Miten rakentaa verkosto AI-oppimiselle?
Moni organisaatio on jo päässyt vauhtiin tekoälyosaamisen kehittämisessä, ja luontainen ensimmäinen askel monelle on ollut järjestää yleisiä tekoälykoulutuksia koko henkilöstölle.
Tekoälykoulutukset ovat hyödyllisiä etenkin tekoälymatkan alkuvaiheessa, mutta kun ihmisten osaaminen kasvaa, tarve konkretialle ja sovellettavuudelle kasvaa samaa tahtia.
Tässä kohtaa oppimisverkostot ja vertaisoppiminen ovat ylivoimaisesti paras tapa kehittää tekoälyosaamista organisaatiossa.
Perinteiset AI-koulutukset:
Soveltuvat hyvin tekoälymatkan alkuvaiheeseen
Käsittelevät yleisiä AI-taitoja, kuten promptaamista
harvoin auttavat oppijaa soveltamaan tekoälyä juuri omaan työnkuvaan
AI-oppimisen seuraava vaihe: vertaisoppiminen
Olen viimeisen vuoden aikana rakentanut organisaatioihin AI-oppimisverkostoja – usein nimettynä esimerkiksi AI Learning Network, AI Ambassador Program tai AI Catalyst -ohjelmiksi. Ne perustuvat vertaisoppimiseen ja -tekemiseen, eivät luentoihin.
AI-oppimisverkoston tehtävänä on koota yhteen saman roolin tai ammattialan asiantuntijat, jotka haluavat kehittää tekoälyn käyttöä omassa työssään ja jakaa oppimaansa eteenpäin omissa tiimeissään.
Sen jäsenet jakavat kokemuksia ja oivalluksia, testaavat käytännön käyttötapauksia ja auttavat levittämään toimivia ratkaisuja omiin tiimeihinsä. Tekoälystä ei puhuta abstraktisti vaan sitä käsitellään käytännöllisellä tavalla, joka aidosti tukee juuri heidän työnkuvaansa.
Esimerkki: Yrityksen sovelluskehittäjille perustetaan oma AI-oppimisverkosto, jossa kaikista eniten tekoälystä kiinnostuneet kehittäjät kokoontuvat kerran kuukaudessa jakamaan, miten he ovat käyttäneet tekoälyä sovelluskehityksessä. Verkoston tapaamisissa he näyttävät toisilleen käytännössä, miten soveltavat tekoälyä eri työvaiheisiin. He harjoittelevat tekoälyn käyttöä ja tapaamisten päätteeksi jokainen osallistuja päättää miten aikovat esitellä oppimaansa eteenpäin omissa tiimeissään.
Verkoston jäsenten valinnassa tulisi olla kaksi kriteeriä:
He haluavat oppia, miten soveltaa tekoälyä omassa työssä
He haluavat opettaa kollegoilleen, miten käyttää tekoälyä käytännön työssä
Lähestymistapa muuttaa oppimisen passiivisesta vastaanottamisesta aktiiviseksi kokeilemiseksi ja muiden opettamiseksi. Oppiminen tapahtuu kontekstissa – omassa työssä, oikeiden työnkuvien, haasteiden ja mahdollisuuksien keskellä sen sijaan, että keskustelu pysyy yleisenä ja ylätasoisena.
Verkostossa osallistujat:
esittelevät ja demoavat toisilleen tekoälyn käyttötapauksia
harjoittelevat ja soveltavat käyttötapauksia käytännössä
opettavat käyttötapauksia edelleen omissa tiimeissään ja yksiköissään
Tämän lisäksi he sparrailevat toisiaan ja reflektoivat oppimaansa, sekä keskustelevat laajemmin tekoälyn vaikutuksista työnkuviin ja organisaatioon.
-
Käyttötapaus tarkoittaa konkreettista tilannetta tai tehtävää, jossa tekoälyä sovelletaan tuomaan selkeää hyötyä työssä. Yksinkertainen käyttötapaus on esimerkiksi “Sähköpostin kirjoittaminen tekoälyllä”.
Fasilitoitu rakenne
Koska kukaan ulkopuolinen kouluttaja ei voi täysin ymmärtää, mikä on olennaista tietyn asiantuntijaryhmän työssä, perinteinen kouluttaminen ei ole paras tapa oppia tekoälyn käyttöä syvällisesti. Siksi fasilitaattorin roolina ei ole kertoa, mitä AI:lla voisi tehdä, vaan luoda tila, jossa ihmiset pääsevät jakamaan osaamistaan ja oppimaan yhdessä.
Verkoston toimivuuden kannalta laadukas fasilitointi on kriittistä. Fasilitaattorin tehtävänä on luoda psykologisesti turvallinen tila, jossa osallistujien ei tarvitse esittää tietävänsä, vaan voivat päästää itsensä oppivaan mielentilaan.
