Tekoälyn käyttötapaukset kansankielellä

Olin eräässä organisaatiossa, jossa käyttötapauksia oli kerätty tuhansia. Lista oli vaikuttava ja lähes hyödytön, koska suurin osa riveistä oli toiveita: "tehostetaan raportointia", "parannetaan asiakaskokemusta", "hyödynnetään dataa". Niistä ei näe, mitä koneen pitäisi tehdä, kuka lukee tuloksen tai mitä tapahtuu, kun tulos on väärä.

Käyttötapaus, englanniksi use case, on termi, jota kaikki käyttävät ja harva määrittelee. Tässä jutussa se tarkoittaa yhtä asiaa: käyttötapaus on vasta silloin käyttötapaus, kun sen saa kirjoitettua yhdeksi lauseeksi, jossa on kolme osaa. Kone tekee jotain tarkkaan rajattua, joku ihminen tekee sen tuloksella jotain, ja virheellä on tunnettu seuraus. Jos yksikään kolmesta puuttuu, kyseessä on idea, ei käyttötapaus.

Tässä on kolmekymmentä varsinaista tapausta arkikielellä ja niiden lisäksi oma osionsa yhdistysten käyttötapauksista. Osa on ollut käytössä vuosia, osa on uutta. Suurin osa ei ole chattia eikä edes kielimallia, ja se on jutun tärkein havainto. Lopussa on kaksi asiaa, joita listat harvoin kertovat: miten tuhannesta ideasta valitaan ne muutamat, ja mitä valitulle käyttötapaukselle sen jälkeen tapahtuu.

Koti ja ikääntyminen

Vanhus asuu kotonaan, ja kone seuraa, että kaikki on ennallaan. Katonrajaan asennettu tutkasensori mittaa liikettä huoneessa, eli sitä, liikkuuko ihminen ja miten. Kamerakuvaa ei synny lainkaan, mikä on tarkoituksellinen valinta. Järjestelmä oppii viikoissa kodin oman rytmin: milloin sängystä noustaan, kuinka monta kertaa yössä käydään vessassa, kuinka kauan aamutoimet kestävät. Se ei hälytä siitä, että jotain tapahtuu, vaan siitä, että tavallinen ei tapahdu. Menee pieleen silloin, kun rytmi muuttuu luvallisesta syystä: lastenlapset tulivat kylään, alkoi flunssa, tuli helleaalto. Silloin tulee turhia hälytyksiä, ja turhat hälytykset ovat vaarallisia, koska niihin turtuu.

Kaatuminen tunnistetaan ilman, että kukaan katsoo. Sama tutka tai ranteessa oleva kiihtyvyysanturi tunnistaa nopean putoamisliikkeen ja sen jälkeisen liikkumattomuuden. Tämä on hahmontunnistusta, ei ymmärrystä. Vaikein tapaus ei ole raju kaatuminen vaan hidas valuminen lattialle, joka ei näytä anturille miltään erityiseltä.

Lääkkeet muistuvat mieleen, ja unohdus näkyy jollekin. Älydosetti kirjaa, avattiinko lokero. Kone ei tiedä, otettiinko lääke, se tietää, avattiinko luukku. Ero on olennainen, ja se on hyvä esimerkki siitä, miten helposti mittarin ja asian sekoittaa toisiinsa.

Puhe erottuu hälinästä. Nykyinen kuulokoje erottaa puheäänen taustamelusta pienellä koneoppimismallilla, joka on koulutettu tuhansien äänituntien aineistolla. Sama tekniikka poistaa taustahälyn puhelusta. Kukaan ei sano tätä tekoälyksi, koska se on ollut olemassa jo jonkin aikaa.

Kymmenentuhannen kuvan kokoelmasta löytyy se yksi. Puhelimen kuvahaku ymmärtää hakusanan "koira rannalla" ilman, että kukaan on merkinnyt kuviin mitään. Kuvat ja sanat on muunnettu samaan numeeriseen muotoon, jolloin niitä voi verrata keskenään. Menee pieleen harvinaisilla asioilla ja hämärillä kuvilla, ja tulos on silloin väärä ilman, että mikään kertoo sen olevan väärä.

