Tekstinlouhinnan ja systeemimallinnuksen mahdollisuudet ja haasteet maaseutupolitiikan arvioinnissa, kehittämisessä ja tutkimuksessa

Tekoälyn käyttö on lisääntynyt viime vuosien aikana räjähdyksenomaisesti. Tekoälyä hyödyntävien työkalujen määrä tulee lisääntymään, samoin erilaisten IT-pohjaisten sovellusten määrä. Harva tulevaisuuden työntekijä voi olla törmäämättä näihin teknisiin sovelluksiin.

Onkin mielenkiintoista, että vasta nyt tutkijat ja kehittäjät ovat tarttuneet uusien työkalujen tuomiin mahdollisuuksiin. Käyttökohteita voi löytyä yllättävistäkin paikoista. Vuosien 2019–2022 aikana uusia innovatiivisia työkaluja kehitettiin maaseudun kehittämistyön tueksi kansainvälisessä Horizon 2020 -hankkeessa.

Tässä PoliRural-tutkimus- ja innovaatiohankkeessa pilotoitiin tekstinlouhintasovellusta ja systeemin dynaamista mallinnusta. Tällaiset työkalut valittiin, koska hankkeessa haettiin teknologisia ratkaisuja, joilla parannetaan maaseudun kehittämistä tekevien tahojen ymmärrystä ja tietoa maaseudusta systeeminä, maaseutusysteemin dynamiikasta ja ennakoinnista. Lisäksi hankkeessa haluttiin kartoittaa maaseudun asukkaiden kokemuksia ja tarpeita.

Erilaisten maaseutupolitiikkaa ohjaavien strategioiden, selvitysten, keskusteluiden ja datan määrä on valtava, eli sekä teksti- että numeromuotoista dataa maaseutuun liittyen on olemassa. Sen hyödyntäminen osana päätöksentekoa ja kehittämistä on kuitenkin ollut vielä vähäistä käyttökelpoisten teknologisten ratkaisujen puuttuessa.

PoliRural-hankkeessa oli kaksi tutkimuslinjaa. Ensimmäinen oli teksti- ja numeromuotoisen tiedon tehokkaampi hyödyntäminen uusien teknologioiden avulla, ja sen rinnalla toinen oli laaja-alainen sidosryhmätyöskentely sekä yhteiskehittäminen eri menetelmien avulla. Pilottialueella Kanta- ja Päijät-Hämeen maakunnissa työstettiin samalla alueelle tulevaisuuskuvaa ja toimintasuunnitelmaa siihen pääsemiseksi.

Tekstinlouhinta suurien datamäärien käsittelyn tukena

Laajojen tekstimäärien lukeminen, kokonaisuuksien ja yksityiskohtien ymmärtäminen ja niiden analysointi sekä uusien tekstien laatiminen vaatii tulevaisuudessa uusia työkaluja, jota tekstinlouhinta edustaa. Tekstinlouhintaan sopivia tekstejä ovat lakiesitykset, asiantuntijoiden lausunnot, ministeriöiden ohjelmat ja strategiat, eri järjestöjen ja yritysten asiakirjat ja twiitit.

Tekstinlouhinnan käyttäjiä voivat olla päättäjät ja poliittiset avustajat, jotka työskentelevät tekstien parissa, virkamiehet, jotka tarvitsevat kokonaisuuksien ymmärtämistä ja laativat esityksiä, analyytikot, jotka arvioivat nykytilannetta ja tulevaisuuskuvia sekä politiikan tutkijat, jotka kokoavat ja jäsentävät tietoa. Tekstimuotoisen datan määrä kasvaa räjähdysmäisesti, eli “louhittavasta” datasta ei ole, eikä tule, pulaa.

Tulevaisuudessa on mahdollista, että tekoälyosaamisen kasvaessa tekstimuotoista dataa louhivia sovelluksia räätälöidään runsaasti eri toimialoille. Louhittavan datan kerääminen tulee tarvitsemaan teknisten ratkaisujen lisäksi asiantuntijapalveluita, jotka tukevat ja edistävät teknisten ratkaisujen käyttöönottoa ja niiden hyödyntämistä loppukäyttäjien tarpeita varten.

