Kuinka rakensin oman tekoälychatbotin: Kehittäjän matka

Kaikki alkoi yksinkertaisesta ongelmasta – hukkuin asiakkaiden tiedusteluihin. Kasvavan teknologiakonsultointisivustoni ainoana kehittäjänä käytin tuntikausia joka päivä vastaten samoihin kysymyksiin yhä uudelleen ja uudelleen. Tuottavuuteni oli laskussa, ja tiesin, että jonkin oli annettava periksi. Valaiseva hetki koitti tiistaina kello 2 aamuyöllä, silmät uneliaina vastattuani jälleen uuteen "Miten voin palauttaa salasanani?" -sähköpostiin. Miksi en voinut rakentaa jotain, joka käsittelee näitä toistuvia vuorovaikutuksia?

Olin seurannut tekoälyn ja suurten kielimallien räjähdysmäistä kasvua kiinnostuneena, mutta enimmäkseen sivustakatsojana. Toki olin leikkinyt ChatGPT:n ja Clauden kanssa kuten kaikki muutkin, mutta oman tekoälyassistentin luominen tuntui siltä, että se on varattu tiimeille, joilla on syvät taskut ja syvempi asiantuntemus. Silti en voinut päästää irti ajatuksesta, että mukautettu chatbot – sellainen, joka tunsi liiketoimintani läpikotaisin – voisi olla ratkaisu, jota kipeästi tarvitsin.
Se, mikä alkoi viikonloppuprojektina ajan säästämiseksi, kehittyi kuuden kuukauden pakkomielteeksi, joka muutti perusteellisesti tapaani lähestyä ohjelmistokehitystä, käyttökokemusta ja ihmisen ja tietokoneen vuorovaikutuksen luonnetta. Tämä on tarina siitä, miten rakensin chatbottini, mitä opin matkan varrella ja miksi sinäkin voisit haluta luoda sellaisen.

Ensimmäinen suuri este oli teknologiapinoni valinta. Vaihtoehdot hämmentyivät heti – pitäisikö minun rakentaa olemassa olevien API-rajapintojen, kuten OpenAI:n GPT:n tai Anthropicin Clauden, päälle? Pitäisikö minun hienosäätää avoimen lähdekoodin mallia? Vai pitäisikö minun pyrkiä pienempään ja sääntöpohjaiseen järjestelmään, joka ei vaadi lainkaan huippuluokan tekoälyä?

Viikkojen tutkimuksen ja useiden konseptitodistustestien jälkeen päädyin hybridi-lähestymistapaan. Käyttäisin hienosäädettyä avoimen lähdekoodin kielimallia aivoina ja yhdistettynä RAG-järjestelmään (Retrieve-Augmented Generation), jotta se saisi pääsyn verkkosivustoni dokumentaatioon ja usein kysyttyjen kysymysten sisältöön. Tämä antaisi chatbotille yleisälykkyyttä ja samalla erityisosaamista liiketoiminnastani.

Itse malliksi valitsin Mistralin 7B-parametrimallin – tarpeeksi pienen toimimaan vaatimattomalla palvelimellani, mutta tarpeeksi tehokkaan käsittelemään luonnollista kieltä vaikuttavalla sujuvuudella. RAG-komponentti käyttäisi vektoritietokantaa (Pinecone) dokumentaationi upotusten tallentamiseen, jolloin chatbot voisi hakea asiaankuuluvaa tietoa vastatessaan kysymyksiin. Käyttöliittymä rakennettiin Reactilla, ja Node.js-taustajärjestelmä hoiti API-kutsuja ja -prosessointia. Valitsin WebSocketsin ylläpitääkseni keskusteluyhteyden käyttäjien kanssa, mikä mahdollisti luonnollisemman kommunikoinnin ilman sivujen uudelleenlatauksia.
Tämä ratkaisu tarjosi minulle tarvitsemaani joustavuutta pitäen samalla kustannukset hallittavina. Avoimen lähdekoodin ansiosta en ollut sidoksissa API-hinnoitteluun, joka voisi nousta pilviin, jos sivustostani yhtäkkiä tulisi suosittu, kun taas vektoritietokantapohjainen lähestymistapa varmisti, että chatbotillani oli aina pääsy ajantasaisimpiin tietoihin palveluistani.

