Muuttaako tekoäly osaamistarpeet?

Kirjoittaja: Maarit Virolainen.

Heikon ja vahvan tekoälyn1 yhdistäminen erilaisiin palvelu- ja teollisen tuotannon muotoihin muuttaa työelämää. Rajatuissa tehtävissä teollisuudessa ja palveluissa hyödynnettävän heikon tekoälyn ja palautetta syötteenä käyttävien uudelleensuuntautuvien teknisten prosessien yhdistelmät yleistyvät tulevaisuudessa. Kuluttajapalvelujen muutosta on jo luonnehtinut esimerkiksi siirtymä yksittäisten tuotteiden tai palveluiden myymisestä tuote- ja palvelukokonaisuuksien tarjontaan ja niin sanotun alustatalouden nousu (Baines, Lightfood, Benedittini & Kay 2009). Ihmisten ja tekoälyn odotetaan muodostavan yhdessä tuotantoyksiköiden, palvelusovellusten ja asiantuntijoiden ekosysteemejä (Zhong, Xu, Klotz & Newman 2017).

Tulevaisuuden työtä muuttavia teknologisia innovaatioita ovat esimerkiksi erilaisten sensoreiden hyödyntäminen, esineiden internet (Internet of Things, IoT), älykäs tuotanto, data-analytiikka, pilvipalvelut, -tuotanto, -laskenta, tai -tulostus, 3D-printtaus, ja kyberfyysiset järjestelmät, kuten eksoskeletonit2. Pilvipalvelut ovat pilvessä eli internetissä tarjottavia palveluita. Pilvilaskenta, -tuotanto ja -tulostus viittaavat tietotekniikan ja internetin käyttöön tavaroiden tai palveluiden hallinnoinnissa, tuottamisessa ja toimittamisessa. Nämä voidaan yhdistää esimerkiksi kolmiulotteisten esineiden tulostamiseen.

Edellä kuvattuun laajaan muutokseen viitataan usein yhteiskunnallisessa keskustelussa teollisen tuotannon neljäntenä vallankumouksena ja 4.0-liitteellä. Esimerkiksi Saksassa työ- ja sosiaaliministeriö on pyrkinyt jäsentämään muutoksen vaikutuksia väestön osaamistarpeisiin raportissa Arbeiten 4.0 (Hoppmann ym. 2017). Myös Suomessa on meneillään Suomen Akatemian yhteydessä toimivan strategisen tutkimusneuvoston hanke Valmistus 4.0 eli MFG 4.0.

Ammattikorkeakoulujen kannalta teollisuus 4.0:n tulo edellyttää sen jäsentämistä, miten muutokset vaikuttavat osaamistarpeisiin. Koulutuksen tutkimuksessa on pidetty tärkeänä moni- ja laaja-alaisten, transversaalien taitojen omaksumista (Guile 2002; Trilling & Fadel 2009; Winch 2013, 2015). Lisäksi tarvitaan tietoa koulutusalakohtaisten taitovaatimusten muutoksista. Erityisesti tekniikan ja muiden alojen yhteistyön vahvistamiseen tarvitaan lisää näkemystä.

Tekniikan alan, erityisesti informaatioteknologian insinöörien osaamistarpeita on hahmotettu saksalaisessa tutkimushankkeessa kirjallisuuskatsauksen ja kansainvälisten asiantuntijoiden fokusryhmähaastatteluiden avulla (Prifti, Knigge, Kienegger & Kremar 2017). Haastatteluissa höydynnettiin skenaarioita tulevaisuuden työprosesseista ja -tuotteista. Tuloksissaan tutkijat jakoivat tunnistetut osaamistarpeet kahdeksaan laajaan alueeseen alla olevan kuvion 1 mukaisesti.

Kuvio 1. Valmistus 4.0 ja laaja-alaiset osaamisalueet (muokattu Prifti, Knigge, Kienegger, & Kremar 2017, 56–57 pohjalta)

Tutkijat liittävät tekniikan alan spesifit taitotarpeet teknologian soveltamiseen. Näitä taitotarpeita ovat esimerkiksi teknologinen lukutaito, markkinointi sosiaalisessa mediassa, tietoturvallisuus, järjestelmien rakentaminen ja kehittäminen, erilaisten teknologioiden yhdistäminen, mobiiliteknologia, sensoreiden ja upotettujen järjestelmien tuntemus, robotiikka, tekoäly, ennakoiva ylläpito, mallintaminen ja ohjelmointi, data-analyysi ja tulkinta sekä pilviarkkitehtuurit. (Emt., 56.) Myös muihin alueisiin, kuten johtaminen ja päätöksenteko tai yhteistyö, liittyy tulosten mukaan monia tarkennettuja osaamistarpeita. Ne olivat kuitenkin selkeästi monialaisempia ja yleisempiä.