Kokemuksia tekstinlouhinnan käytöstä maaseudun kehittämisen työkaluna

PoliRural-hankkeessa tutkittiin maaseudun kehittämiseen ja sen elin- ja pitovoiman lisäämiseen liittyviä politiikkatoimia. Tutkimusta jalkautettiin 12 eri pilottialueelle kartan mukaisesti (kuva 1). Suomesta mukana oli Kanta- ja Päijät-Hämeen maakunnat, Euroopasta kymmenen eri kokoista maaseutualuetta sekä Israelista Galileen alue.

Hankkeen aikana 12 paikallista maaseudun kehittämisen pilottia testasi tekstinlouhinnan mahdollisuuksia ja toimivuutta. Tutkimuksessa käytettiin tekoälyyn ja tekstinlouhintaan perustuva työkalua, Semantic Exploreria (Semex.io), josta hankepartneri Kajo Services vastasi.

Suomen pilotissa tutkittiin uuden ja kasvavan liiketoiminnan tukemisen mahdollisuuksia maatiloilla ja maaseudulla, erityisesti kiertotalouden, palveluiden ja hyvinvoinnin alalla. Testaamista varten hanketoimijat veivät louhittavaksi lähes 1 200 tietolähdettä kansallisista ja alueellisista ohjelmista, raporteista, artikkeleista ja muista lähteistä, jotka käsittelivät kyseistä aihetta.

Työkalu hyödyntää lukuisia avoimesti saatavilla olevia resursseja, kuten viestintäpalvelu X:ssä olevia tietoja, mutta se ei ole itsessään avoin järjestelmä vaan vaatii rekisteröitymisen. Pilottia toteuttaneet ja työkaluja tutkimuksessa testanneet Hämeen ammattikorkeakoulu ja Smart & Lean Hub Oy pystyivät lisäämään sinne haluttua dataa ja tietolähteitä, kuten raportteja ja nettisivuja.

Politiikan arviointia tekstinlouhinnalla

Tarkemmaksi arviointikohteeksi valittiin paikallisen maaseutupolitiikan ohjelma, Häme Linnaseutu Leader -ryhmän strategia “Paikallista aikaa – Hämeenlinnan seudun paikallinen kehittämisstrategia vuosille 2014–2020” (Linnaseutu ry, n.d.). Tämä Leader-strategia valittiin, koska se sisälsi toimenpide-ehdotuksia uusien ja kasvavien liiketoimintamahdollisuuksien tukemiseksi maaseudulla, mikä oli Suomen Häme-pilotin kantava teema.

Arviointikohteena oli ohjelma, sen toimenpiteet ja niiden alueelliset vaikutukset. Arviointi tehtiin haastattelemalla 14 rahoituksen saajaa, kehittäjää sekä ohjelmatyössä mukana olleita. Haastattelun lisäksi arvioinnissa testattiin myös SemEx-ohjelman käyttöä.

Tekstinlouhintaa varten valitsimme siellä olevista lähteistä 31 julkaisua tai muuta lähdettä, jotka keskittyivät strategian mukaisiin teemoihin eli yrittäjyyden ja maaseudun kehittämiseen eri ohjelmissa ja tutkimuksissa kansallisesti sekä alueellisesti. Lisäksi valittiin mukaan muutamia alan keskusteluryhmiä verkosta, jotta maaseudun toimijoiden ääni saataisiin kuuluviin.

Tekstinlouhinnan tulokset eivät kuitenkaan antaneet tällä lähdemäärällä lisätietoa strategian arviointiin eli sen vaikutuksesta Hämeen alueen kehitykseen. Työkalu oli tässä vaiheessa kehitysprosessin alkuvaiheessa. Tuloksiin vaikutti myös suomen kieli. Sovellus ei osannut tunnistaa suomen kielen taivutuksia eikä osannut luokitella sanoja oikein. Tuloksista on kirjoitettu kooste “Evaluation of Hämeenlinna region’s local development strategy for 2014–2020: Text mining results” (PoliRural, n.d.-b).