Se, mikä erottaa yleisen chatbotin todella hyödyllisestä avustajasta, on data – tarkemmin sanottuna sinun datasi. Tajusin nopeasti, että chatbottini olisi vain niin hyvä kuin siihen syöttämäni tiedot. Tämä tarkoitti verkkosivustoni sisällön kaapimisen lisäksi myös asiakkaiden kanssa kommunikoinnin ydin.

Aloitin käymällä läpi satoja sähköpostikeskusteluja, tukipyyntöjä ja live-chat-lokeja. Anonymisoin tämän datan, poimin ihmisten esittämien kysymysten kaavat ja – mikä tärkeintä – sen, miten vastasin niihin. Tämä antoi minulle koulutusesimerkkejä, jotka heijastivat todellista sävyäni, teknisen yksityiskohtaisuuden tasoa ja ongelmanratkaisutapaani.
Järjestellyn tiedon saamiseksi loin kattavan usein kysyttyjen kysymysten osiodokumentin, joka kattoi kaiken hinnoittelukysymyksistä teknisiin tietoihin. Dokumentoin myös yleisiä vianmääritysprosesseja, joihin tallensin päätöksentekopuut, joita tiedostamattani seuraan auttaessani asiakkaita diagnosoimaan ongelmia.
Koulutusprosessi itsessään oli iteratiivinen ja nöyräksi tekevä. Ensimmäisellä yritykselläni syntyi chatbot, joka tiesi faktoja yrityksestäni, mutta vastasi kuin yrityksen käsikirja. Siitä puuttui lämpö ja satunnainen huumori, jotka olivat ominaisia omille vuorovaikutussuhteilleni. Palasin takaisin suunnittelupöydän ääreen ja tällä kertaa keskityin sisällyttämään esimerkkejä, jotka korostivat persoonallisuutta tiedon ohella.
Yksi odottamaton haaste oli opettaa chatbotille, milloin sanoa "en tiedä" – olennainen taito mille tahansa tekoälyjärjestelmälle. Minun piti erityisesti kouluttaa se tunnistamaan tietämyksensä rajat ja tarjoamaan selkeitä polkuja ihmisen tukeen tarvittaessa. Tämä edellytti negatiivisten esimerkkien ja reunatapausten luomista, joissa oikea vastaus oli eskaloida ongelmaa improvisoinnin sijaan.
Kolmen koulutuskerran jälkeen minulla oli vihdoin malli, joka läpäisi niin sanotun "keskiyön testin" – pystyisikö se käsittelemään kysymyksiä, joihin valvoin myöhään vastaamaan? Kun se onnistui kävelemään käyttäjän läpi API-todennusprosessimme samalla selkeydellä kuin minä käyttäisin, tiesin, että olimme pääsemässä eteenpäin.

Hienosteltu usein kysyttyjen kysymysten haun ja aidon keskusteluavustimen välinen ero on kontekstitietoisuus – kyky muistaa aiemmin sanottu ja rakentaa sen pohjalta. Tämä osoittautui yhdeksi koko projektin teknisesti haastavimmista puolista.

Ensimmäisessä toteutuksessani käytettiin yksinkertaista konteksti-ikkunaa, joka vain lisäsi muutaman viimeisimmän keskustelun jokaiseen uuteen kyselyyn. Tämä toimi perusjatkokysymyksissä, mutta epäonnistui nopeasti monimutkaisissa tilanteissa. Jos käyttäjä kysyi ominaisuudesta A, sitten ominaisuudesta B ja sitten jälleen jatkokysymyksen ominaisuudesta A, chatbot hämmentyi.

Lopulta toteutin kehittyneemmän konteksti-ikkunan, joka käytti useiden tekniikoiden yhdistelmää:

Liukuva konteksti-ikkuna, joka priorisoi viimeisimmät keskustelut, mutta säilytti myös tärkeät aikaisemmat tiedot
Entiteettien seuranta sen tunnistamiseksi, milloin käyttäjät palasivat aiemmin mainittuihin tuotteisiin tai ominaisuuksiin
Istunnon tilan hallinta sen seuraamiseksi, missä käyttäjät olivat monivaiheisissa prosesseissa, kuten tilin luomisessa

Läpimurto tapahtui, kun lisäsin relevanssipisteytyksen määrittääkseni, mitkä keskusteluhistorian osat olivat tärkeimpiä nykyisen kyselyn kannalta. Sen sijaan, että järjestelmä olisi sokkona sisällyttänyt mukaan N viimeisintä keskustelua, se arvioi nyt, mitkä keskustelun aiemmat osat liittyivät semanttisesti parhaiten uuteen kysymykseen.

