoitteena on tunnistaa, missä tekoäly voi aidosti helpottaa asiantuntijatyötä – laadusta ja luotettavuudesta tinkimättä.

Kehittäjän oppi: tekoäly ei ole kuin "perinteinen" sovellus

Ambientialla GPT-pohjaisen sovelluksen kehittämistä on pidetty motivoivana ja opettavaisena kokonaisuutena. Selvää on, että Rakennustiedon tapauksessa puolentoista vuoden aikana on päästy Proof Of Concept -tasosta luotettavaan tuotantokäyttöön.

GPT-pohjaista kehittämistä ohjaavat samat projektinhallinnan lainalaisuudet kuin muutakin ohjelmistokehitystä: kommunikointi, priorisointi ja asiakkaan tarpeiden ymmärtäminen.

Tekoälyavusteisen sovelluksen kehittäminen kuitenkin eroaa "perinteisestä ohjelmoinnista". GPT ei ole deterministinen – vastaukset vaihtelevat ja testaus vaatii tilastotieteellistä kykyä ajatella ja hahmottaa asioita. 

Yhteistyö kolmelta suunnalta

Tekoälyratkaisun kehitystyössä Rakennustieto on tehnyt tiivistä yhteistyötä Ambientian ja Helsinki AI Labsin kanssa. Jokaisella toimijalla on ollut oma tärkeä rooli kokonaisuudessa.

"Ambientian palvelu on ollut todella hyvää. Olen saanut tukea aina kun sitä on tarvinnut. Tiimi on ollut itseohjautuva ja kyvykäs priorisoimaan. Tämä on tehnyt projektista selkeän ja hallitun," kuvaa Määttänen.

"Me hyppäsimme mukaan siinä vaiheessa, kun pilotin potentiaali oli jo nähty. Helsinki AI Labs oli tehnyt todella hyvää työtä pilotin alussa. Oli helppo lähteä liikkuvaan junaan. Rakensimme sitten Ambientialla tuotantovalmiin kokonaisuuden: autentikoinnin, käyttöoikeusmallin, automaattiset indeksointiputket ja jatkuvan sisällönhallinnan ympäristön," Kilpeläinen kertoo.