Edellisessä osassa sarjaamme vastasimme kysymykseen, milloin tekoäly voi toimia itsenäisesti ja milloin se tarvitsee ihmisen.
Näytimme, että autonomian taso tulisi määrittää muun muassa seuraavien perusteella:
- riski,
- virheen kustannus,
- päätöksen palautettavuus,
- vaikutus ihmisiin,
- datan laatu,
- järjestelmän monitoroitavuus.
Tiedämme myös, että ihmisen lisääminen prosessiin ei yksin takaa turvallisuutta.
Voidaan nimittäin asettaa työntekijä hyväksymään tekoälyn päätökset, mutta antaa hänelle liian vähän aikaa niiden analysointiin. Voidaan vaatia hyväksyntää, mutta olla näyttämättä, miksi järjestelmä teki tietyn päätöksen. Voidaan rakentaa järjestelmä, joka toimii oikein vuoden ajan ja alkaa sitten tuottaa virheellisiä tuloksia datan, käyttäytymisen tai markkinaolosuhteiden muuttuessa.
Siksi jossain vaiheessa esiin nousee paljon suurempi kysymys kuin: "Toimiiko tekoäly oikein?"
Kysymys kuuluu: "Pystyykö organisaatio kontrolloimaan käyttöönotettua tekoälyä?"
Ja juuri tähän vastaa AI Governance.
Mitä AI Governance on?
AI Governancen voi yksinkertaisesti määritellä organisaation sääntöjen, prosessien, vastuuroolien ja kontrollimekanismien kokonaisuudeksi, joka koskee tekoälyn käyttöä.
Se ei ole yksi dokumentti. Se ei ole yksi proseduuri. Se ei myöskään rajoitu ainoastaan juridisiin kysymyksiin.
Kypsä AI Governance kattaa useita alueita:
- tekoälystrategian,
- turvallisuuden,
- datansuojan,
- riskienhallinnan,
- säädösten noudattamisen,
- vastuullisuuden,
- mallien monitoroinnin,
- käyttöoikeuksien hallinnan,
- auditoinnin,
- muutosten hallinnan,
- poikkeamien käsittelyn.
Voidaan siis sanoa, että AI Governance vastaa kysymykseen: "Miten varmistamme, että tekoäly toimii organisaation tavoitteiden, voimassa olevien sääntöjen ja hyväksyttävän riskitason mukaisesti?"
Tämä on erityisen tärkeää, kun tekoäly ei enää ole yksittäinen työkalu työntekijän käytössä, vaan osa liiketoimintaprosesseja.
AI Governance ei ole innovaatioiden jarru
Yksi yleisimmistä väärinymmärryksistä on nähdä governance byrokratiana.
Tällöin pelätään: "Jos luomme liikaa sääntöjä, kukaan ei halua ottaa tekoälyä käyttöön."
Ongelma on, että sääntöjen puuttumisella on myös hintansa.
Kuvitellaan yritys, jossa:
- jokainen työntekijä voi käyttää mitä tahansa tekoälytyökalua,
- kukaan ei tiedä, mitä dataa malleihin syötetään,
- ei tiedetä, mitkä prosessit ovat automatisoituja,
- ei ole luetteloa käytetyistä malleista,
- kukaan ei seuraa tuloksia,
- kukaan ei ole vastuussa virheistä.
Aluksi kaikki saattaa toimia hyvin — kunnes tapahtuu jotain odottamatonta.
AI Governancen ei siis pitäisi estää tekoälyä. Sen tulisi luoda turvallinen kehys, jossa tekoäly voi kehittyä nopeammin.
Hyvin suunniteltu governance vastaa esimerkiksi seuraaviin kysymyksiin:
- mitä voimme tehdä,
- mitä emme voi tehdä,
- kuka tekee päätökset,
- kuka vastaa järjestelmästä,
- miten seuraamme riskejä,
- mitä teemme, jos jokin menee pieleen.
Se ei ole jarru. Se on turvavyö.
Kuka on vastuussa tekoälyn päätöksistä?
Tämä on yksi vaikeimmista kysymyksistä.
Oletetaan, että tekoäly suosittelee asiakkaan hakemuksen hylkäämistä. Kuka on vastuussa tästä päätöksestä? Ohjelmoija? Mallin toimittaja? Järjestelmän käyttöönottoyritys? Henkilö, joka hyväksyi suosituksen? Prosessista vastaava manageri? Tai ehkä johto?