Suomalaisesta näkökulmasta nämä tulokset haastavat pohtimaan, miten ammattikorkeakoulujen tekemä monialainen yhteistyö työelämän kanssa mahdollistaa teknologian tuomien osaamistarpeiden tunnistamisen. Kun yhdysvaltalaistutkijat pohtivat tekoälyn työhön tuomien muutosten ennakointia, he totesivat, että tietojen kerääminen ja analysointi vaatisi – ironista kyllä – tekoälyä (Frank ym. 2019). Kaikkia ennakointiin tarvittavia tietoja voisi olla haastavaa hankkia ja jäsentää kustannustehokkaasti. Siksi osaamistarpeiden ennakoinnin lähtökohdaksi suositeltiin varautumista samalla myös odottamattomiin tulevaisuusskenaarioihin.

Paikallisten kehityskulkujen tarkastelu yhteistyössä työelämän kanssa näyttää myös tutkimuksen näkökulmasta hyvältä lähtökohdalta, kun halutaan varautua teknologian tuomiin muutoksiin. Monet ammattikorkeakoulut ovat jo proaktiivisesti edenneet tässä suunnassa. Esimerkiksi Metropolia kehittää avoimia robottialustoja ja laajennetun todellisuuden hyödyntämistä ja JAMK:ssa kehitetään monialaisesti teollisuusrobotiikan hyödyntämistä tuotannossa. Lisää esimerkkejä löytyy AMK-kentältä ja niitä myös kaivataan.

1Heikolla tekoälyllä tarkoitetaan rajatuissa tehtävissä hyödynnettävää koneiden tai neuroverkkojen oppimista niiden keräämän datan avulla. Tavanomaisesti olosuhteiden muutos edellyttää koneen uudelleenohjelmointia. Vahvalla tekoälyllä viitataan teknologisiin ratkaisuihin, jotka pystyvät suoriutumaan useista tehtävistä erilaisissa ympäristöissä, mikä vaatii ongelmanratkaisua ja yllättäviin tilanteisiin sopeutumisen mahdollistavaa analytiikkaa. Vahvaa tekoälyä edustaisivat esimerkiksi itseohjautuvat autot. Vahvan tekoälyn määrittelytavoista kiistellään samoin kuin siitä onko sitä vielä pystytty kehittämään. (Goertzl 2014).

2Moniin (visioituihin) teknologisiin muutoksiin ei ole vakiintuneita suomenkielisiä termejä. Eksoskeletonilla esimerkiksi tarkoitetaan ihmisvartaloa myötääviä rakenteita, joilla saadaan lisää voimaa, tukea tai tarkkuutta vaikkapa nostoihin ja toistoihin esimerkiksi rakennustyömaalla tai autonrakennuksessa.

Kirjoittaja

Maarit Virolainen, FT tutkija, Koulutuksen tutkimuslaitos Jyväskylän yliopisto, maarit.ha.virolainen(at)jyu.fi


Baines, T. S., Lightfood, H.W., Benedittini, O. & Kay, J.M. (2009). The servitization of manufacturing. A review of literature and reflection on future challenges. Journal of Manufacturing Technology Management, 20 (5), 547–567.

Frank, M. R., Autor, D., Bessen, J.E., Brynjolfsson, E., …& Rahwan, I. (2019). Toward understanding the impact of artificial intelligence on labor. PNAS (Proceedings of the National Academy of Sciences of the United States of America), 116 (14), 6531–6539. Haettu 12.9.2019 osoitteesta https://www.pnas.org/content/116/14/6531

Goertzel, B. (2014). Artificial general intelligence: Concept, state of the art, and future prospects. Journal of Artificial General Intelligence, 5(1), 1–46.

Guile, D. (2002). Skill and work experience in the European Knowledge Economy. Journal of Education and Work 15, (3), 251–276.

Hoppmann, N., Huber, M., Mikfeld, B., Neufeind, M., P… & Zirden H. (toim.). (2017). Arbeit weiterdenken. Werkheft 03.Berlin: Bundesministerium für Arbeit und Soziales. Haettu 12.9.2019 osoitteesta https://www.arbeitenviernull.de/fileadmin/Downloads/BMAS-Werkheft-3.pdf

Prifti, L.; Knigge, M.; Kienegger, H.; Krcmar, H. (2017). A Competency model for ”Industrie 4.0” employees. Teoksessa Leimeister, J.M. & Brenner, W. (Toim.): Proceedings der 13. Internationalen Tagung Wirtschaftsinformatik (WI 2017), St. Gallen, s. 46–60.

Trilling, B. & Fadel, C. (2009). 21st century skills. Learning for life in our times. San Fransisco: Jossey-Bass.

Winch, C. (2013). Three different conceptions of know-how and their relevance to professional and vocational education. Journal of Philosophy of Education, 47(2), 281–298.

Winch, C. (2015). Towards a framework for professional curriculum design. Journal of Education and Work, 28(2), 165–186.

Zhong, R.Y., Xun, X., Eberhard K., & Newman S. T. (2017). Intelligent manufacturing in the context of Industry 4.0: A Review. Engineering 3 (5), 616–630. Haettu 12.9.2019 osoitteesta http://dx.doi.org/10.1016/J.ENG.2017.05.015