Tekoäly osana teollisuuden murrosta
Teollisuus on siirtynyt neljänteen vallankumoukseen, jossa keskiössä ovat mm. digitalisaatio, esineiden internet (IoT), big data ja tekoäly (Marttinen, 2018, s. 57). Näillä pyritään toteuttamaan myös Teollisuus 5.0 -ideologian kestävä ja ihmiskeskeinen teollisuus, joka kunnioittaa planeettamme rajoja ja edistää kaikkien sidosryhmien hyvinvointia (Breque & Petridis, 2021). Tekoäly ei ole yksittäinen teknologia, vaan joukko menetelmiä ja sovelluksia, jotka mahdollistavat älykkään päätöksenteon ja automaation (Työ- ja elinkeinoministeriö, 2017, s. 15). Sen kehitys on kulkenut vaiheittain 1950-luvulta nykypäivään, ja viime vuosien generatiiviset mallit ovat tuoneet tekoälyn entistä laajemmin näkyväksi (Kolari & Kallio, 2023).
Tämä artikkeli pohjautuu TAMKin Konetekniikan koulutusalan ja Älyteollisuuden automaatioratkaisujen YAMK-tutkinto-ohjelman opinnäytetyöhön Tekoäly ja sen hyödyntäminen teollisuudessa (Nieminen, 2025).
Sovelluksia suunnittelusta tuotantoon
Tekoälyä voidaan hyödyntää teollisuudessa monipuolisesti. Generatiivisella tekoälyllä esimerkiksi voidaan tuottaa vaihtoehtoisia ratkaisuja tuotteiden suunnitteluun ja mallinnukseen ja siten nopeuttaa tuotekehitystä. Tyypillisiä käyttökohteita operatiivisessa toiminnassa ovat ennakoiva huolto, laadunvarmistus ja optimointi tuotannossa tai toimitusketjussa. Huollossa koneoppimismalleja hyödynnetään esimerkiksi ennustamaan laitteiden vikaantumista ja optimoimaan huoltovälejä. Laadunvarmistuksessa voidaan konenäön ja syväoppimismallien avulla tunnistaa poikkeamia tuotantolinjalla. Tekoälyn avulla toimitusketjua voidaan optimoida analysoimalla kysyntää ja varastotasoja reaaliaikaisesti. (Plathottam ym., 2023.)
Tekoälyä voidaan hyödyntää teollisuudessa monipuolisesti.
Tekoälyä voidaan hyödyntää myös energian käytön ennustamisessa ja vähentää kyberturvallisuusriskejä sekä parantaa työntekijöiden ja kriittisten laitteiden turvallisuutta. Teollisuusautomaatiossa tekoäly mahdollistaa joustavan automaation ja robotiikan sekä ihmisen ja koneen yhteistyön. Näiden sovellusten avulla voidaan parantaa tehokkuutta, vähentää kustannuksia ja edistää kestävää kehitystä. (Plathottam ym., 2023.)
Käyttöönoton edellytykset ja haasteet
Tekoälyn käyttöönotto ei ole pelkästään tekninen projekti. Siihen tarvitaan strategista suunnittelua, osaamista ja kulttuurista muutosta. CRISP-DM-prosessimalli tarjoaa hyvän viitekehyksen tekoälyprojektien vaiheistamiseen (kuva 1). Hyvin aloitettu käyttöönotto lähtee mallin mukaisesti liiketoiminnan ja saatavilla olevan datan ymmärtämisestä ennen varsinaista tekoälymallin rakentamista. Mallinnus vaatii datan valmistelua. Tämä voi tapahtua useassa vaiheessa ja erityisesti silloin, kun datassa havaitaan ongelmia mallia rakennettaessa. Malli on lopulta arvioitava ennen mallin käyttöönottoa. (Wirth & Hipp, 2000, s. 1–5.)
Kuva 1 CRISP-DM -prosessimalli vaiheineen (Wirth & Hipp, 2000, s. 5, muokattu).
Keskeiset haasteet tekoälyn käyttöönotossa ovat:
- Datan laatu ja saatavuus, sillä tekoäly tarvitsee laadukasta ja riittävää dataa toimiakseen luotettavasti (Neittaanmäki & Tuominen, 2019, s. 2–3; 8).
- Osaamisen puute, koska tekoälyn hyödyntäminen vaatii uutta osaamista niin johdolta kuin työntekijöiltä (Heikura, 2021).
- Investointien tarve, sillä erityisesti pk-yrityksille resurssien rajallisuus voi olla kehityksen este (Silo AI, 2021–2024).