Vastaus ei aina ole yksinkertainen...
Siksi vastuu pitää määrittää ennen järjestelmän käyttöönottoa, ei vasta ongelman ilmettyä.
Käytännössä organisaation tulisi selkeästi määrittää esimerkiksi:
- kuka on prosessin omistaja,
- kuka on järjestelmän omistaja,
- kuka vastaa datasta,
- kuka vastaa mallista,
- kuka hyväksyy muutokset,
- kuka seuraa toimintaa,
- kuka voi pysäyttää järjestelmän,
- kuka tekee päätökset hätätilanteessa.
Monimutkaisissa tekoälyjärjestelmissä ei riitä sanoa: "Tekoäly teki sen."
Tekoäly ei ole vastuullinen prosessin osapuoli. Vastuu jää ihmisille ja organisaatiolle.
AI Governance alkaa inventaariosta
Yksi ensimmäisistä askelista on luoda AI Inventory, eli rekisteri organisaation käyttämistä tekoälyjärjestelmistä ja -sovelluksista.
Kuulostaa itsestäänselvältä — mutta monissa yrityksissä se voi osoittautua yllättävän vaikeaksi.
Työntekijät käyttävät muun muassa:
- ChatGPT:tä,
- sisällöngenerointityökaluja,
- tekoälyä CRM-järjestelmissä,
- asiakirja-analyysityökaluja,
- ohjelmointiassistenteja,
- automaatioita,
- tekoälyagentteja.
Osa näistä ratkaisuista voi olla virallisesti yrityksen ottamia käyttöön; toisia työntekijät käyttävät ilman organisaation tietoisuutta.
Tätä ilmiötä kutsutaan usein Shadow AI:ksi.
Shadow AI — kun tekoäly toimii yrityksen hallinnan ulkopuolella
Shadow AI on analoginen aiemmin tunnetulle käsitteelle Shadow IT. Työntekijä löytää työkalun, joka auttaa häntä tekemään työt nopeammin, ja alkaa käyttää sitä.
Kukaan ei tarkista esimerkiksi:
- mitä dataa lähetetään,
- missä dataa käsitellään,
- kuka pääsee siihen käsiksi,
- kuinka kauan sitä säilytetään,
- voidaanko tietoja käyttää mallien kouluttamiseen.
Työntekijän näkökulmasta kaikki näyttää mainiolta. Organisaation näkökulmasta voi syntyä merkittäviä riskejä.
Siksi tekoälyn käyttökiellot eivät aina ole paras ratkaisu. Parempi lähestymistapa on luoda selkeät säännöt.
Työntekijän tulisi tietää esimerkiksi:
- mitä työkaluja hän voi käyttää,
- mitä dataa ei saa lähettää,
- milloin vaaditaan hyväksyntä,
- mitkä ratkaisut yritys suosittelee.
On parempi luoda turvallinen reitti tekoälyn käyttöön kuin teeskennellä, ettei työntekijät käytä sitä.
Data — vastuullisen tekoälyn perusta
Governancesta ei voi puhua ilman datakeskustelua. Järjestelmä voi olla teknisesti erinomainen.
Mutta jos data on:
- virheellistä,
- vanhentunutta,
- puutteellista,
- epäyhtenäistä,
- huonosti kuvailevaa,
myös järjestelmän tulokset voivat olla ongelmallisia.
Organisaation tulisi siis määrittää selkeät säännöt muun muassa:
- datan lähteistä,
- datan laadusta,
- käyttöoikeuksista,
- säilytyksestä,
- säilytysajasta,
- poistosta,
- anonymisoinnista,
- pseudonymisoinnista,
- datan käyttövalvonnasta.
Erityisen tärkeää on henkilötietojen suojaaminen.
Kaikki yrityksen tiedot eivät välttämättä saa mennä tekoälymalliin.
Ja vaikka tietoja voi käsitellä, on tiedettävä esimerkiksi:
- miksi?
- millä perusteella?
- miten?
- kuinka kauan?
- kuka pääsee siihen käsiksi?
Siksi tekoälyn käyttöönotto tulisi suunnitella yhteistyössä teknisten, liiketoiminta-, oikeus- ja turvallisuusosastojen kanssa.