Terveys ja hoiva

Lääkärin sanelu muuttuu tekstiksi. Puheentunnistus purkaa vastaanoton sanelun kirjaukseksi, ja kielimalli järjestää sen kentiksi. Tämä on yksi terveydenhuollon selvimmin hyödyllisistä käyttötavoista, koska kirjaaminen vie oikeasti paljon aikaa ja virheen huomaa se, joka tekstin lukee: lääkäri itse, saman tien.

Kuvantamisen löydökset laitetaan järjestykseen. Malli käy läpi röntgen- tai magneettikuvat ja nostaa jonon kärkeen ne, joissa on todennäköisimmin jotain. Kone ei tee diagnoosia. Se päättää katselujärjestyksen, mikä kuulostaa vaatimattomalta mutta ratkaisee sen, kuinka nopeasti kiireellinen tapaus näkyy radiologille.

Päivystyksen kiireellisyysarvio saa toisen mielipiteen. Malli laskee esitiedoista ja mittausarvoista riskiluvun, joka näkyy hoitajan tekemän arvion rinnalla. Jos järjestelmä on tarkoitettu päivystyspotilaiden kiireellisyyden priorisointiin, se kuuluu lähtökohtaisesti EU:n tekoälyasetuksen liitteen III korkean riskin järjestelmiin. Keskeisiä korkean riskin velvoitteita aletaan soveltaa näihin järjestelmiin 2.12.2027, eli aikataulu siirtyi kesällä 2026 eteenpäin. Suunnittelun kannalta se ei muuta itse vaatimusta: ihmisen on voitava ohittaa kone, ja käytöstä on jäätävä jälki.

Ihomuutoksesta otetaan kuva. Kuvantunnistusmalli arvioi, kannattaako muutos näyttää lääkärille. Vaarallisin virhe ei ole väärä hälytys vaan vääränlainen rauhoittelu, ja siksi kunnollinen sovellus ei koskaan sano "tämä ei ole mitään" vaan korkeintaan "tämä ei näytä kiireelliseltä".

Metsä, meri ja pelastustoiminta

Kadonnutta etsitään metsästä ilmasta käsin. Miehittämätön ilma-alus lentää hakukuvion ja kuvaa maastoa lämpökameralla. Malli käy läpi tuhannet ruudut ja merkitsee ne, joissa on ihmisen kokoinen lämpölähde, ja karsii kauriit, lämmenneet kivet ja ajoneuvot. Ihmiselle jää lista tarkistettavia kohtia, ei päätöstä. Tiheän puuston alla kone ei löydä mitään eikä myöskään sano epäröivänsä, joten tyhjä tulos näyttää täsmälleen samalta kuin "täällä ei ole ketään".

Useasta anturista rakennetaan yksi tilannekuva. Tätä kutsutaan sensorifuusioksi. Lämpökamera erottaa lämpötilaeroja myös pimeässä, mutta kontrasti voi heiketä sateessa tai lämpimässä ympäristössä. Tavallinen kamera näyttää värit ja yksityiskohdat riittävässä valossa. Lidar eli laseretäisyysmittaus mittaa etäisyyksiä ja muotoja, mutta ei tavallisesti värejä eikä pintojen visuaalisia yksityiskohtia. Yhdistettynä niistä saa havainnon, jota yksikään anturi ei yksin tuota. Sama periaate on kadonneen etsinnässä, itsestään kulkevassa ajoneuvossa ja merialueen valvonnassa.

Alus sammuttaa tunnistuslaitteensa. Merialueella liikkuu satoja aluksia, ja järjestelmä yhdistää tutkahavainnot, alusten omat signaalit ja satelliittikuvat yhdeksi jäljeksi. Se nostaa esiin ne, joiden liike ei täsmää siihen, mitä ne kertovat tekevänsä. Tämä on poikkeamien tunnistusta, ja sen ikuinen ongelma on se, että juuri sitä tapausta, joka pitäisi huomata, on koulutusaineistossa vähiten.

Kameratorni huomaa savun ennen kuin kukaan soittaa. Metsäpalovalvonnassa kameran kuvavirrasta tunnistetaan savupatsas ja sen suunta. Virheellisiä hälytyksiä tulee aamu-usvasta ja pölystä, joten järjestelmä on rakennettu antamaan ihmiselle kuva katsottavaksi, ei soittamaan hälytyskeskukseen.

Vesialueella etsitään pohjasta. Kaikuluotaimen kuvasta tunnistetaan ihmisen kokoinen ja muotoinen kohde pohjan rojun joukosta. Työ on ennen tehty katsomalla nauhaa tuntikausia.