Fasilitaattorin tehtävinä on:
Luoda psykologisesti turvallinen oppimisen ympäristö, jossa ihmiset uskaltavat kysyä ja kokeilla
Auttaa ryhmää keräämään kiinnostavia käyttötapauksia ja priorisoimaan ne yhdessä
Auttaa demoavia asiantuntijoita esittämään käyttötapauksensa ymmärrettävällä tavalla
Antaa ihmisille tilaa kysyä, keskustella ja harjoitella käyttötapauksia käytännössä
Varmistaa, että tapaamisten päätteeksi kaikilla on itsevarma olo viedä käyttötapauksia eteenpäin omiin tiimeihinsä.
Jotta verkoston sisältö on olennaista on tärkeää, että ihmiset itse tunnistavat ja priorisoivat oman työnsä kannalta merkitykselliset käyttötapaukset – ja oppivat niistä yhdessä ja toisiltaan.
Olemme luoneet yhdessä osallistujien kanssa listan käyttötapauksia (ns. “backlog”), jota täydennämme ja priorisoimme jokaisessa yhteisessä tapaamisessa. Tapaamisten päätteeksi priorisoimme yhdessä: “Mitkä AI-käyttötapaukset vaikuttavat kaikista kiinnostavimmilta? Mistä haluaisit demon seuraavaksi?“
Listan ylimpiä, priorisoituja käyttötapauksia demotaan ja harjoitellaan tulevissa tapaamisissa, verkoston jäsenten esitteleminä.
-
Demo tarkoittaa käytännön esitystä, jossa näytetään, miten jokin idea, työkalu tai tekoälyn käyttötapaus toimii käytännössä.Sen tarkoitus on tehdä oppimisesta konkreettista – ei vain puhua mahdollisuuksista, vaan näyttää se käytännössä.
Miksi verkosto toimii?
Oman kokemukseni mukaan AI-oppimisverkostot toimivat koska:
osallistujat itse määrittelevät sisällön, jonka takia sisältö on automaattisesti osallistujien työn kannalta olennaista ja ajankohtaista
verkostossa opetellaan käytännön käyttötapauksia, jotka ovat helposti vietävissä käytäntöön
osallistujilta odotetaan alun alkaen muiden opettamista, jonka takia verkostoon valikoituu henkilöitä, jotka mielellään opettavat oppimaansa eteenpäin.
Miten oppiminen siirtyy verkostosta muualle organisaatioon?
Kun ihmiset oivaltavat verkostossa, oppiminen leviää luontaisesti. Tätä leviämistä myös tuetaan, muun muassa tekemällä varmuusäänestys (eng. “confidence vote”) kokoontumisten päätteeksi.
Jokaisen session päätteeksi osallistujilta kysytään:
Kuinka hyvin näet, että käyttötapaus on sovellettavissa omaan työhösi? (1-5)
Kuinka itsevarma olo sinulla on esitellä käyttötapausta kollegoillesi? (1-5)
Jos arvio jälkimmäiseen on matala: Mitä tarvitsisit, että sinulla olisi varmempi olo esitellä käyttötapausta ennen seuraavaa kokoontumista? (avoin kysymys)
Suurimmassa osassa tapauksia osallistujat ovat valmiita harjoittelemaan käyttötapausksia itsekseen, jonka jälkeen he esittelevät käyttötapauksia omissa tiimeissään. Toisissa tapauksissa he pyytävät toisiaan tueksi käyttötapausten esittelyihin.
Tuloksena on yhteistyöhön pohjautuva kulttuuri ja toimintatapa, jossa AI:n oppiminen ei ole ulkopuolinen ilmiö, vaan työn lomassa tapahtuva oppimis- ja jakamisprosessi.
Yhteenveto
Organisaatioissa, jotka ovat jo tekoälymatkalla tapahtuu iso määrä oppimista joka päivä. Ulkopuolisen kouluttamisen sijaan, organisaatioiden tulee tunnistaa innokkaimmat ja antaa heidän osaamisensa päästä valloilleen. Innostukselle luodaan selkeä rakenne, jonka avulla ihmisten osaaminen saadaan valjastettua koko organisaation käyttöön.
Jos kiinnostuit aiheesta ja haluat perustaa tekoälyverkoston, ota yhteyttä niin autan mielelläni!
Villiam Virkkunen
“The AI Catalyst Collective oli koko organisaation laajuinen aloite, jonka tarkoituksena oli innostaa ja rohkaista ihmisiä tutkimaan, miten tekoäly tulee muokkaamaan juridista työtä – ja auttaa yritystä valmistautumaan tähän muutokseen.
Villiam oli tämän onnistumisen taustalla keskeinen voima. Hänen oma-aloitteinen työskentelytapansa, selkeä fasilitointinsa ja kykynsä muuttaa abstraktit keskustelut konkreettisiksi oivalluksiksi toivat ohjelmaan todellista arvoa.
Erityisesti erottui hänen taitonsa luoda sitoutumista ja merkityksellisyyden tunnetta monimutkaisen aiheen, kuten tekoälyn, ympärille – ilman että aihetta liioiteltiin tai hypetettiin.”
