Arto Tommiska

Oheista kuvaa varten pyysin (ilmaista) ChatGPT:tä hakemaan yksityiskohtaisia tietoa Suomenlahden majakoista, koostamaan tiedot taulukoksi ja kirjoittamaan sen jälkeen p5.js -koodia taulukon tietojen pohjalta.

Kokeilin samaa jo aiemmin koodieditorilla Google Geminin avustuksella, tässä pelkästään ChatGPT:llä toteutettu versio. Majakoita löytyi Googlen työkaluilla helpommin ja enemmän, mutta olin kyllä rehellisesti yllättynyt miten tiedonhaku ja koodaus onnistuivat yhdessä ja samassa ChatGPT-keskustelussa.

Annoin kaikki pyynnöt ja komennot luonnollisella kielellä, ChatGPT kirjoitti koodin ja muokkasi sitä pyyntöjeni perusteella.

Huom! En ole tarkistanut, ovatko kuvassa esitetyt majakat tarkasti oikeilla paikoilla, onko niiden valo oikeasti tuon väristä ja vilkkuvatko ne animaatiossa esitetyllä tavalla. Kokeilun ideana oli lähinnä testata ChatGPT:n kykyä hakea tietoa ja tuottaa sen pohjalta p5.js-koodia pelkästään luonnollista kieltä käyttämällä.

Aiemmassa blogijulkaisussa kerron tarkemmin, kuinka lähestyin aihetta Geminin ja koodieditorin avulla, ennen kuin kokeilin ChatGPT:tä. tommiska.com/2025/05/0…

Yleisluontoinen katsaus aiheeseen toukokuussa 2025.

Laajat kielimallit (LLM:t) toimivat pohjimmiltaan tilastollisen päättelyn avulla. Ne analysoivat käyttäjän syötteen ja tuottavat vastauksen arvioimalla, mikä olisi todennäköisin ja tarkoituksenmukaisin jatko annetulle tekstille. Vaikka prosessi on teknisesti monimutkainen, se tapahtuu lähes välittömästi. Tämä nopea ja sujuva toiminta luo vaikutelman aidosta keskustelusta ja luonnollisesta kielenkäytöstä.

Tunnetut tekoälypalvelut kuten ChatGPT, Claude, Copilot ja Gemini ovat kehittyneitä chatbot-pohjaisia käyttöliittymiä. Ne eroavat merkittävästi yksinkertaisemmista, esimerkiksi yritysten asiakaspalvelussa käytettävistä chatboteista. Edistyneempien chatbot-pohjaisten käyttöliittymien erityispiirre on niiden kyky hyödyntää myös muita tekoälysovelluksia (esim. kuvien generointi ja konenäkö) sekä erikoistuneita työkaluja (esim. tiedonhaku) tehtävien suorittamisessa.

Käyttäjän kehotteet & kehotteiden suunnittelu Hyvän kehotteen voi muotoilla esim. seuraavasti

• Suorat käskyt:”Tiivistä tämä muistio viidellä lauseella”.
• Roolipohjaiset ohjeet: ”Toimi kokeneena alan x asiantuntijana. Hahmottele ohessa kuvatun projektin tärkeimmät vaiheet”
• Askel-askeleelta ohjeet: ”Tiivistä ensin muistiinpanot yhteen kappaleeseen, listaa sitten kolme pääasiallista toimenpidettä”. Tehtävät voi usein jakaa myös peräkkäisiin prompteihin.

Rakenteelliset kehotepohjat (esim. CO-STAR)

• Context Oleelliset taustatiedot (esimerkit ja tausta-aineistot)
• Objective Tavoite tai tehtävä (esim. esseekirjoitus, mainosteksti tai raportti)
• Style Tekstin tyylilaji (esim. humoristinen, juridinen tai virkakieli)
• Tone Tekstin sävy (esim. lämmin, neutraali tai suoraviivainen)
• Audience Tavoiteltu kohderyhmä
• Response Vastauksen muotoilu (esim. viisi lausetta tai bullet pointit)

Voit lukea lisää promptien eli kehotteiden muotoilusta esimerkiksi:

Hyvän promptauksen periaatteet tietotyön tekijälle

MS Copilot -ohjeet

Google Gemini -ohjeet

ChatGPT -ohjeet

Anthropic Claude -ohjeet

Kielimallien keskeiset rajoitteet ja ratkaisuja niistä aiheutuviin ongelmiin

Kielimallien tunnettuja rajoitteita ovat mm.

