Automaatio, datanhallinta ja tekoäly ovat suuressa muutoksessa, kun tietograafit ottavat yhä keskeisemmän roolin tietojen asiayhteyksien eli kontekstien hallinnassa. Vaikka tietograafi (Knowledge Graph, KG)
ei ole käsitteenä uusi, tekoälyn vallankumous on tehnyt sen hyödyistä ajankohtaisempia kuin koskaan.
Suurin osa tekoälyn hyödyntämästä tiedosta lepää edelleen perinteisissä relaatiotietokannoissa, jotka on suunniteltu riveiksi ja sarakkeiksi taulukoihin. Tämä rakenne toimii erinomaisesti selkeiden transaktioiden, kuten laskujen tai asiakasrekisterien, tallentamiseen. Ongelma syntyy, kun modernit kielimallit (LLM) ja tekoälysovellukset tarvitsevat ihmismäistä kykyä ymmärtää asioiden välisiä suhteita ja merkityksiä. Tässä kohtaa tietograafit tulevat mukaan.
M.I.N.G-pino ja arkkitehtuurin muutos
SSOT-järjestelmän tiedot tallennettiin aluksi InfluxDB aikasarjatietokantaan, ja talletettujen tietojen käsittely tehtiin Grafanan avulla. InfluxDB ja Grafana kuuluvat M.I.N.G-pinoon, jossa ovat mukana myös MQTT ja Node-RED.
Nyt InfluxDB on korvattu DuckDB tietokannalla, ja Grafana on käynyt tarpeettomaksi, koska tekoäly tekee nopeasti saman tehtävän, joka oli Grafanan käyttäjälle haastava ja hidas. MQTT ja Node-RED ovat puolestaan edelleen keskeisessä roolissa SSOT-järjestelmän UNS-toteutuksessa (Unified Namespace).
Miksi tietograafi on tekoälylle välttämätön?
Alkuvuodesta 2026 otin käyttöön DuckDB tietokannan, koska InfluxDB:n lisensointiehdot muuttuivat liian rajoittaviksi. DuckDB osoittautui hyvin tehokkaaksi ja antoi paljon uusia mahdollisuuksia SSOT-automaatioon. Aikaisemmin tehokkuusongelmat olivat haitanneet suurien tietomäärien käsittelyä, mutta uuden tietokannan myötä haasteeksi muodostuikin liian suuri datamäärä tekoälyn hyödynnettäväksi.
Tekoälyn konteksti-ikkuna (prompti) on rajallinen, eikä tekoäly hyödy pelkästä massiivisesta raakadatasta. Viime vuonna tein peltomallin suunnitteluun, jonka avulla pystyi havainnollistamaan lohkon korkeustiedot, maalajit, notkanteet sekä pellon kasvukuntoon liittyviä tekijöitä. Tästä datamassasta tekoäly ei saanut otetta. Tekoäly ei nimittäin ymmärrä numeroita ja taulukoita, mikäli niiden keskinäinen konteksti ja suhteet eivät ole sille täysin selkeät.
Ratkaisu tekoälyn datanälkään: Peltomalli 2.0
Ratkaisu tekoälyn datanälkään perustuu raakadatan tallentamiseen DuckDB-tietokantaan ja sen jalostamiseen 10×10 metrin ruuduiksi, joista lasketaan tarvittavat tilastolliset tunnusluvut ja ääriarvot.
Tietograafi-periaatteen ja GraphQL-kyselykielen avulla yhdistetyt tiedot syötetään suoraan UNS-arkkitehtuuriin, jonka kontekstirikasta tietoa tekoäly voi hakea funktiorajapinnan kautta. Näin muodostui Peltomalli 2.0, joka esiteltiin Kalajoen maatalousnäyttelyn Salaoja-areenalla kesällä 2026.
Voit lukea aiheesta lisää sivulta Peltomalli 2.0