Tämä vaikutti merkittävästi käyttäjien tyytyväisyyteen. Chatbot pystyi nyt käsittelemään luonnollisia keskusteluvirtoja, kuten: "Paljonko peruspaketti maksaa?" → "Mitä ominaisuuksia se sisältää?" → "Entä premium-paketti?" → "Onko siinä aiemmin mainitsemasi tiedostonjako-ominaisuus?". Ilman kontekstin menettämistä tai hämmennystä.
Oli erittäin tyydyttävää seurata käyttäjien vuorovaikutusta järjestelmän kanssa turhautumatta – he eivät sopeutuneet chatbotin rajoituksiin; chatbot sopeutui heidän luonnolliseen keskustelutyyliinsä.

Riippumatta siitä, kuinka hyvin koulutat malliasi, reunatapauksia ilmenee – usein tavoilla, joita et koskaan odottanut. Pian chatbotin julkaisemisen jälkeen sivustollani aloin nähdä kiehtovia ja toisinaan hulvattomia virhetiloja, jotka palauttivat minut takaisin suunnittelupöydän ääreen.

Yksi vierailija yritti 15 minuuttia saada chatbottini kirjoittamaan runon kyberturvallisuudesta (jostakin, joka ylittää sen käyttötarkoituksen). Toinen yritti käyttää sitä yleisenä ohjelmointiavustajana liittämällä koodinpätkiä ja pyytämällä virheenkorjausapua teknologioille, jotka eivät liittyneet lainkaan liiketoimintaani. Huolestuttavimpia olivat satunnaiset "hallusinaatiot" – tapaukset, joissa chatbot antoi itsevarmasti virheellistä tietoa tulkitsemalla dokumentaatiota väärin tai yleistämällä liikaa koulutusesimerkeistä.
Käsittelin näitä haasteita monitasoisella lähestymistavalla:

Ensinnäkin toteutin selkeämmät laajuusrajat järjestelmäkehotteessa ja kerroin mallille nimenomaisesti sen tarkoituksesta ja rajoituksista. Tämä vähensi käyttäjien yrityksiä käyttää sitä ei-toivottuihin tarkoituksiin.
Toiseksi lisäsin luotettavuuspisteytysmekanismin. Kun mallin tulos osoitti epävarmuuden merkkejä (kielellisten merkkien tai alhaisen ennusteluotettavuuden kautta), se kuittasi tämän epävarmuuden käyttäjälle sen sijaan, että esitti arvauksia faktoina. Kolmanneksi loin eskalointipolun selkeillä laukaisimilla. Tietyt aiheet tai käyttäjän turhautumisen havaitseminen saivat chatbotin tarjoamaan yhteyden suoraan minuun, mikä loi sujuvan tiedonsiirron.
Lopuksi loin palautesilmukan, jossa käyttäjät voivat merkitä ongelmallisia vastauksia, jotka lisättiin automaattisesti arviointijonoon. Tämä antoi minulle systemaattisen tavan tunnistaa ja korjata ongelmia sen sijaan, että olisin pelannut myyrän kanssa reunatapausten kanssa.
Ehkä arvokkain oppi tuli näiden reunatapausten analysoinnista: täydellinen chatbot ei ollut sellainen, joka ei koskaan tehnyt virheitä, vaan sellainen, joka käsitteli rajoituksensa tyylikkäästi ja tiesi, milloin ottaa ihminen mukaan. Tämä näkökulman muutos muutti tapaani arvioida menestystä ja ohjasi myöhempiä parannuksiani.

Teknisesti loistava chatbot kömpelöllä käyttöliittymällä on kuin Ferrari neliönmuotoisilla renkailla – kaikki teho menee hukkaan, jos käyttäjät eivät pysty käyttämään sitä mukavasti. Opin tämän kantapään kautta, kun alkuperäiset beta-testaajani valittivat kaikesta hitaista vasteajoista hämmentäviin keskustelukulkuihin.