• virheellisen tiedon tuottaminen (hallusinaatiot)
• tietopohjan vanheneminen koulutusajankohdan jälkeen
• puutteellinen kyky viitata käytettyihin lähteisiin
• tietosuojaan liittyvät kysymykset
• rajallinen kyky käsitellä laajoja aineistoja kerrallaan

Rajoitteista seuraavia ongelmia voidaan kuitenkin hallita erilaisin keinoin. Tietosuojariskejä minimoidaan systemaattisella tiedonhallinnalla ja selkeillä tietoturvakäytännöillä. Kielimallien toimintaa voidaan tehostaa hyödyntämällä hakupohjaista generointia (RAG, Retrieval-Augmented Generation) sekä erilaisia tukityökaluja, jotka laajentavat mallien käyttömahdollisuuksia ja parantavat niiden luotettavuutta.

Agenttipohjaiset tekoälyjärjestelmät

Agenttipohjainen tekoäly edustaa merkittävää kehitysaskelta perinteisiin tekoälymalleihin verrattuna. Siinä missä tavanomaiset tekoälyt keskittyvät lähinnä vastausten tuottamiseen, agenttipohjainen tekoäly kykenee itsenäiseen toimintaan, päätöksentekoon ja ongelmanratkaisuun. Uusimman sukupolven chatbot-sovellukset hyödyntävät näitä kehittyneitä ominaisuuksia. Näitä sovelluksia kutsutaan päättelymalleiksi (Reasoning Models), sillä ne pystyvät jäljittelemään ihmismäistä päättelykykyä ja soveltamaan tietoa johdonmukaisesti erilaisten ongelmien ratkaisemisessa.

Agenttipohjaisen tekoälyn soveltamismahdollisuudet ovat laaja-alaiset. Sitä voidaan hyödyntää tehokkaasti esimerkiksi ohjelmistokehityksen tukena, tieteellisessä tutkimustyössä sekä erilaisten toistuvien työtehtävien automatisoinnissa.

Agenttipohjaisten järjestelmien neljä keskeistä toimintaperiaatetta

• Ennakoiva suunnittelu: Järjestelmä suunnittelee toimenpiteet huolellisesti ennen varsinaista toteutusvaihetta
• Systemaattinen arviointi: Järjestelmä arvioi ja analysoi toimintaansa prosessin eri vaiheissa
• Työkaluintegraatio: Järjestelmä hyödyntää tarkoituksenmukaisia erikoistyökaluja tehtävien suorittamisessa
• Moniagenttitoiminta: Useat tekoälyagentit toimivat yhteistyössä joko peräkkäisinä ketjuina, keskitetysti johdettuina tai rinnakkaisina toimijoina

Vaikka et käyttäisi AI-agentteja, voit myös itse hyödyntää samoja periaatteita kielimallien avulla työskennellessäsi.

Suomenlahden majakat visualisoituna p5js-koodilla editor.p5js.org/atommi/fu…

Ethan Mollickin tuore julkaisu esitteli OpenAI O3 -kielimallin kyvykkyyksiä. Siitä inspiroituneena kokeilin muita kielimalleja ja itselle ennestään tuttuja työkaluja.

Anthropic Claude 3.7 piirsi svg-kuvan Mollickin promptilla, mutta majakoiden sijainnit olivat Clauden tarjoamassa versiossa päin honkia. Googlen Gemini ei suostunut piirtämään SVG:tä, mutta keräsi majakoiden tiedot taulukkoon ja antoi lisäksi Python-koodin, jolla sai itse generoitua SVG-kuvan. Tämän SVG-kuvan sain helposti käännettyä myös p5js-koodiksi. editor.p5js.org/atommi/fu…

Päädyin lopulta pyytämään Gemini 2.5 pro:lta yksityiskohtaisen taulukon kaikista Suomenlahden majakoista. Tallensin taulukon sellaisenaan .csv muodossa. Yhdessä Gemini 2.5 flashin kanssa sitten “vibekoodailtiin” varsin monimutkainen p5.js -koodi, joka hyödyntää suoraan .csv-taulukon dataa, mm. light characteristic lyhenteillä esitettynä [ Fl(2) W 10s ].