AI Act — miksi yritysten tulisi olla kiinnostuneita siitä?
Euroopan unionissa tekoälyn kehitys on myös sääntelyn kohteena.
Merkittävin esimerkki on AI Act, eli EU:n tekoälyasetus. Yksi keskeinen osa on järjestelmien luokittelu riskitason mukaan.
Yksinkertaistettuna voidaan puhua esimerkiksi:
- järjestelmistä, jotka aiheuttavat sietämättömiä riskejä,
- korkean riskin järjestelmistä,
- järjestelmistä, joihin liittyy läpinäkyvyysvelvoitteita,
- järjestelmistä, joilla on rajattu tai vähäinen riski.
Tämä ei tarkoita, että jokaisen yrityksen pitäisi rakentaa valtava compliance-osasto.
Se tarkoittaa kuitenkin, että organisaatioiden tulisi tietää, minkälaisia AI-järjestelmiä ne käyttävät ja millaisia velvoitteita niihin voi liittyä.
On hyvä muistaa myös, että sääntely koskee usein enemmän kuin pelkkää mallia — merkitystä voi olla myös tekoälyn käyttötarkoituksella.
Sama malli voi tuottaa tuotetiedotteen tai tukea prosessia, joka vaikuttaa ihmisoikeuksiin. Teknologia on sama, mutta riski täysin erilainen.
Siksi governance keskittyy ensisijaisesti järjestelmän käyttötapaukseen, ei vain sen nimeen tai toimittajaan.
Explainable AI — miksi järjestelmän tulee osata selittää itsensä?
Kun tekoäly tekee päätöksiä, joilla on vaikutusta liiketoimintaan tai ihmisiin, luonnollinen kysymys on: "Miksi?"
Miksi järjestelmä merkitsi tapahtuman epäilyttäväksi?
Miksi se hylkäsi asiakirjan?
Miksi se ehdotti tiettyä hintaa?
Miksi se ohjasi asiakkaan tiettyyn prosessiin?
Tässä astuu kuvaan Explainable AI (XAI). Se on menetelmien ja lähestymistapojen kokoelma, joka auttaa ymmärtämään, miten malli päätyi tiettyyn tulokseen. Se ei aina tarkoita koko mallin sisäisen logiikan paljastamista.
Toisinaan riittää selittää esimerkiksi:
- tulokseen vaikuttavat keskeiset tekijät,
- analyysissä käytetty data,
- varmuustaso,
- tärkeimmät perusteet,
- vaihtoehtoiset skenaariot.
Liiketoimintakäyttäjälle usein nämä selitykset ovat tärkeämpiä kuin tekninen malliseloste.
Lokitus — tekoälyjärjestelmän muisti
Jos tekoäly tekee päätöksiä, organisaation pitää pystyä jäljittämään, mitä tapahtui. Siksi lokitus on niin tärkeää.
Riippuen järjestelmästä kannattaa kirjata esimerkiksi:
- milloin operaatio tehtiin,
- mitä mallia käytettiin,
- mikä malliversio oli käynnissä,
- mitkä lähtötiedot käytettiin,
- mikä tulos tuotettiin,
- mikä päätös tehtiin,
- hyväksyikö ihminen tuloksen,
- muutettiinko päätöstä,
- kuka teki muutoksen.
Tämä mahdollistaa kysymykseen vastaamisen: "Mitä tarkalleen tapahtui järjestelmässä?"
Ilman riittävää lokitusta incidentin analyysi voi olla hyvin vaikeaa — autonomisissa järjestelmissä jopa mahdotonta.
Monitorointi — tekoäly ei ole "aseta ja unohda" -ratkaisu
Yksi tärkeimmistä osista kokonaisuutta on monitorointi.
Malli voi toimia oikein käyttöönottohetkellä. Se ei takaa hyvää toimintaa vuoden päästä.
Muuttuvat esimerkiksi:
- data,
- käyttäjien käyttäytyminen,
- markkinaolosuhteet,
- tuotteet,
- prosessit,
- lainsäädäntö.
Myös järjestelmän toimintatapaan voi tulla muutoksia. Siksi on seurattava sekä teknistä infrastruktuuria että päätösten laatua.