Työpaikan arki

Kokouksesta jää muistio. Puheentunnistus purkaa nauhan tekstiksi, ja kielimalli tekee siitä tiivistelmän ja listan sovituista asioista. Tiivistelmä voi painottaa toistuvia teemoja sen sijaan, mikä oli tärkeää, joten kokouksen tärkein lause voi jäädä pois juuri siksi, että se sanottiin kerran.

Ostolasku lukee itsensä. Kuvantunnistus lukee PDF-laskusta toimittajan, summan, alv:n ja eräpäivän, ja pieni luokittelumalli ehdottaa tiliöintiä sen perusteella, miten vastaavat laskut on aiemmin tiliöity. Ei kielimallia, ei chattia, ja käytössä ollut vuosia. Uusi laskupohja menee hiljaa väärin, joten epävarmuus pitää näyttää eikä piilottaa.

Sopimusluonnoksesta etsitään poikkeamat. Malli vertaa saatua sopimusta talon omaan malliin ja merkitsee kohdat, jotka poikkeavat: vastuunrajoitus, irtisanomisaika, immateriaalioikeudet. Se ei kerro, onko poikkeama hyvä vai huono. Sen kertoo juristi, jonka aika kuluu nyt oikeisiin kohtiin.

Sisäinen haku alkaa vastata kysymyksiin. Sen sijaan, että haku palauttaa kolmesataa dokumenttia, järjestelmä hakee osuvimmat kappaleet ja kirjoittaa niistä vastauksen lähteineen. Tämä on RAG, ja sen yleisin vaaranpaikka on lähdeaineiston hallinta: jos ohjeista on liikkeellä kaksi versiota eikä versioita ja käyttöoikeuksia ole hoidettu, malli kirjoittaa yhtä sujuvan vastauksen kummasta tahansa.

Käännös ei enää ole erillinen projekti. Ohje, tiedote tai turvallisuuskortti kääntyy kymmenelle kielelle minuutissa. Tarkistus tarvitaan silloin, kun tekstissä on juridista tai turvallisuuteen liittyvää sisältöä, ja silloin tarkistaja kannattaa nimetä etukäteen.

Rekrytoinnin hakemuspino järjestetään. Tässä kannattaa pysähtyä. Työnhakijoiden arviointi ja karsinta kuuluu lähtökohtaisesti tekoälyasetuksen liitteen III korkean riskin käyttöön, ja keskeisiä velvoitteita aletaan soveltaa 2.12.2027. Laista riippumatta tämä on se käyttötapa, jossa vinouma siirtyy vanhoista päätöksistä uusiin nopeammin ja tasaisemmin kuin ihmiseltä koskaan. Työkalu voi tiivistää hakemuksen. Järjestykseen paneminen on eri asia kuin tiivistäminen.

Yhdistys ja vapaaehtoistyö

Tämä ryhmä jää yleensä kokonaan pois käyttötapauslistoilta, vaikka siellä hyöty tulee nopeimmin. Syy on yksinkertainen: työ tehdään iltaisin, tekijät vaihtuvat, eikä kenelläkään ole aikaa opetella järjestelmää. Kirjoitin yhdelle urheiluseuran jaostolle pelikirjan, ja käyttötapaukset asettuivat kahteen ryhmään.

Vapaasti käytettäviä ovat sellaiset käyttötavat, joissa ihminen näkee tuloksen heti ja virheen korjaa lukija itse: tiedotteet ja sosiaalisen median tekstit, kokousmuistioiden tiivistäminen, joukkueenjohtajien ja vapaaehtoisten perehdytysohjeet, turnausten aikataulut ja tehtävälistat, harjoitemateriaali, liiton ohjeiden ja sääntöjen tiivistäminen luettavaan muotoon sekä käännökset ja selkokieli monikielisten perheiden suuntaan. Viimeinen on hyvä esimerkki asiasta, joka oli aiemmin vapaaehtoisorganisaatiolle usein liian työläs tai kallis: harva vapaaehtoinen kääntää kausitiedotteen neljälle kielelle, mutta kone kääntää.

Harkintaa vaativia ovat ne, joissa tuloksesta seuraa päätös: kausisuunnittelun vaihtoehtojen puntarointi, avustus- ja apurahahakemusten sisältö, pelaajia koskevat arviot ja mikä tahansa, missä käsitellään alaikäisten tietoja. Näissä koneen tuotos on luonnos, ja nimetty ihminen vastaa lopputuloksesta.