Tekoälyn tila Suomessa ja tulevaisuuden näkymät
Tekoälyn käyttö on yleistynyt Pohjoismaissa, mutta erityisesti pk-yrityksissä käyttöönotto on vielä alkuvaiheessa. Suomessa tekoälyä hyödyntävien yritysten osuus on noussut kolmessa vuodessa16 prosentista noin 24 prosenttiin (Suomen virallinen tilasto (SVT), 2021–2024). Haasteina nähdään edelleen osaamisen ja investointien puute (Silo AI, 2021–2024). Syksyllä 2023 toteutettujen teemahaastattelujen mukaan pk-yrityksissä suhtaudutaan tekoälyyn pääosin positiivisesti. Tekoälyn koetaan keventävän työtaakkaa ja parantavan päätöksentekoa, mutta käyttöönotto vaatii kumppanuuksia ja rohkeutta kokeilla uutta. (Nieminen, 2023.)
Tekoälyn käyttöönottoon tarvitaan strategista suunnittelua, osaamista ja kulttuurista muutosta.
Tekoäly tarjoaa teollisuudelle merkittäviä mahdollisuuksia, mutta sen hyödyntäminen vaatii pitkäjänteistä kehittämistä. Tulevaisuudessa käyttötapauskirjastot, yhteistyöverkostot ja osaamisen vahvistaminen voivat madaltaa käyttöönoton kynnystä erityisesti pk-yrityksissä. Tekoälyn kehitystä on tärkeää seurata ja tukea, jotta suomalainen teollisuus säilyy kilpailukykyisenä globaalissa toimintaympäristössä. (Nieminen, 2025, s. 2, 57, 74)
Artikkelissa on hyödynnetty tekoälyä (Microsoft 365 Copilot) artikkelin sisältörungon ideoimisessa.
Lähteet
Breque, M., De Nul, L., & Petridis, A. (2021). Industry 5.0: Towards a sustainable, human-centric and resilient European industry. European Commission. https://op.europa.eu/publication-detail/-/publication/468a892a-5097-11eb-b59f-01aa75ed71a1
Heikura, S. (2021). Tekoälyn manipulointi ja turvallisuus – kenen pitäisi olla kiinnostunut? Automaatioväylä, 4(2021), 8–10.
Kolari, J., & Kallio, A. (2023). Tekoäly 123: Matkaopas tulevaisuuteen. Docendo.
Marttinen, J. (2018). Palvelukseen halutaan robotti: Tekoäly ja tulevaisuuden työelämä. Kustannusosakeyhtiö Aula & Co.
Neittaanmäki, P., & Tuominen, H. (toim.). (2019). Tekoälyn perusteita ja sovelluksia. Jyväskylän yliopisto, Informaatioteknologian tiedekunta. http://urn.fi/URN:ISBN:978-951-39-7796-2
Nieminen, I. (2023). Tekoälyn hyödyntäminen teollisuuden pk-yrityksissä vaatii rohkeutta ja kehityshalukkuutta. TAMKjournal, 18.12.2023. https://sites.tuni.fi/tamk-julkaisut/tamkjournal/tekoalyn-hyodyntaminen-teollisuuden-pk-yrityksissa-vaatii-rohkeutta-ja-kehityshalukkuutta-iina-nieminen/
Nieminen, I. (2025.) Tekoäly ja sen hyödyntäminen teollisuudessa [opinnäytetyö Tampereen ammattikorkeakoulu]. https://urn.fi/URN:NBN:fi:amk-2025061122299
Plathottam, S. J., Rzonca, A., Lakhnori, R., & Iloeje, C. O. (2023). A review of artificial intelligence applications in manufacturing operations. Journal of Advanced Manufacturing and Processing, 5(3). https://doi-org.libproxy.tuni.fi/10.1002/amp2.10159
Silo AI. (2021–2024). The Nordic State of AI: Report. Silo AI.
Suomen virallinen tilasto (SVT). (2021–2024). Tietotekniikan käyttö yrityksissä. Tilastokeskus. https://stat.fi/tilasto/icte
Työ- ja elinkeinoministeriö. (2017). Suomen tekoälyaika – Suomi tekoälyn soveltamisen kärkimaaksi: Tavoite ja toimenpidesuositukset. Työ- ja elinkeinoministeriön julkaisuja 41/2017. https://urn.fi/URN:ISBN:978-952-327-248-4
Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. Teoksessa Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining: 11th – 13th April 2000, Crowne Plaza Midland Hotel, Manchester, UK, (s. 29–40). Practical Application Company.
Kirjoittaja
Iina Nieminen
Projektiasiantuntija
Teollisuusteknologia
TAMK
iina.nieminen@tuni.fi
ORCID 0009-0000-0092-2070
Kuvituskuva: Adobe Stock