Sovelluksesta riippuen kannattaa seurata esimerkiksi:
- tarkkuutta,
- virheiden määrää,
- varmuustasoa,
- päätösten osuutta, jotka lähetetään ihmiselle,
- ihmisen interventioiden määrää,
- valitusten määrää,
- eroja tekoälyn suosituksen ja asiantuntijan päätöksen välillä.
Jos ihminen yhtäkkiä alkaa hylätä 40 % tekoälyn suosituksista aiemman 5 % sijaan, se voi olla merkki muutoksesta.
Malli toimii teknisesti. Mutta sen liiketoiminnallinen laatu ei välttämättä enää täytä vaatimuksia.
Model Drift — kun maailma muuttuu nopeammin kuin malli
Tärkeä ongelma on model drift, eli mallin suorituskyvyn heikkeneminen datan tai ympäristön muutosten vuoksi.
Esimerkki?
Malli ennustaa tuotteiden kysyntää viimeisen viiden vuoden datan perusteella.
Yhtäkkiä kuluttajakäyttäytyminen muuttuu.
Uusi trendi nousee esiin.
Taloustilanne muuttuu.
Malli käyttää edelleen historiallisia kaavoja.
Ongelma on, että maailma ei enää näytä samalta kuin aiemmin.
Tekoäly ei "tiedä", että todellisuus on muuttunut.
Siksi järjestelmää pitää seurata ja malleja arvioida ja päivittää tarvittaessa.
Guardrails — rajat, joita tekoäly ei saa ylittää
Edellisessä osassa mainitsimme guardrailsit. AI Governancen kontekstissa niiden merkitys on vielä suurempi.
Guardrailsit voivat määrittää muun muassa:
- minkä dataa tekoäly voi käyttää,
- mitä toimintoja se voi suorittaa,
- mitä se ei saa tehdä,
- mitä arvoja se voi muuttaa,
- milloin ihmisen hyväksyntä vaaditaan,
- milloin järjestelmän täytyy pysähtyä.
Esimerkiksi tekoälyagentilla, jolla on pääsy tilausjärjestelmään, voidaan antaa oikeus tarkistaa saatavuutta ja valmistella tilaus, mutta se ei saa itsenäisesti hyväksyä yli 10 000 zlotyn ostoksia. Ylittäessäsi rajat tapa siirretään ihmisen käsiteltäväksi.
Tämä on esimerkki hyvin suunnitellusta autonomian rajasta.
Kill Switch — järjestelmässä täytyy olla STOP-painike
Kuulostaa ilmeiseltä. Mutta se on äärimmäisen tärkeää.
Jokaisessa autonomisessa järjestelmässä tulisi olla hätäpysäytys.
Jos esimerkiksi:
- malli alkaa tehdä virheellisiä päätöksiä,
- järjestelmä suorittaa poikkeavia operaatioita,
- turvallisuuspoikkeama ilmenee,
- lähtödata on virheellistä,
organisaation tulisi pystyä pysäyttämään järjestelmä. Ei huomenna, ei tukipyyntöä odottaen — välittömästi.
Riippuen arkkitehtuurista tämä voi tarkoittaa esimerkiksi:
- agentin sammuttamista,
- työkalujen pääsyn estämistä,
- workflowin pysäyttämistä,
- siirtymistä manuaalitilaan,
- palauttamista aiempaan versioon.
Autonomia ilman pysäytysmekanismia on erittäin riskialtista.
Incident Response tekoälylle
Organisaatiot ovat jo vuosia rakentaneet proseduureja järjestelmäkatkos- ja vikatilanteiden varalle.
Tekoälyn tapauksessa tarvitsemme lisäksi skenaarioita mallien virheellisten päätösten varalle.
Mitä teemme, jos esimerkiksi:
- tekoäly alkaa tuottaa vääriä suosituksia?
- agentti suorittaa virheellisiä toimintoja?
- malli alkaa näyttää ei-toivottuja käyttäytymismalleja?
- lähtödatan laatu on heikentynyt?
- järjestelmä rikkoo asetettuja sääntöjä?
Tulee olla selkeä prosessi: havaitse — pysäytä — analysoi — korjaa — palauta — seuraa
Tämä on erityisen tärkeää autonomisille järjestelmille.
Kuka organisaatiossa vastaa tekoälystä?
Yhtä ainoaa oikeaa vastausta ei ole.
