Käisin teist aastat järjest Tallinn Data Weeki raames Tartu Ülikooli andmeteaduse seminaril. Seekord jäi kõige rohkem mõttesse üks paneelis kõlanud võrdlus: juhid on ju kogu aeg kirjeldanud teistele, mida nad tahavad valmis saada. Nüüd saame samamoodi ülesande anda arvutile. Kas nad on siis kogu aeg vaibkoodinud?
Selle mõtteni jõudsime õhtu lõpus. Enne räägiti sellest, kuidas ehitada AI-lahendusi, mis töötaksid ka siis, kui mudel muutub, andmeid ei saa vabalt ringi saata või katsetusest peab saama igapäevane töövahend.
Tartu Ülikooli arvutiteaduse instituudi seminar „Data and AI: what, where and how?” toimus 20. oktoobril 2026 Ülemiste kogukonnamajas. Korraldus oli minu jaoks sama mugav kui eelmisel aastal: Tartu Ülikooli juurest bussiga Tallinnasse ja pärast tagasi. Ei pidanud eraldi transpordi peale mõtlema.
Jaak Vilo pani paika, kus AI-agent tegelikult töötab
Nagu eelmisel aastal, alustas õhtut Jaak Vilo. Tema sissejuhatuses oli kasulik pilt sellest, kuidas AI-agendi eri osad paiknevad: midagi on sinu arvutis, midagi pilves ning nende vahel liiguvad päringud, tööriistakutsed ja tulemused.
See on hea koht korraks peatuda. Kui kasutame AI-rakendust oma arvutis, ei tähenda see veel, et kogu töötlus toimub selles arvutis. Tuleb vaadata, milline osa mida teeb ja kuhu andmed liiguvad. Sarnast tööriistade ühendamise poolt olen avanud loos mis on MCP-ühendus.
Allan Bernard: mis saab siis, kui mudel homme kaob?
Nortali Eesti inseneritöö juhi Allan Bernardi ettekanne puudutas teemat, mille peale tasub mõelda juba esimest lahendust ehitades. Ettevõtte töö ei tohiks jääda ühe konkreetse AI-mudeli külge nii kõvasti kinni, et mudeli kadudes tuleb kõik uuesti üles ehitada.
Allani jutust jäi mulle meelde Fable 5 näide. Sellel on ka kontrollitav taust: ta kirjutas mudelite kättesaadavusest oma artiklis „The sovereign off-switch”. Anthropicu teate järgi peatati Fable 5 ligipääs 12. juunil 2026 ja taastati 1. juulil. See oli katkestus, mille üle mudelit kasutav ettevõte ise ei otsustanud.
Minu jaoks on siin praktiline küsimus: kui praegune mudel homme ei vasta, mis meie tööst edasi saab? Kas saame kasutada teist mudelit, jätkata osa tööst käsitsi või jääb kogu protsess seisma?
Mudeli vahetamine ei tähenda muidugi ainult ühe nime muutmist seadetes. Uue mudeliga tuleb kontrollida, kas juhised, tööriistad ja tulemuse kvaliteet endiselt sobivad. Aga selleks saab valmistuda. Üks asi on vahetada süsteemis komponenti, teine hakata katkestuse ajal kogu süsteemi ümber ehitama.
Gamal Elkoumy: AI ja tundlikud andmed peavad kokku saama läbimõeldult
Veriffi andmeinsener Gamal Elkoumy rääkis AI-agentidest rangete nõuetega andmeplatvormil. Minu jaoks oli tema ettekande huvitav mõte see, kuidas tuua andmed ja AI-võimekus kokku kontrollitud keskkonnas, selle asemel et andmeid iga ülesande jaoks järjest uutesse kohtadesse saata.
Kohapeal kuulates võtsin selle enda jaoks kokku nii: vahel tuleb kogu töötluskeskkond ümber korraldada, et AI saaks andmetega seal töötada, kus see on lubatud. Nende lahendus oli oluliselt keerulisem, kui üks selline lause edasi annab. Pelgalt serveri asukoha valik ei selgita veel, kellel on ligipääs või mida andmetega teha tohib.
Gamalil on selle teema taga ka teadustöö. Tema Tartu Ülikoolis kaitstud doktoritöö käsitles privaatsust säilitavat äriprotsesside analüüsi. Lihtsamalt öeldes: kuidas saada tööprotsesside andmetest kasulikku teadmist inimeste privaatset infot avaldamata. See aitab mõista, miks andmete kasutamise piirid tema töös nii tähtsad on.
Heili Aavola: oma riistvara annab kontrolli, aga nõuab ka ressursse
Tartu Ülikooli masinõppe nooremteadur Heili Aavola rääkis agentide käivitamisest privaatsel riistvaral. Mulle meeldis, et jutuks tulid ka selle praktilised raskused: kiirus, arvutusressurss ja see, kuidas tulemust kasutaja jaoks hinnata.
Avatud mudeli enda keskkonnas käivitamine võib anda rohkem kontrolli. Samas tuleb kuskilt leida riistvara, seadistada süsteem ja leppida selle jõudlusega. Kuulates jäi hästi meelde, kui palju tööd võib olla ühe pealtnäha lihtsa vestlusakna taga.
Tema slaidil kirjeldatud lahenduse esimese versiooni kasutajakatses ütles kuus inimest seitsmest, et kasutaks lahendust uuesti. Seitse vastajat on väike valim, kuid selle kõrval oli huvitav näha küsimust, kas vastused on kasutaja töö jaoks piisavalt head. Üldine mudelite edetabel üksi seda ära ei otsusta.