“Koodaamiseen” käytin VS Codea Cline -lisäosalla, sekä Gemini 2.5 Flash APIa, jota voi testata ilmaiseksi. p5js-sketchin hahmottelu ja koodimuutokset toteutin pääosin ohjaamalla prosessia luonnollisella kielellä, eli esitin siis pyyntöjä “tee näin”, “korjaa tämä”, “muuta tämä” jne.

Taulukkoon päätyneiden nimien seassa on myös pari majakkaa, jotka eivät ole aktiivisessa käytössä. Karttapohjan liittäminen skaalautuvaan p5js-sketchiin osoittautui myös haastavaksi, eli en mene takuuseen siitä että kaikki majakat olisivat oikealla sijainnilla.

Linkki Mollickin alkuperäiseen julkaisuun: www.linkedin.com/posts/emo…

Tekoälystrategiat ja niiden puute ovat kuluneen viikon aikana herättäneet keskustelua Suomessa. Osa keskustelijoista peräänkuuluttaa kansallisen strategian päivittämistä, edellinen on vuodelta 2017. Toiset taas kannustavat rohkeisiin käytännön toimiin yritysten tasolla. Jälkimmäiseen on jo tarjolla myös julkista tukea esimerkiksi Finnish AI Region (FAIR) EDIH-hankkeen muodossa.

Miltä asiantuntija- tai tietotyöhön keskittyvän yrityksen rohkea tekoälystrategia voisi näyttää? Sähköisen kaupankäynnin ratkaisuja tarjoavan Shopifyn sisäinen muistio tarjoaa suuntaviivoja ajankohtaiselle strategiatyölle (linkki kommenteissa)

Räväköistä ulostuloistaan tunnettu Shopify:n toimitusjohtaja Tobi Lütke linjasi muistiossaan, kuinka tekoälyyn jatkossa suhtaudutaan yrityksen sisällä ja mitä työntekijöiltä odotetaan. Kun sisäinen muistio vuoti julkisuuteen, Lütke vahvisti sen sisällön ja totesi: “If you’re not using AI by default at Shopify, you’re behind.”

Vapaasti suomentaen muistiosta löytyy esimerkiksi seuraavaa:

• Kokeile ratkaista osaamistarve tai resurssipula tekoälyn avulla ennen uuden ihmisen palkkaamista.

• Tekoälyn sujuva käyttö on uusi perusvaatimus -> Huomioi tämä myös työtä hakiessasi.

• Tekoälyagentteja ja -botteja lisätään organisaatiokaavioon -> Jatkossa niitä kohdellaan tiimin jäseninä.

• Ongelmien sanallistaminen ja promptien kirjoittaminen ovat keskeisiä taitoja, laaja-alaisen tekoälylukutaidon rinnalla.

• Prototyyppien kehityksessä on jatkossa aina mukana tekoälyratkaisuja.

• Organisaatiossa seurataan ja arvioidaan tekoälyn käyttöä, myös yksilötasolla.

• Tekoäly ei ole lopputuotteessamme pelkästään ominaisuus -> sen avulla saavutettu toiminnallisuus luo ohjelmiston ja muotoilun ohella kokonaisuuden.

• Yrityksemme haluaa jatkossa enemmän (laadukasta) tuotosta per henkilö. Näemme tekoälyn tällä hetkellä keinona saavuttaa tämä tavoite.

Muistiossa myös painotetaan, että tekoälyn integroiminen osaksi yrityksen prosesseja on yhteinen ponnistus, jossa tietoa, oivalluksia ja epäonnistumisia jaetaan työtekijöiden ja tiimien kesken.

Siinä missä esimerkiksi Klarnan taannoiset ponnistelut tekoälyn saralla näyttivät arvon pumppaamiselta yritykseen ennen pörssilistautumista jenkeissä (vaiheessa edelleen), tässä Shopifyn tapauksessa vaikuttaa olevan kyse aidosta toimintatapojen muutoksesta, joka läpileikkaa koko organisaation toiminnan.

Nykyisessä taloustilanteessa pidän todennäköisenä, että vastaavan kaltaisia linjauksia tullaan laatimaan myös muissa yrityksissä.

techstartups.com/2025/04/0…