Tämä kahtiajako on yhdistykselle käytännössä koko hallintamalli. Se on sama ajatus kuin pelikirjan kolmen korin mallissa, mutta pienemmässä mittakaavassa: kaksi merkintää, vapaa ja harkittu, ja jokaisen käyttötapauksen viereen toinen niistä.

Teollisuus, maatalous ja verkot

Laakerin hajoaminen voi näkyä jo viikkoja etukäteen. Värähtely- ja lämpötiladataa verrataan siihen, miltä data on näyttänyt ennen aiempia vikoja. Kun todennäköisyys ylittää rajan, tulee hälytys. Raja on ihmisen päätös: liian herkkä hälyttää turhaan, liian epäherkkä myöhästyy. Malli menee sekaisin, kun prosessia muutetaan, koska se vertaa nykyhetkeä maailmaan, jota ei enää ole.

Tuotantolinjalta poistuu naarmuinen kappale. Kamera kuvaa jokaisen kappaleen, ja kuvantunnistusmalli erottaa hyväksytyn viallisesta nopeammin kuin ihminen ehtii vilkaista. Vaikeus ei ole tunnistamisessa vaan siinä, että vikoja on aineistossa vähän ja uudenlainen vika on määritelmällisesti sellainen, jota malli ei ole nähnyt.

Poikiminen lähestyy. Kaulapannan liikeanturi ja märehtimisen mittaus kertovat muutoksesta ennen kuin se näkyy navetassa. Sama tekniikka tunnistaa kiiman ja alkavan sairauden. Tämä on maatalouden arkea, eikä sitä yleensä lasketa tekoälyksi.

Peltoa kuvataan ilmasta ja ruiskutetaan täsmällisesti. Kasvitauti tai rikkakasvi tunnistetaan kuvasta, ja torjunta-ainetta levitetään vain sinne, missä sitä tarvitaan. Hyöty on rahassa ja ympäristössä yhtä aikaa, mikä on harvinaista.

Sähköverkon vika ennakoidaan. Kaapelin osittaispurkauksista sekä sään ja kuormituksen historiasta lasketaan riski siitä, mikä osa verkkoa vikaantuu seuraavaksi. Tulos on huoltosuunnitelma, ei hälytys.

Kunnan kadut kartoitetaan ajamalla. Roska-auton tuulilasiin kiinnitetty kamera kuvaa katua, ja malli tunnistaa kuopat, rikkinäiset liikennemerkit ja vaurioituneet suojatiemerkinnät. Kartoitus, joka on ennen tehty erikseen kerran vuodessa, syntyy nyt sivutuotteena.

Julkinen palvelu ja koulu

Lupahakemuksen liitteet tarkistetaan ennen käsittelyä. Pakollisten kenttien tarkistamiseen ei tarvita tekoälyä, sen hoitaa tavallinen lomakelogiikka. Tekoälyä tarvitaan vapaamuotoisiin osiin: onko liitteenä oikeantyyppinen selvitys, vastaako sanallinen kuvaus sitä, mitä hakemus koskee. Tämä ei ole päätöksentekoa vaan esitarkistusta, ja juuri siksi se on helppo ottaa käyttöön: kone ei ratkaise asiaa, se estää turhan kierroksen.

Oppilas saa lisätehtävän omalle tasolleen. Malli tuottaa harjoituksia ja selittää saman asian toisin, jos ensimmäinen selitys ei auttanut. Opettajan työ ei tässä vähene vaan siirtyy: valmiin materiaalin tekemisestä sen valitsemiseen ja tarkistamiseen.

Oppilaan tuen tarve nostetaan esiin ajoissa. Poissaolot ja arvosanat yhdistetään ennusteeksi. Tämä voi käyttötarkoituksesta riippuen olla korkean riskin käyttöä: luokitus riippuu siitä, arvioidaanko oppimistuloksia, ohjataanko oppimisprosessia vai profiloidaanko oppilasta. Tärkein kysymys ei silti ole tekninen vaan yhteiskunnallinen: leimaako ennuste oppilaan vai hankkiiko se hänelle apua. Sama malli tekee kumpaakin sen mukaan, mitä tuloksella tehdään.