Ensimmäinen rakentamani käyttöliittymä oli teknisesti toimiva, mutta tuntui steriililtä ja mekaaniselta. Käyttäjätestit paljastivat, että ihmiset epäröivät vuorovaikutusta sen kanssa – se ei yksinkertaisesti tuntunut kutsuvalta. Palasin suunnittelupöydän ääreen seuraavat periaatteet mielessäni:

Persoonallisuus on tärkeää: Lisäsin hienovaraisia suunnitteluelementtejä, jotka heijastivat chatbotin persoonallisuutta – ystävällinen avatar, ihmisen rytmejä jäljittelevät kirjoitusindikaattorit ja satunnaisia animaatioita, jotka antoivat sille eloisuuden tunteen menemättä kuitenkaan epämääräiseen laaksoon.

Asetin selkeät odotukset: Loin esittelyviestin, joka selitti selvästi, missä chatbot voisi auttaa ja sen rajoitukset, asettamalla käyttäjille asianmukaiset odotukset alusta alkaen.

Progressiivinen tiedonanto: Sen sijaan, että olisin ylikuormittanut käyttäjiä kaikilla vaihtoehdoilla etukäteen, toteutin järjestelmän, jossa chatbot ehdottaisi asiaankuuluvia jatkotoimia keskustelukontekstin perusteella. Mobiilikeskeinen suunnittelu: Nähtyäni, että yli 60 % käyttäjistäni käytti sivustoa mobiililaitteilla, suunnittelin chat-käyttöliittymän täysin uudelleen toimimaan moitteettomasti pienemmillä näytöillä – suuremmat kosketuskohteet, koko näytön chat-tila ja äänisyöttövaihtoehdot.

Visuaalinen palaute: Lisäsin hienovaraisia tilaindikaattoreita, jotta käyttäjät tiesivät aina, mitä tapahtui – "ajattiko chatbot", oliko yhteysongelmia vai oliko ihminen kytketty keskusteluun.
Yksi tietty käyttöliittymäelementti teki yllättävän eron: "selvennys"-painike, jota käyttäjät voivat napauttaa, jos he kokevat chatbotin ymmärtäneen heidät väärin. Tämä yksinkertainen ominaisuus paransi huomattavasti käyttäjätyytyväisyyttä, sillä se antoi heille selkeän etenemispolun, kun viestintä katkesi, sen sijaan, että heidän olisi pitänyt muotoilla kysymystään uudelleen alusta alkaen.

Ennen ja jälkeen -mittarit olivat silmiinpistäviä – keskustelun keskimääräinen pituus kasvoi 340 % ja chatbotin käyttöön palanneiden käyttäjien määrä kaksinkertaistui. Opetus oli selvä: teknisellä kyvykkyydellä on vähän merkitystä, jos ihmisen käyttöliittymä luo kitkaa.

Chatbot ei ole eristyksissä – ollakseen todella arvokas, sen on integroitava olemassa olevaan digitaaliseen ekosysteemiisi. Minun tapauksessani tämä tarkoitti sen yhdistämistä asiakastietokantaani, dokumentaatiojärjestelmääni ja tukipyyntöalustaan.

Alkuperäinen integraatio oli perus – chatbot pystyi hakemaan dokumentaatiota ja sillä oli vain luku -oikeus usein kysyttyihin kysymyksiin. Käyttäjät halusivat kuitenkin nopeasti lisää: "Voitteko tarkistaa tilaukseni tilan?" "Voitteko päivittää sähköpostiosoitteeni?" "Voitteko luoda minulle tukipyynnön?" Nämä pyynnöt olivat käyttäjän näkökulmasta täysin järkeviä, mutta vaativat syvempää järjestelmäintegraatiota.
Käytin mikropalvelulähestymistapaa luomalla erityisiä API-päätepisteitä, joihin chatbot voisi soittaa asianmukaisella todennuksella. Jokaisella integraatiolla oli omat turvallisuusnäkökohtansa. Vain luku -toimintoja, kuten tilauksen tilan tarkistamista, varten toteutin vahvistusprosessin, jossa käyttäjien oli annettava tilausnumerot ja niihin liittyvät sähköpostiosoitteet. Kirjoitustoimintoja, kuten tilitietojen päivittämistä, varten rakensin vankemman todennusvaiheen.
Yksi erityisen hyödyllinen integraatio oli tiketöintijärjestelmäni kanssa. Kun chatbotti havaitsi, ettei se pystynyt ratkaisemaan ongelmaa riittävästi, se tarjoutui luomaan tukipyynnön, joka oli esitäytetty keskusteluhistorialla (käyttäjän luvalla). Tämä tarkoitti, että kun lopulta vastasin tukipyyntöön, minulla oli täysi konteksti ilman, että käyttäjän tarvitsi toistaa itseään.