Ka Heili magistritöö puudutas mudelite usaldusväärsuse hindamist, täpsemalt binaarse klassifitseerimise tõenäosuste kalibreerimist. See tähendab küsimust, kui hästi mudeli väljendatud kindlus tegelike tulemustega kokku läheb.
Bolt: anna inimestele võimalus ehitada ja kontrolli, mis sellest kasu on
Pärast pausi tuli lavale Bolti inseneeria asepresident Toomas Römer. Tema jutt näitas hästi, kui palju erinevaid AI kasutuskohti võib ühes ettevõttes olla.
Mulle jäi eriti meelde Boltable. Kui inimestel on tahtmine endale väikseid töövahendeid ehitada, on mõistlik anda neile selleks ettevõttesisene keskkond. Nii saab ideed proovida seal, kus ligipääs ja kasutamine on korraldatud.
Römeri enda avalik kirjeldus Boltable’ist täpsustab, et see on väikeste sisemiste tööriistade majutamise keskkond koos ligipääsuhaldusega. Ta nimetab ka piire: sinna ei kuulu kliendirakendused, isiku- ja finantsandmed ega ettevõtte põhitegevust kandvad süsteemid.
Minu jaoks teeb just see piiritlemine näite huvitavaks. Töötajate ehitamissoov saab väljundi, aga iga katsetus ei muutu automaatselt ettevõtte põhisüsteemiks. Kui publikust küsiti mõne eriti suure läbimurde kohta, jäi mulle vastusest meelde, et ühte imelahendust sealt seni välja tuua ei olnud. Ka väike abivahend võib siiski kellegi iganädalast tööd lihtsamaks teha.
Teine kasulik osa oli mudelite hindamine. Slaidil võrreldi muu hulgas täpsust, kulu ja vastamise viivitust. Sellest võtsin kaasa lihtsa mõtte: uut mudelit tuleb katsetada oma ülesandega. Uuem nimi ei ütle veel, kas see konkreetse töö paremini ära teeb.
Sander Kütisaar ja SAPU: võimalus ka ettevõtte tundlikele andmetele
Tartu Ülikooli arvutuskeskuse süsteemiadministraator Sander Kütisaar tutvustas SAPU-t. Nimi tähendab sensitiivsete andmete privaatset uurimiskeskkonda.
TÜ arvutuskeskuse teenusekirjelduse järgi saab projekt eraldatud virtuaalse töömasina Eestis asuvas andmekeskuses. Internetiühendus on välja lülitatud, kasutajate tegevused logitakse ning andmete sisse- ja väljaviimine käib andmeomaniku kontrolli all.
See on kasulik teadmine ka ettevõtjale. SAPU kasutusjuhend arvestab nii ülikoolisiseste kui ka ülikooliväliste andmeomanikega. Teenuse sobivust saab seega uurida ka ettevõte. See on tasuline teenus ning konkreetne töö, tarkvara, ligipääsud ja maksumus tuleb keskusega kokku leppida.
Mulle meeldib selliste võimaluste olemasolust teada. Iga keerukamat andmetöötluskeskkonda ei pea ettevõte algusest peale üksi välja mõtlema.
Kas juhid on kogu aeg vaibkoodinud?
Paneelis jõudis jutt ka vaibkoodimise ja töökohtadeni. Kas AI teeb nüüd kõik ära? Kas inimesi on üldse juurde vaja?
Allani ja Toomase vastustest jäi mulle meelde, et inimesi otsitakse küll. Väärtus on inimeses, kes oskab probleemi mõista, lahendusi välja pakkuda ja vastutust võtta. Ainult etteantud juhise järgi koodi kirjutamine on sellest üks osa.
Mõlema jutust sain ka aru, et tootmisse jõudva tarkvara juures on inseneride kontroll endiselt oluline. AI kasutamine arenduse eri etappides ei vabasta ettevõtet vajadusest aru saada, mida ta lõpuks kasutusse annab.
Kõige tabavam oli minu jaoks Allani võrdlus juhtidega. Annan selle mõtte edasi nii, nagu see mulle meelde jäi: juht kirjeldab koosolekul soovitud tulemust, joonistab tahvlile ja selgitab, mida vaja on. Meeskond mõtleb välja, kuidas see teostada. Juht ise ei pea iga tehnilist sammu läbi tegema.
Vaibkoodides kirjeldame samuti soovitud tulemust inimkeeles, ainult et osa teostusest teeb AI. Selles mõttes jõuab juhtidele tuttav tööviis nüüd palju rohkemate inimesteni. See on muidugi võrdlus, mitte väide, et inimeste juhtimine ja AI-ga programmeerimine oleksid üks ja sama asi.
Mulle see mõttenurk meeldib. Sa saad palju rohkem ise algatada ja katsetada. Samal ajal pead suutma öelda, mida vaja on, ning otsustada, kas tulemus sobib. Vaibkoodimise võimalustest ja piiridest olen pikemalt kirjutanud loos „Mis on vaibkoodimine?”.
Tallinnast tagasi tulles jäi mulle sellest õhtust mitu asja kaasa: mudelit peab saama vahetada, andmete kasutamine vajab läbimõeldud keskkonda ja ehitamisvõimaluse kõrval on vaja oskust tulemust hinnata. Kõige rohkem pani aga mõtlema see, kui palju sõltub ikka ülesande sõnastamisest.
Seda tasub harjutada nii omaette kui ka meeskonnaga. Kui tahad oma ettevõttes AI kasutamist alustada konkreetsetest tööülesannetest, vaata AI-tiimikoolituste võimalusi. Üks hea algus on võtta ette töö, mida täna tehakse käsitsi, ja koos läbi proovida, millise osa saab AI abiga paremini lahendada.