Organisaation koosta riippuen mukana voi olla esimerkiksi:
- hallitus,
- CTO,
- CIO,
- CISO,
- lakiosasto,
- compliance,
- Data Protection Officer,
- prosessinomistajat,
- IT-tiimit,
- data scientists,
- ML-insinöörit,
- product managerit,
- liiketoiminnan käyttäjät.
Tärkeää on, ettei vastuu hämärty.
"Tekoäly kuuluu kaikille" tarkoittaa käytännössä usein: "Kukaan ei ole vastuussa siitä."
Siksi jokaisella merkittävällä AI-hankkeella tulisi olla selkeä omistaja.
RACI-malli AI-järjestelmille
Hyvä työkalu voi olla klassinen RACI-malli.
Se auttaa määrittelemään esimerkiksi:
Responsible - kuka toteuttaa tehtävän?
Accountable - kuka kantaa lopullisen vastuun?
Consulted - ketä tulee kuulla?
Informed - ketä tulee tiedottaa?
Esimerkiksi asiakaspalvelua tukevan AI-järjestelmän tapauksessa:
- IT vastaa infrastruktuurista,
- data-tiimi datasta,
- prosessinomistaja siitä, miten AI:tä käytetään,
- compliance arvioi sääntelyvaatimukset,
- liiketoiminta hyväksyy ratkaisun.
Näin ongelmatilanteessa tiedetään, kuka reagoi.
AI Governance pienessä yrityksessä
AI Governance ei tarkoita suurten toimikuntien perustamista.
Pieni yritys voi aloittaa muutamilla yksinkertaisilla elementeillä:
1. Lista AI-työkaluista
Tieto siitä, mitä käytetään.
2. Datan käyttöä koskevat säännöt
Tiedetään, mitä ei saa lähettää ulkopuolisille työkaluillle.
3. Riskiluokitus
Määritellään, mitkä käyttötapaukset ovat matalan, keskitason ja korkean riskin luokkaa.
4. AI-omistaja
Nimetään henkilö koordinaatioon.
5. Human-in-the-Loop -säännöt
Määritellään, milloin ihminen tarvitaan päätökseen.
6. Monitorointi
Tarkistetaan, toimiko järjestelmä edelleen odotetusti.
Tämä on jo paljon.
Tärkeintä on tietoisuus.
AI Governance suuryrityksessä
Suurissa organisaatioissa tilanne on monimutkaisempi.
Saatetaan tarvita muun muassa:
- AI Governance Board,
- mallirekisteri,
- riskiluokitus,
- prosessi uusien käyttötapausten hyväksymiselle,
- datapolitiikka,
- mallien monitorointi,
- auditoinnit,
- poikkeamaprosessit,
- käyttöoikeuksien hallinta,
- toimittajahallinta,
- säännölliset tarkastukset.
Suurissa organisaatioissa governance tulisi myös integroida olemassa oleviin prosesseihin:
- IT Governance,
- Security Governance,
- Data Governance,
- Risk Management,
- Compliance.
Tekoäly ei toimi tyhjiössä.
Se on osa laajempaa organisaation hallintajärjestelmää.
Yleisimmät virheet AI Governance -työssä
Virhe 1 — governance tulee vasta käyttöönoton jälkeen
Ensin otetaan tekoäly käyttöön.
Myöhemmin mietitään, kuka on vastuussa.
Tämä on väärä järjestys.
Virhe 2 — governance rajoittuu dokumenttiin
AI-politiikka itsessään ei ratkaise ongelmia.
Jos kukaan ei noudata sitä, se on vain paperia.
Virhe 3 — vastuu annetaan pelkästään IT:lle
Tekoäly vaikuttaa liiketoimintaan, lakiin, turvallisuuteen ja ihmisiin.
Sitä ei voi käsitellä vain teknisen osaston asiana.
Virhe 4 — monitoroinnin puute
Malli otettiin käyttöön.
Sitten kaikki unohtivat sen.
Vuoden jälkeen järjestelmä toimii täysin eri tavalla kuin alussa.
Virhe 5 — ei mahdollisuutta pysäyttää tekoälyä
Jos järjestelmä toimii autonomisesti mutta sitä ei voida nopeasti pysäyttää, organisaatio ei hallitse sitä.