Integroinnit muuttivat chatbotin itsenäisestä kysymys- ja vastausjärjestelmästä todelliseksi liiketoiminta-avustajaksi. Yleisten ongelmien keskimääräinen ratkaisuaika laski 8 tunnista (odottaen sähköposteihin vastaamista) alle 3 minuuttiin. Ehkä tärkeämpää on, että käyttäjät raportoivat olevansa tyytyväisempiä silloinkin, kun chatbotti ei pystynyt ratkaisemaan heidän ongelmaansa kokonaan, yksinkertaisesti siksi, että se pystyi tarjoamaan välittömiä tilannepäivityksiä ja luomaan vastuuta tukipyyntöjärjestelmän kautta.

Oppitunti: chatbotin arvo moninkertaistuu, kun se voi hyödyntää olemassa olevia järjestelmiäsi ja suorittaa hyödyllisiä toimia käyttäjien puolesta, ei vain puhua heistä.

Mistä tiedät, onko chatbottisi todella onnistunut? Tämä kysymys osoittautui monimutkaisemmaksi kuin alun perin ajattelin. Raa'at käyttöluvut eivät kertoneet koko totuutta – usein käytetty chatbotti saattaa itse asiassa viitata huonoon verkkosivuston navigointiin pikemminkin kuin hyödylliseen avustajaan.

Otin käyttöön monipuolisen analytiikkalähestymistavan:

Keskustelumittarit: Seurasin valmistumisastetta (saivatko käyttäjät vastaukset kysymyksiinsä?), keskustelun pituutta, hylkäyspisteitä ja aiheiden jakautumista ymmärtääkseni, mihin ihmiset todellisuudessa käyttivät chatbottia.

Liiketoimintavaikutuksen mittarit: Mittasin yleisten kysymysten sähköpostimäärän vähenemistä, tukipyyntöjen torjunta-astetta (ongelmat ratkaistu ilman tikettien luomista) ja asiakaskyselyiden ratkaisuaikaa.

Käyttäjätyytyväisyys: Jokaisen keskustelun jälkeen käyttäjät saattoivat arvioida kokemustaan, ja analysoin näitä arvioita keskustelujen transkriptioita vasten tunnistaakseni positiivisten ja negatiivisten kokemusten kaavoja.

Tuottoihin vaikuttava vaikutus: Seurasin chatbotin kanssa vuorovaikutuksessa olleiden käyttäjien konversioasteita verrattuna niihin, jotka eivät olleet, erityisesti keskusteluissa, joissa chatbotti suositteli tiettyjä palveluita.
Data paljasti yllättäviä oivalluksia. Esimerkiksi chatbot ei ollut arvokkain yksinkertaisimpien kysymysten (joihin olisi voitu vastata paremmalla dokumentaatiolla) tai monimutkaisimpien kysymysten (jotka lopulta vaativat ihmisen puuttumista asiaan) kohdalla, vaan keskitien ongelmien ratkaisemisessa, jotka vaativat edestakaista selventämistä, mutta noudattivat vakiintuneita kaavoja.

Havaitsin myös, että chatbotin kanssa vuorovaikutuksessa olleet käyttäjät tilasivat 37 % todennäköisemmin premium-palveluita, ei välttämättä siksi, että chatbot olisi ollut loistava myyjä, vaan koska se vähensi kitkaa asiakaspolun tiedonkeruuvaiheessa.
Nämä mittarit ohjasivat parannussuunnitelmaani. Priorisoin parantaa alueita, joilla chatbot oli jo osoittautunut arvokkaaksi, sen sijaan, että olisin yrittänyt pakottaa sen tekemään kaiken. Kahden viikon välein tarkistin keskustelulokit, joissa käyttäjät ilmaisivat tyytymättömyyttään, tunnistin kaavoja ja toteutin kohdennettuja parannuksia – olipa kyse sitten lisäkoulutusdatasta, käyttökokemuksen hienosäädöistä tai uusista järjestelmäintegraatioista.
Tämä datalähtöinen lähestymistapa muutti chatbotin hienosta teknologiaprojektista aidoksi liiketoimintahyödykkeeksi, jolla on mitattavissa oleva sijoitetun pääoman tuottoprosentti.