Tulevaisuudessa SemEx-tyyppinen tekoälyyn pohjautuva työkalu voi osoittautua hyödylliseksi, kun kolmas osapuoli arvioi politiikkatoimien vaikutuksia tai kun suunnitellaan uusia politiikkatoimia.

Systeemin dynaamiseen mallinnukseen perustuva aluekehittämisen työkalu

Systeemin dynaamisen mallinnuksen (SDM, System Dynamic Modelling) avulla PoliRural-hankkeessa testattiin eri tekijöiden (kehittymissuunnat ja trendit) vaikutuksia alueen kehittämistavoitteisiin.

SDM-työkalua (Polirural System Dynamics Tool) rakennettiin, ja sitä testattiin maaseutupolitiikan kehittämistarkoituksessa kaikilla hankkeen pilottialueilla. Dynaaminen mallintaminen ei sinänsä ole uusi keksintö, mutta se on uusi yhä laajempien monialaisten aluevaikutusten tulevaisuuden mallintamisen kehikossa. Tämän työkalun toivottiin tuovan uutta näkemystä ja tukea alueiden tarpeiden edistämiseen.

SDM-työkalun kehitystyön toteuttivat espanjalainen systeemiajatteluun erikoistunut 22Sistema ja norjalainen suunnittelutoimisto Asplak Viak. Jokaiselle pilottialueelle luotiin oma, kunkin alueen haasteet huomioon ottava versio työkalusta. Kanta- ja Päijät-Hämeessä malli keskittyi kiertotalouden, hyvinvoinnin ja matkailuyrittäjyyden edistämiseen maaseudulla.

SDM vaatii toimiakseen runsaasti tietoa kuten tekstinlouhintasovelluskin. Kukin hankkeessa ollut alue vastasi oman aluettaan koskevan tiedon keräämisestä. Jotta SDM-työkalun taustalla oleva malli ja algoritmi pystyi rakentamaan skenaarioita tulevaisuuteen, tietokantaan tuli ensin syöttää tietoa keskeisistä aluetta kuvaavista kehityskuluista viimeisen kymmenen vuoden ajalta. Tiedon tuli olla mahdollisimman relevanttia ja oikeaa. Tiedot kerättiin pääasiassa julkisista saatavilla olevista lähteistä kuten Tilastokeskuksen sivuilta. Haastavimpia olivat ne parametrit, joiden kohdalla tietoja ei päivitetty vuosittain, minkä vuoksi kehityksen suunta muodostui epävarmaksi. Joitakin tietoja jouduimme arvioimaan useista lähteistä, esimerkiksi maatilojen sukupolvenvaihdosten määrää.

SDM-mallin pohjana on kahdeksan toisiinsa kytkeytyvää moduulia ja 300 parametria, joita räätälöitiin eri pilottialueiden tarpeisiin. Käyttäjät pystyivät tiettyjä parametreja muuttamalla testaamaan, miltä todennäköinen tulevaisuus näyttää parametreja muuttamalla. Ohjelma antaa kuvan, kuinka esimerkiksi koulutustaso, liiketoiminnan ilmapiiri, tietoliikenne- ja liikenneyhteydet, väestörakenteen muutos, maatilojen sukupolvenvaihdosten lukumäärä ja maatilojen omistussuhteet vaikuttavat tulevaisuudennäkymiin. Ohjelma auttaa keskustelemaan niistä pullonkauloista ja paljastamaan ne tekijät, jotka hidastavat tai jopa kokonaan tekevät toivotun kehityksen mahdottomaksi. Useimmat asiat näiden aiheiden parissa työskenteleville ovat tuttuja, mutta ohjelman avulla olisi mahdollista laittaa asioita tärkeysjärjestykseen ja nostaa keskusteluun niitä asioita, joilla todennäköisesti olisi positiivista vaikutusta.

