Slack Bot ja tekoälymallien kustannustehokkuutta

Riihisoftin viikottaisen tekoälykoulutuksen aika.

Slack Bot

Head of AI, Teemu esitteli rakentamaansa tekoälyä hyödyntävää Slack-bottia ja samalla saimme hyvän esimerkin siitä, miten käytännön ongelmasta voi syntyä tekoälyn avuin nopeasti toimiva ratkaisu. 

Kesällä Teemu huomasi, että GitHub oli muuttanut rajapintojaan tavalla, joka vaikeutti yksittäisen käyttäjän AI Credits -kulutuksen seuraamista.

Syntyi .NET-konsolisovelluksena toteutettu proof of concept, joka:

1. hakee kuluvan kuukauden käytettyjen AI Credits -krediittien määrän
2. listaa tuloksen helposti luettavaan muotoon konsoliin
3. lähettää listan Slack-kanavalle webhookia hyödyntäen
4. kertoo mahdollisesta ylimenevästä kulutuksesta
5. listaa kuluvan päivän viisi käytetyintä kielimallia.

Kun POC oli todettu toimivaksi, seuraava askel oli muuntaa ratkaisu .NET Web APIksi. Nyt meillä on käytännöllinen tapa seurata AI Credits -kulutusta, jolla seurata tekoälyn kustannustehokkuutta.

Ajankohtaiset tekoälymallit vertailussa

Koulutuksessa käytiin läpi myös ajankohtaisia tekoälymalleja ja pohdittiin, mitä mallia kannattaa käyttää mihinkin tehtävään. Mallin valinnassa tulee huomioida tehtävän vaativuus, nopeus ja kustannukset.

Anthropicin Claude-mallit

Vertailussa olivat Anthropicin Claude-mallit:

• Haiku 4.5 edullinen valinta pieniin muutoksiin ja nopeisiin kysymyksiin 
• Sonnet 5 yleismalli päivittäiseen ohjelmointiin ja agenttityöhön
• Opus 5 haastavampaan päättelyyn, debuggaukseen ja arkkitehtuuriin
• Fable 5.1 kalleimpana vaihtoehtona erityisiin kehitystehtäviin

OpenAI-mallit

Tarkastelimme vastaavasti myös OpenAI-malleja:

• GPT-5.6 Luna edullinen pieniin korjauksiin, syntaksiin ja dokumentointiin  
• GPT-5.6 Terra yleismalli päivittäiseen ohjelmointiin ja agenttityöhön
• GPT-5.6 Sol vaativampaan debuggaukseen, refaktorointiin ja arkkitehtuuriin
• GPT-6 Astra kalleimpana vaihtoehtona autonomisiin ja monivaiheisiin toteutuksiin 

Tutustuminen uusiin Kimi-malleihin

Tutustuimme myös Moonshot AI Kimi K2.7- ja K3-malleihin.

Kimi K3 on open-weight-malli, jonka kohdalla GitHub nostaa esiin mahdollisia eroavaisuuksia mallin linjauksessa ja maantieteelliseen näkökulmaan liittyviä riskejä. 

Uusia malleja kannattaa kokeilla rohkeasti, mutta niiden ominaisuudet, rajoitteet ja soveltuvuus on arvioitava huolellisesti ennen tuotantokäyttöä.

Kyse on siitä, miten teknologiaa voidaan käyttää järkevästi, kustannustehokkaasti ja liiketoimintaa aidosti hyödyttävällä tavalla.

Jää seuraamaan blogejamme ja ota yhteyttä, niin muutetaan ideasi toimiviksi ratkaisuiksi!