Yhteistoiminnallinen rationaalisuus ja päätösten arviointi dataperustaisessa päätöksenteossa. Teoriasta malliksi ja suunnitteluperiaatteiksi

Päätöksenteon luonne on muuttunut tekoälyn, koneoppimisen, datatieteen ja analytiikan kehittymisen myötä. Tämä tutkimus ehdottaa uusia menetelmiä datavetoisen päätöksenteon (data-driven decision-making, DDDM) tehostamiseksi lisäämällä ihmisen ja koneen älykkyyttä ja valmiuksia, mikä johtaa parempaan yhteistyöhön, tuloksiin ja oppimiseen.

Nada Sanad esittää väitöskirjassaan, että DDDM on ajan myötä kehittynyt sisältämään viisi pääelementtiä. Nämä elementit ovat ihmisen päätöksenteko, päätöksentekoprosessi, päätös ja sen tulokset, suuret datamäärät ja -tyypit sekä koneiden lisätyt valmiudet. Vain tarkastelemalla kutakin näistä elementeistä erikseen, ja niiden suhdetta kokonaisuutena, on DDDM mahdollista toteuttaa onnistuneesti organisaatioissa. Organisaatioilla ja kehittäjillä on kuitenkin edelleen vaikeuksia suunnitella järjestelmiä, jotka tukevat DDDM:n moniulotteista luonnetta.

Soveltamalla suunnittelutieteen tutkimusmetodologiaa, väitöskirjassa ehdotetaan käsitteellistä mallia. Malli auttaa organisaatioita suunnittelemaan järjestelmiä, jotka sisältävät DDDM-elementtejä, tehostamaan ihmisten ja koneiden välistä yhteistyötä sekä tukemaan päätösten arviointia niiden tekemisen jälkeen. Tämä jälkiarviointi on ratkaisevan tärkeää, koska se mahdollistaa jatkuvan oppimisen ja parantamisen sekä palautteen integroimisen tuleviin päätöksiin. Lopuksi suositellaan joukkoa suunnitteluperiaatteita, jotka auttavat kehittäjiä rakentamaan teknologioita, jotka toteuttavat mallin käytännössä.

Malli- ja suunnitteluperiaatteet demonstroitiin ja arvioitiin käytännössä tekoälyä hyödyntävän ruokalistan suunnittelussa Antell-ravintoloissa, jotta voitiin parantaa DDDM:ää, päätösten arviointia sekä ihmisen ja koneen välistä yhteistyötä ja oppimista. Tämä osoitti, että malli- ja suunnitteluperiaatteet ovat riittävän vakaita ja mukautuvia sovellettaviksi erilaisiin käyttötapauksiin ja päätösskenaarioihin. Ne myös tarjoavat toimivia työkaluja toteutuksen ja järjestelmän kehittämisen tueksi organisaatioissa. Määrittelemällä ja mallintamalla DDDM-elementtejä järjestelmän kehittäjät ja eri sidosryhmät voivat saada aikaan yhtenäisen näkemyksen, mikä johtaa parempaan läpinäkyvyyteen, vastuullisuuteen ja tekoälyn omaksumiseen. Ihmisen ja koneen oppimista tehostetaan arvioinnilla, ja tulevat päätökset ovat tietoisempia.

Teoreettisesta näkökulmasta tämä tutkimus rikastuttaa ymmärrystämme ihmisen ja koneen yhteistyöstä DDDM:ssä. Se tarjoaa etenemissuunnitelman tulevaisuuden tutkimukselle sellaisten järjestelmien suunnittelussa, jotka integroivat paremmin ihmisen ja koneen älykkyyden ja valmiudet päätöksenteon tehostamiseen.