Kansalaiselle vastataan omalla kielellä. Neuvonta kääntyy ja yksinkertaistuu, mikä on saavutettavuuskysymys ennen kuin se on tehokkuuskysymys.

Neljä asiaa, jotka toistuvat kaikissa

Kun listaa katsoo kokonaisuutena, samat neljä piirrettä palaavat riippumatta siitä, onko kyse navetasta vai päivystyksestä.

Useimmat eivät ole kielimalleja. Kolmestakymmenestä tapauksesta alle kolmasosa nojaa kielimalliin. Loput ovat kuvantunnistusta, anturidataa, poikkeamien tunnistusta ja ennustemalleja, joista osa on ollut käytössä pitkään ennen kuin kukaan puhui tekoälystä.

Kone karsii, ihminen arvioi sen, millä on seurauksia. Monissa toimivissa käyttötapauksissa koneen tehtävä on pudottaa tuhat asiaa kymmeneksi, jotka ihmisen kannattaa katsoa. Kaikissa näin ei ole: tuotantolinja poistaa viallisen kappaleen itse, koska virheen seuraus on halpa ja korjattavissa. Mitä vakavammat päätöksen seuraukset ovat, sitä tärkeämpää on, että ihmisellä on tosiasiallinen mahdollisuus arvioida tulos ja puuttua siihen. Pelkkä hyväksymispainike ei ole sellainen mahdollisuus.

Virhe on hiljainen. Kone ei yleensä ilmoita erehtyvänsä. Se antaa yhtä vakuuttavan tuloksen väärin kuin oikein, ja tyhjä tulos näyttää samalta kuin "ei löytynyt mitään". Siksi tärkein suunnittelukysymys on melkein aina se, mitä tapahtuu, kun varmuus laskee.

Sama tekniikka on eri asia eri käytössä. Kuvantunnistus on tuotantolinjalla arkinen laadunvalvontaväline ja julkisella paikalla henkilön tunnistamiseen käytettynä oikeudellisesti aivan toinen asia. Velvoitteet seuraavat käyttöä, eivät tekniikkaa.

Miten tuhannesta ideasta valitaan

Kun lista on tarpeeksi pitkä, se lakkaa auttamasta. Neljä kysymystä riittää karsimaan sen käyttökelpoiseksi.

1. Kuinka paljon arvoa tämä tuottaa? Toistuvuus on tärkeä, koska sata kertaa kuukaudessa toistuva työ kerryttää hyötyä nopeasti. Se ei kuitenkaan yksin ratkaise: myös yhden suorituksen vaatima työmäärä, virheen hinta ja toteutuksen kustannus vaikuttavat. Harvinainen mutta hidas, kallis tai turvallisuuskriittinen tehtävä voi hyvinkin kannattaa.
2. Näkeekö joku tuloksen ja huomaako hän virheen? Jos tulos menee suoraan eteenpäin ilman, että kukaan katsoo sitä, virhe löytyy vasta seurauksesta.
3. Mitä virhe maksaa? Väärä sana tiedotteessa korjataan. Väärä hoitopäätös tai väärä maksu ei korjaannu peruuttamalla.
4. Onko tarvittava tieto olemassa ja saako sitä käyttää? Suurin osa hyvistä ideoista kaatuu tähän: tieto on kolmessa järjestelmässä, se on vanhentunutta, tai sen käyttöön ei ole oikeutta.

Kaksi ensimmäistä kertovat, kannattaako tehdä. Kaksi jälkimmäistä kertovat, mitä pitää tehdä ennen kuin tekee. Ja jos käyttötapausta ei saa kirjoitettua yhdeksi lauseeksi jutun alun mallilla, sitä ei kannata vielä yrittää.

Mitä valitulle käyttötapaukselle tapahtuu

Kun käyttötapaus on valittu, sen eteneminen on esitetty kalvoilla kymmenen vuoden ajan samana viiden vaiheen ympyränä:

1. Liiketoiminnan ongelma. Määrittely, arvo, omistaja, prioriteetti.
2. Data. Saatavuus, alkuperä, tietoturva, kattavuus, siivous, rikastus, merkkaus, tietovirrat.
3. Mallin rakentaminen. Piirteiden valinta, hyperparametrit, viritys, mallien vertailu.
4. Käyttöönotto ja mittaus. Arvon mittaus, vertailukokeet, versiointi, kytkentä työn kulkuun.
5. Jatkuva oppiminen ja viritys. Vinouman hallinta, oikean vastauksen aineisto, seuranta.