Oman tekoälychatbotin rakentaminen on ollut jatkuvan löytämisen matka. Jälkikäteen ajateltuna tässä ovat tärkeimmät opit, jotka saattavat auttaa muita samankaltaisilla poluilla:
Aloita kapeasti, laajenna sitten: Onnistunein lähestymistapani oli keskittyä chatbotin suorittamaan muutamia asioita poikkeuksellisen hyvin ennen kuin laajensin sen ominaisuuksia. Alkuperäinen versio käsitteli vain perustuotekysymyksiä, mutta teki sen erittäin tarkasti.
Ihmisen ja tekoälyn välinen tiedonvaihto on kriittistä: Suunnittele sujuva eskalaatio alusta alkaen. Hetket, jolloin chatbottisi tunnistaa rajoituksensa ja siirtyy sujuvasti ihmisen tukeen, ovat aivan yhtä tärkeitä kuin kysymykset, joihin se voi vastata suoraan.
Panosta hyvään keskustelusuunnitteluun: Kehotteiden, harjoitusdatan ja keskusteluvirtojen laatu on tärkeämpää kuin raakamallin ominaisuudet. Hyvin suunniteltu järjestelmä, joka käyttää pienempää mallia, toimii usein paremmin kuin tehokas malli, jolla on huono ohjeistus.
Käyttäjät antavat anteeksi rajoitukset, mutta eivät hämmennystä: Käyttäjät ymmärsivät, milloin chatbot ei pystynyt tekemään jotain, mutta turhautuivat, kun se vaikutti hämmentyneeltä tai ristiriitaiselta. Selkeys ominaisuuksista osoittautui tärkeämmäksi kuin ominaisuuksien laajuus.
Turvallisuus- ja yksityisyysnäkökohdat kehittyvät: Kun chatbotista tuli entistä enemmän integroitu liiketoimintajärjestelmiin, turvallisuusnäkökohdista tuli yhä tärkeämpiä. Minun piti ottaa käyttöön asianmukaiset todennus-, tiedon minimointi- ja selkeät käyttäjien suostumusmekanismit.

Tulevaisuutta ajatellen tutkin useita jännittäviä suuntia:

Multimodaaliset ominaisuudet: Lisätään käyttäjille mahdollisuus ladata kuvakaappauksia tai valokuvia virheilmoituksista, ja chatbot tarjoaa visuaalista ohjausta vastineeksi.

Proaktiivinen avustus: Siirtyminen reaktiivisesta kysymys- ja vastausosiosta eteenpäin ja tunnistetaan tilanteet, joissa chatbot voi ennakoivasti tarjota apua käyttäjän käyttäytymisen perusteella.

Personointi: Keskusteluhistorian ja tilitietojen käyttäminen vastausten räätälöintiin palaaville käyttäjille, heidän asetustensa ja aiempien ongelmiensa muistaminen.

Äänikäyttöliittymä: Monet käyttäjät ovat ilmaisseet kiinnostuksensa puhua avustajalle kirjoittamisen sijaan, erityisesti mobiililaitteilla.

Tämän chatbotin rakentaminen on muuttanut paitsi liiketoimintaani myös ymmärrystäni ihmisen ja tietokoneen vuorovaikutuksesta. Teknologia kehittyy jatkuvasti nopeasti, mutta perusasiat pysyvät ennallaan: käyttäjien tarpeiden ymmärtäminen, harkittujen keskustelujen suunnittelu ja järjestelmien luominen, jotka tuntevat sekä omat kykynsä että rajoituksensa.

Jos harkitset oman chatbotin rakentamista, kannustan sinua tarttumaan toimeen. Aloita pienestä, keskity aitoihin käyttäjien tarpeisiin ja muista, että tavoitteena ei ole läpäistä Turingin testiä – tavoitteena on ratkaista oikeita ongelmia oikeille ihmisille. Menestyksekkäimmät tekoälyavustajat eivät ole niitä, jotka täydellisesti matkivat ihmisiä, vaan niitä, jotka lisäävät ihmisen kykyjä merkityksellisillä tavoilla.