Kokemuksia SDM-mallin käytöstä

SDM-työkalu laittaa paljon painoa taustamuuttujille, joita voi olla vaikea muuttaa, mutta jotka voivat olla hyvinkin ratkaisevia, ainakin silloin, jos muutoksia halutaan suhteellisen nopealla aikataululla. Esimerkiksi taustamuuttujaksi voi antaa ajan, jona alueelle muuttava, esimerkiksi maahanmuuttaja, integroituu yhteiskuntaan ja hänen osaamisensa ja kokemuksensa alkaa myötävaikuttaa kehitykseen. Malliin otetut yritysilmapiiri, innovaatiotoiminnan taso ja yhteisön mukanaolo osoittivat esimerkiksi selvästi sen, että näiden asioiden on oltava hyvällä tasolla, jos halutaan positiivista talouskehitystä alueelle.

Työkalua käytettäessä huomattiin, että koulutustason nostaminen loputtomasti alueella kääntyy itseään vastaan, jos alueen elinkeinorakenne on sellainen, että se tarvitsee tietyn määrän suorittavan portaan ja keskijohdon osaamista. Koulutustason nostaminen sen sijaan on hyödyllistä ja tarpeellista, jos alueelle on syntymässä tai tavoitellaan korkeamman koulutuksen vaativaa yritystoimintaa.

Malli on englanninkielinen ja vaatii jonkin verran perehtymistä asiaan. SDM-mallinnuksen ehkä suurin anti oli jo hankkeen aikana syntynyt sidosryhmien yhteistyö ja kasvanut kiinnostus dataan perustuvaan aluekehittämiseen. Malli myös toi esille, kuinka merkittävässä roolissa alueen ihmiset ja heidän sosiaaliset ja ammatilliset taidot ovat esimerkiksi yrittäjyyden edistämisessä.

Päätelmiä tulevaisuuden kehittämiskohteiksi

Olemassa olevan testi- ja numeromuotoisen tiedon hyödyntäminen tulee varmasti kasvamaan kaikessa kehittämisessä. Haasteeksi tutkimuksessa osoittautui vuoropuhelu tietoteknisten työkalujen kehittäjien ja niitä hyödyntävien välillä, mikä onkin hyvä huomioida aina, kun uusia työkaluja suunnitellaan ja otetaan käytettäväksi uusiin tarkoituksiin. Pilottimuotoiset kokeilut osoittivat testaamisen ja jatkuvan kehittämisen tarpeen. Tekoälysovellukset tiedonhaun lähteinä ovat tänä päivänä kasvaneet vauhdilla, mutta ne vaativat edelleen ymmärrystä sekä tutkittavasta kontekstista että tekoälysovelluksen rajoitteista. Tilastoituun tietoon pohjautuva maaseutusysteemin dynaaminen mallinnus voi tulevaisuudessa olla varteen otettava työkalu sen luotettavuuden vuoksi. Mutta sekin vaatii taitoa ja kekseliäisyyttä, jotta tietoa saadaan haluttuun tarpeeseen.

Horizon 2020 -ohjelman rahoittamassa PoliRural (Future Oriented Collaborative Policy Development for Rural Areas and People) -hankkeessa oli mukana kaksi suomalaista partneria, Hämeen ammattikorkeakoulu ja ajatuspaja Smart & Lean Hub Oy. Nämä vastasivat yhdessä Suomen pilotin toteutuksesta Kanta- ja Päijät-Hämeessä. Kaiken kaikkiaan hankkeessa oli 12 alueellista pilottia eri puolilta Eurooppaa. Hanketta toteutettiin vuosien 2019–2022 aikana.

Artikkelissa käsiteltyyn SDM-ohjelman pilotointimalliin voi tutustua PoliRuralin verkkosivuilla.