Ympyrä ei ole vanhentunut, mutta se etenee eri tavalla sen mukaan, koulutetaanko malli itse vai käytetäänkö valmista.

Kun malli koulutetaan itse

Näin tehdään edelleen tämän jutun anturi-, kuva- ja ennustetapauksissa: poikimisen ennakoinnissa, laakerin vikaennusteessa ja tuotantolinjan laadunvalvonnassa. Viisi vaihetta pätevät niissä lähes sellaisenaan, ja siksi ympyrää ei kannata heittää pois. Vaihe kaksi tarkoittaa tällöin sitä, mitä se on aina tarkoittanut: aineiston keruuta, merkkausta ja siivousta. Vaihe kolme on oikeasti mallin rakentamista.

Kun käytetään valmista mallia

Tässä kolme kohtaa muuttuu.

Vaihe kolme ei ole enää mallin rakentamista. Useimmissa käyttötapauksissa mallia ei kouluteta lainkaan, vaan valitaan valmis ja rakennetaan sen ympärille se, mikä ratkaisee laadun: ohje, tarvittavan tiedon haku, työkalut ja rajat. Piirteiden suunnittelun tilalle on tullut kysymys siitä, mitä mallille annetaan mukaan. Tämä on prompti, RAG vai hienosäätö -valinta, ja se vie sen ajan, joka ennen meni hyperparametreihin.

Käyttöoikeudet ratkaistaan nyt myös ajoaikana. Ennen pääkysymys oli, mitä dataa mallille saa syöttää koulutuksessa. Se ei ole poistunut mihinkään, mutta rinnalle on tullut toinen: hakuun perustuvassa järjestelmässä on jokaisella kyselyllä ratkaistava, mitä dokumentteja juuri tämä käyttäjä saa nähdä. Se osuu käyttövaltuuksien hallintaan eikä data-arkkitehtuuriin, ja se on RAG-järjestelmien tavallisin tietoturva-aukko.

Malli voi muuttua allasi. Jos käytössä on toimittajan päivittyvä palveluversio, sama ohje voi tuottaa eri tuloksen kuin viime kuussa. Jos käytössä on kiinnitetty versio, näin ei käy, mutta silloin päivitys on oma päätöksensä ja oma testauskierroksensa. Kumpi tahansa valitaan, valinta kannattaa tehdä tietoisesti, koska se määrää sen, kuinka usein tulokset pitää tarkistaa uudelleen.

Arviointi ja seuranta

Arviointi ansaitsee kalvolla oman vaiheensa. Klassisessa koneoppimisessa käytössä oli usein merkitty testiaineisto ja tiivis tarkkuusluku, mutta niiden rakentaminen ei tullut ilmaiseksi: testijoukon kokoaminen, oikean mittarin valinta ja sen varmistaminen, että tulos yleistyy muuallekin kuin testijoukkoon, ovat aina vaatineet työtä. Generatiivisissa tehtävissä arviointi on tyypillisesti vaikeampaa, koska hyväksyttäviä vastauksia voi olla useita. Silloin tarvitaan tehtäväkohtainen tapausjoukko, automaattisia tarkistuksia ja usein myös ihmisten tekemää arviointia.

Käytännön minimi on joukko oikeita tapauksia, joihin tiedetään hyvä lopputulos, ja niiden ajaminen läpi jokaisen muutoksen jälkeen. Ilman sitä ei voi tietää, paransiko muutos vai huononsi, ja silloin kehitys on mielipiteiden vaihtoa.

Vanhan ympyrän tärkein opetus pätee kaikessa tässä muuttumattomana: se on ympyrä eikä jana. Ja koska kokeilun aloittaminen ei enää maksa juuri mitään, epäonnistumiset ovat siirtyneet pois vaiheesta kolme. Ne tapahtuvat nyt vaiheissa yksi ja neljä: ei sovittu, mitä mitataan, eikä kytketty tulosta siihen työhön, jota ihmiset oikeasti tekevät.

Konkreettisempia kuvauksia yksittäisistä tapauksista, sillä tarkkuudella, että mukana on mitä kone tekee, mitä ihminen tekee ja missä se pettää, löytyy esimerkkisivulta.