Palkittu tekoälyasiantuntija luottaa koneiden ja ihmisten yhteistyöhön

Pellervo Ruponen sai keväällä Eläketurvakeskuksen palkinnon lopputyöstään, joka käsitteli koneoppimista. Hän kehittää arkityössään mm. Kevan henkilöasiakastiedon analysointia ja johdon raportointia. Ruponen on myös tuore tyttövauvan isä.

Alivaltiosihteeri ja taloustieteilijä Elina Pylkkänen arvioi viime vuonna valmistuneet diplomi- ja pro-gradu-työt Eläketurvakeskuksen puolesta. Hänen mukaansa Pellervo Ruponen on rohkeasti tarttunut eläkevakuutusjärjestelmän haasteisiin kielimallien avulla. Niitä voidaan soveltaa asiantuntijalausuntoihin ja henkilön omaan arvioon työkyvystään työkyvyttömyysarviointiprosessin aikana.

— Kielimallit ja niiden koneoppiminen voivat tulla arviointiprosessin osaksi, jolloin ne helpottavat työkyvyttömyyseläkehakemuksia käsittelevien työtä tulevaisuudessa. Lainsäädännön mukaan hakemusten käsittelyä ei voi kokonaan jättää koneiden tehtäväksi, vaan työkyvyttömyyseläkehakemusten käsittelyyn tarvitaan aina ihmistä, Pellervo Ruponen toppuuttelee.

Kielimallit ovat osa nyt kovasti hypetettyä tekoälyä. Ruposen arvion mukaan tekoälyn käyttö yleistyy niin Kevassa kuin koko ympäröivässä yhteiskunnassa hiljalleen ja askel askeleelta.

— Diplomityössäni kokeilin, onko koneoppiminen järkevä tapa opettaa konetta luokittelemaan vakuutuslääkäreiden lausuntoja. Kun tekoäly kehittyy, se voi etsiä, käsitellä ja luokitella erilaista ja eri lähteistä tulevaa tietoa päätöksentekijälle. Kone siis tukee ihmistä, ei korvaa häntä.

Kiinnostus innosti tuplatutkintoon

Ruponen on töissä Kevan ICT-palveluyksikössä, ja meneillään on viides vuosi työeläkevakuuttajan palveluksessa. Tätä ennen hän on tehnyt töitä parissa isossa yrityksessä biosignaalien parissa.

— Minua kiinnosti kielimallien arkkitehtuuri. Se on oikeastaan aika yksinkertaista kertolaskua. Vaikeus tulee siinä, että kertolaskuja tehdään monta peräkkäin ja rinnakkain. Tässä mielessä kielimallit muistuttavat aivoja, joissa rakennuspalikkoina toimivat yksinkertaiset hermosolut. Yhdessä hermosolut kuitenkin muodostavat monimutkaisen kokonaisuuden kuten neuroverkotkin.

— Viime vuoden keväällä valmistunut diplomityöni oli toinen. Ensimmäisessä diplomityössäni käsittelin ihmisestä mitattavien biosignaalien, kuten sykekäyrän, algoritmista käsittelyä.

Diplomi-insinööriä innosti uuden diplomityön pariin Kevan ja erityisesti tilastoyksikön halu selvittää, miten koneoppimista voidaan hyödyntää vapaan tekstin analysointiin. Se on ollut tähän saakka tietokoneille haastavaa, mutta tämä on helpottumassa isojen kielimallien kuten ChatGPT:n myötä. Nämä mallit ovat hyviä monessa yleistehtävässä, mutta parhaan suorituskyvyn saamiseksi voi olla tarpeen kouluttaa kielimalleja itse.

— Uskon, että diplomityöni lisää Kevan ymmärrystä ja osaamista: Jos haluamme kehittää omia tekoälymalleja aineistojemme pohjalta, tulee talossa olla osaamista tähän.

