Innovointia mökkeilyn rauhassa

Kirjoitan tämän blogikirjoituksen poikkeuksellisesti suomeksi korostaakseni autenttista vaikutelmaa.

Kesä on ollut minulle hyvää aikaa hiljentymiselle ja akkujen lataamiselle. Tänä vuonna se tarkoitti ajan viettämistä mökillä, kaukana kaupungin hälinästä. Istuessani rantasaunan kuistilla tuulen suhistessa puiden latvoissa ja laineiden liplattaessa järvellä, sukelsin syvemmälle tekoälyn maailmaan.

Syvennyin Microsoftin Azure AI Foundryyn, joka yhdistää eri AI-palveluja saumattomasti. Tämä palvelu muodostui minulle keskeiseksi työkaluksi. Se mahdollisti helpomman ohjelmallisen pääsyn puheentunnistusrajapintoihin, käännöksiin ja jopa agenttien rakentamiseen.

Yksinkertaisista teksteistä kohti multimodaalisia kokemuksia

Matkani generatiivisen tekoälyn parissa alkoi jo pari vuotta sitten, kun aloin kokea, että vanhat puhtaasti tekstipohjaiset kirjoitukseni voisivat hyötyä pienestä kohennuksesta. Sen vuoksi aloin vähitellen varustaa näitä vanhoja kirjoituksia uusilla elementeillä.

Aloin generoida kirjoituksille äänipohjaista kerrontaa eli podcasteja itse luomani Python-koodin avulla. Pyrin ainakin jossain määrin autenttiselta kuulostavaan kerrontaan äänivalinnnoissa. Tähän yhdistin sopivaa artikkeliin räätälöityä tekoälyn generoimaa taustamusiikkia tunnelman syventämiseksi.

Jossakin vaiheessa otin askeleen eteenpäin upottamalla lyhyitä videoklippejä, jotka höystivät tarinaa ja tarjosivat lisätietoa tai esimerkkejä. Kaikki tämä tapahtui matalla prioriteetillä asiakastöitteni ohessa iltatöinä. Viimeaikainen tauko asiakasprojekteista on kuitenkin mahdollistanut sen, että olen voinut kesän aikana lisätä panostani tähän harrastukseen.

Kesän aikana otin entistä laajemmin käyttöön Azure AI Foundryn, mikä on yksinkertaistanut kehitystyötä tarjoamalla pääsyn useisiin malleihin yhden rajapinnan kautta verrattuna aikaisempaan erillisten palvelujen käyttöön.

Tämä projekti on ollut minulle paitsi tekninen seikkailu myös tapa oppia, miten tekoälyä voi käyttää luovasti ilman, että menetetään autenttisuutta liikaa.

Matka kohti metatasoa

Tutkimustyöni tekoälyn parissa herätti minussa mullistavan ajatuksen: voisinko käyttää sitä analysoimaan aikaisempia blogikirjoituksiani ja päiväkirjamerkintöjäni, jotta voisin luoda uutta sisältöä tai kehittää ideoita niiden pohjalta? Se tuntui luonnolliselta jatkumolta, riippumatta lähestymistavasta.

Jatkoin kokeilujani.

Käyttämällä Azure AI Foundryn tarjoamia vektorisointimalleja onnistuin lopulta generoimaan uuden englanninkielisen blogikirjoituksen, joka oli tyyliltään hämmästyttävän samankaltainen kuin omat aikaisemmat, manuaalisemmat kirjoitukseni kuten kesäkuinen tarinointini Ögedei Kaanista - sisältäen kuitenkin uniikkia sisältöä, joka oli linjassa tekemieni löydösten kanssa. Tämä muistutti tyyliäni niin paljon, että olisin voinut luulla sitä omaksi työkseni.

Oli aika pysähtyä miettimään, pitäisikö minun todella julkaista tämä uusi satu Kublai Kaanista?

Vaikka kirjoitus oli teknisesti erinomainen, en silti ollut täysin tyytyväinen. Teksti ei enää ollut aidosti minusta tullutta. Se oli vain imitaatiota ja generoitua jatkoa, mikä herätti ristiriitaisia tunteita: iloa teknisestä edistyksestä, mutta myös huolta autenttisuuden menetyksestä.

Ajauduin jonkinlaiseen lamaannuksen ja päättämättömyyden tilaan. Tarkkaan harkittuani päätin lopulta olla julkaisematta kirjoitusta ja pikemminkin ottaa uudeksi suunnaksi metatasolle siirtymisen. Päätin kirjoittaa ihan suomeksi omasta näkökulmastani tekoälyn käytöstä ja sen vaikutuksista. Keskittyisin tässä uudessa kirjoituksesani, jota nyt luet, jakamaan käytännön havaintojani, kuten miten tekoäly voi tehostaa luovuutta. Ehkä käsittelisin myös varjopuolia kuten sitä kuinka liiallinen tekoälyn kanssa sompailu voi myös johtaa ylikuormitukseen jos asiat vedetään liian överiksi. Siis normi-överithän ovat toki OK.

Seikkailua autenttisuuden ja automaation välimaastossa

Uskon, että tulevaisuudessa tekoälymallien yhä syvempi integrointi kaikkeen työhön on välttämätöntä, kun kielimallit ja tekoäly kehittyvät nopeasti. Ehkäpä “autenttisuuden” tavoittelu on lopulta kuin suossa tarpomista tai tuulen tavoittelua, ja matka taittuu nopeammin kun hyödynnämme tekoälyä todellisen lisäarvon tuottamiseen. Ehkäpä nämä tavoitteet eivät lopulta ole toisiaan poissulkevia vaan toisiaan täydentäviä!

Koen, että omat edistysaskeleeni tällä matkalla ovat olleet merkittäviä. Vektorisoimalla omaa sisältöäni ja populoimalla Milvus-vektorikannan lokaalisti MongoDB-tietokannasta olen parantanut hakujen tarkkuutta ja mahdollistanut vastausten räätälöinnin entistä syvällisemmin kontekstin pohjalta.

Pettymyksiä ja voittoja

Kielimalleista puhuen, olen kuitenkin kokenut pettymyksiä, kuten mallit Llama4 Scout ja Maverick. Nämä mallit olivat nopeita, mutta eivät tuottaneet kovin syvällistä tekstiä, varsinkaan suomenkielisessä sisällössä - se oli pinnallista ja epätarkkaa. Nämä mallit tukevat ennennäkemättömän laajoja konteksti-ikkunoita. En kuitenkaan voi olla kysymättä, mitä hyötyä siitä on, jos malli ei kykene kunnolla käsittelemään kontekstia?

Voi tietenkin olla, että en ole vain vielä löytänyt oikeaa tapaa parametrisoida näitä mainittuja malleja. Silti monet muut mallit toimivat tehokkaasti oletusasetuksilla. Onneksi esimerkiksi Grok 3 Mini on osoittautunut erinomaiseksi kompromissiksi. Se tarjoaa nopeita, laadukkaita vastauksia edullisesti, mikä on tehnyt siitä luotettavan työkalun päivittäisessä käytössä.

Erityismaininnan ansaitsee myös avoimeen lähdekoodiin perustuva DeepSeek V3, joka on hyvä ja kustannustehokas vaihtoehto, vaikkakin se ehkä on aavistuksen verran hitaampi, millä voi olla vaikutusta käyttötarkoituksesta riippuen.

Tässäpä tärkeimmät turinat tällä kertaa. Palataan asiaan!