Käytännön tarkistuslista AI Governanceen
Pitäisikö organisaation olla esimerkiksi:
☐ rekisteri käytetyistä AI-järjestelmistä,
☐ selkeä omistaja jokaiselle merkittävälle järjestelmälle,
☐ riskitason luokitus,
☐ datan käyttöä koskevat säännöt,
☐ AI-käyttöpolitiikka,
☐ Shadow AI -säännöt,
☐ käyttöoikeuksien kontrollimekanismit,
☐ järjestelmätoimintojen lokitus,
☐ laadun monitorointi,
☐ poikkeamien käsittelyprosessi,
☐ mahdollisuus pysäyttää järjestelmä,
☐ Human-in-the-Loop -säännöt,
☐ säännölliset mallien tarkastukset,
☐ sääntelyvaatimusten arviointi,
☐ selkeät vastuuroolit.
Jos suurin osa vastauksista on "ei", yrityksellä ei todennäköisesti ole kypsää AI Governancea.
Sanasto
AI Governance
Sääntöjen, prosessien, vastuuroolien ja kontrollimekanismien kokonaisuus, joka koskee tekoälyn suunnittelua, käyttöönottoa ja käyttöä.
Shadow AI
Ei-formaali tai luvaton työntekijöiden käyttämä tekoälytyökalujen käyttö organisaation hallinnan ulkopuolella.
AI Inventory
Rekisteri organisaation käyttämistä järjestelmistä, malleista ja AI-sovelluksista.
Model Drift
Mallin suorituskyvyn heikkeneminen datan tai ympäristön muutosten vuoksi, joissa malli toimii.
Explainable AI (XAI)
Lähestymistavat ja menetelmät, jotka mahdollistavat paremman ymmärryksen tekijöistä, jotka vaikuttavat AI-mallien tuloksiin.
AI Audit
Arvio AI-järjestelmän toiminnasta, turvallisuudesta, vaatimustenmukaisuudesta, datan laadusta, riskeistä ja asetettujen vaatimusten täyttymisestä.
Guardrails
Rajoituksia, jotka määrittelevät, mitä tekoälyjärjestelmä saa ja ei saa tehdä.
Kill Switch
Mekanismi, joka mahdollistaa järjestelmän nopean pysäyttämisen tai toiminnan rajaamisen hätätilanteessa.
AI Incident
Tekoälyjärjestelmään liittyvä tapahtuma, joka voi johtaa virheisiin, turvallisuusloukkauksiin, vaatimustenmukaisuuden rikkomuksiin tai muihin ei-toivottuihin seurauksiin.
Tärkein johtopäätös
Human-in-the-Loop kertoo meille: "Ihmisen tulee pysyä osana prosessia."
AI Governance vie asian pidemmälle.
Se sanoo: "Organisaation on tiedettävä, miten prosessia hallitaan."
Tämä on perustavanlaatuinen ero.
Voimme rakentaa edistyneimmän tekoälyagentin. Voimme antaa sille pääsyn järjestelmiin. Voimme sallia sen suunnitella ja suorittaa toimenpiteitä.
Mutta jos emme tiedä esimerkiksi:
- mitä se tekee,
- miksi se tekee niin,
- kuka on vastuussa,
- millä datalla se toimii,
- milloin se alkaa erehtyä,
- miten se pysäytetään,
emme ole luoneet älykästä järjestelmää — olemme luoneet järjestelmän, jota emme pysty kontrolloimaan.
Maailmassa, jossa agentit ovat yhä autonomisempia, juuri kontrolli voi muodostua yhdeksi organisaation tärkeimmistä kilpailueduista.
Viimeisessä, neljännessä osassa sarjaa siirrymme periaatteista arkkitehtuuriin.
Näytämme, miltä tekoälyjärjestelmä voi näyttää, kun se on suunniteltu turvallisuuden, kontrollin ja vastuullisuuden näkökulmasta — mallista ja agentista päätöskerrokseen ja liikereglaasioihin, aina workflow’hun, monitorointiin, ihmisen ylikirjoitukseen ja hätämekanismeihin.
Loppujen lopuksi tärkein kysymys ei ole: "Pystymmekö rakentamaan autonomisen tekoälyagentin?"
Tänään yhä useammin pystymme siihen.
Kysymys kuuluu: "Pystymmekö rakentamaan sellaisen agentin, jota hallitsemme edelleen?"