Koska diplomityö palveli koko työyhteisöä, Ruponen sopi esihenkilönsä kanssa työajan käyttämisestä. Puolet opinnäytetyöstä syntyi työaikana, ”akateeminen kirjoitustyö” jäi omalle ajalle.

Tietoa paremmin hyödynnettävään muotoon

Pellervo Ruponen tekee työssään erilaisia data-analytiikkaprojekteja, ja ne etenivät koko diplomityön tekemisen ajan. Siihen kului muiden töiden ohella noin kahdeksan kuukautta lokakuusta 2022 toukokuuhun 2023.

Viime aikoina Ruposen työ on keskittynyt Viestipalvelun ja PowerBI-järjestelmän kehittämiseen. Viestipalvelu on osa Kevan henkilöasiakkaiden Omat eläketietosi -palvelua, johon tunnistaudutaan pankki- tai mobiilivarmenteella. Viestipalvelun kautta asiakkaat lähettävät hyvin eri aiheisia ja - sisältöisiä viestejä ja kysymyksiä.

— Olemme tutkineet viestien automaattista luokittelua. Kun se sujuu, niin asiakkaat voivat tulevaisuudessa saada keskeisiin kysymyksiinsä nopeasti automaattisen ja oikean vastauksen. Vaikeammat kysymykset ohjautuvat eteenpäin kuhunkin asiaan perehtyneille asiantuntijoille vastattaviksi tai muuten käsiteltäviksi.

Tekoälyä voidaan käyttää myös Viestipalvelusta kertyvän tai muuten Kevassa liikkuvan tekstitiedon anonymisoimiseen eli poistaa siitä tunnistettavat henkilötiedot. Tämä osaltaan parantaa tietoturvaa.

Työyhteisöt käyttävät PowerBI:tä varsin yleisesti liiketoimintojen tarvitsemien tietojen keräämiseen. Kevassa sekä hallitus että johtoryhmä seuraavat ja käyttävät PowerBI:hin kerättyä tietoa johtamisen välineenä.

— Parannamme PowerBI:hin kertyvät tiedon visualisointia. Tavoitteemme on saada tieto mahdollisimman hyödylliseen muotoon, joka on selvää myös vähemmän teknisille ihmisille.

Onko tekoäly isäntä vai renki?

Työ- ja elinkeinoministeriön alivaltiosihteeri Elina Pylkkänen totesi Ruposen diplomityötä arvioidessaan, että ”Suomessa on maailman parhaat yksilöitä koskevat tietoaineistot. Niitä voitaisiin hyödyntää huomattavasti enemmän kuntoutustarpeen arvioinnista ja työkyvyttömyyseläkehakemusten käsittelyssä”.

— Olen samoilla linjoilla Pylkkäsen kanssa. Käsittelin diplomityössäni Kevan aineistoja, jotka painottuvat siihen, kun asiakas on jo päätymässä kuntoutukseen tai työkyvyttömyyseläkkeelle. Jos tulevaisuudessa jaamme entistä enemmän dataa esimerkiksi työterveyshuollon ja Kelan kanssa, voimme saada entistä ennakoivamman kokonaiskuvan asiakkaan tilanteesta.

Ruposen työhön kuuluu pysyä kärryillä teknologian kehityksestä.

— Toisen diplomityön tekeminen oli hyvä ratkaisu, joka auttoi itseni lisäksi myös Kevaa organisaationa ylläpitämään ja kehittämään kielimallien, koneoppimisen ja tekoälyn osaamista.

Pellervo Ruponen palasi kolmen viikon isyyslomaltaan syyskuun alussa.

— Vanhempainvapaan aikataulutus sujui Kevassa joustavasti. Nyt töihin palattuani työn ja kodin arjen yhdistäminen selviää hiljalleen, mutta Keva-työnantaja on suhtautunut myönteisesti myös tuleviin vanhempainvapaisiini.

Pellervo Ruposen diplomityö: Predicting diagnosis classes from medical text using deep transformer-based models