Neljä askelta oman datan hyödyntämiseen – aloita koneoppimisen kokeilut ketterästi

Suunnittelupalaveri oli innostava. Koneoppiminen voisi tehostaa tuotantoa ja säästää merkittävästi aikaa. Kaikki nyökyttelivät hyväksyvästi. Mutta puoli vuotta myöhemmin projekti oli yhä kesken, eikä mitään konkreettista oltu saatu aikaan. Mitä meni pieleen?

Tämä on tavallinen tarina tekoälyhankkeissa. Idea liiketoiminnan lisäarvosta on hyvä, mutta toteutus tökkii. AI-konsulttien lupaukset jäävät puolitiehen. Miten tämän voisi välttää? Tässä artikkelissa käymme läpi neljä askelta, joiden avulla tekoälyn saa hyötykäyttöön  matalalla kynnyksellä.

Yhteenveto: Vie koneoppiminen puheista konkretiaan

• Valitse kerrallaan yksi ongelma, jonka ratkaisemisesta on aitoa liiketoiminnallista hyötyä
• Selvitä, mitä dataa ongelman ratkomiseksi on käytössäsi. Varmista, että se on laadultaan luotettavaa, ja valitsemasi koneoppimisen malli pystyy hyödyntämään sitä päätöksentekoon.
• Rajaa kokeilu huolella ja aloita mallin koulutus: testaa, opi ja kehitä. 
• Skaalaa harkiten ja mukauta uusiin käyttökohteisiin.

1. Aloita liiketoiminnan ongelmasta

Pahimmillaan AI-hanke on kuin hyppäisi itseajavan auton kyytiin antamatta sille ohjetta määränpäästä – teknologia näyttää suunnan ja saattaa herättää ihastusta matkustajissa, mutta kukaan ei tiedä, ollaanko oikealla reitillä vai päädytäänkö ojaan. 

Kuten Cinian Lead Data Scientist Teppo Ahonen totesi webinaarissa: "Olennaista on lähteä liikkeelle liiketoimintaongelmasta. Silloin AI muuttuu trendisanasta tehokkaaksi työkaluksi."

Sahateollisuuden automaatioratkaisuja tekevä Nordautomation keskittyi ensin sinne, missä ongelma oli selkein. Kehitysprojekti tarttui tarkkaan rajattuun ongelmaan: tukkien virheasentoihin linjastolla.

Mitä tehtiin käytännössä?

• Linjasto oli jo ennestään pitkälle automatisoitu erilaisilla sensoreilla, mutta tiettyjä ongelmatilanteita ei oltu saatu taklattua tutuilla keinoilla.
• Konenäköalgoritmi koulutettiin tunnistamaan poikittain hakeutuvat tukit, jotka aiheuttivat tukoksia.
• Käyttöön otettiin reaaliaikaisesti reagoiva hälytysjärjestelmä, jotta linjasto voitiin pysäyttää ennen ongelman eskaloitumista.

2. Tarkista datan laatu ennen mallien rakentamista

Koneoppimisen sovelluksilla viritetty prosessi voi olla olla kuin huippuunsa viritetty moottori, mutta ilman oikeanlaista polttoainetta sillä ei päästä pitkälle. 

Ahonen muistuttaa webinaarissa siitä, että kaiken AI-hehkutuksen takana on lopulta vain dataa ja laskentatehoa. Ja jos data ei ole kohdillaan, on lopputuloskin vain vähän sinne päin.

Ennen kuin aloitat mallien rakentelun, tarkista perusasiat. Kysy itseltäsi (tai vielä mieluummin, kysy data-asiantuntijalta):

1. Onko meillä tarpeeksi oikeanlaista ja käyttökelpoista dataa?
2. Sisältääkö data johdonmukaisesti tietoa vai onko siinä liikaa sattumanvaraisuutta?
3. Miten varmistamme, että dataa todella pystyy käyttämään päätöksenteossa, ja johtopäätöksistä on hyötyä arjen töissä?

Dataa on yleensä saatavilla yllin kyllin, mutta ilman selkeää strategiaa se ei muutu arvoksi. Tieto on siellä jossain, mutta sitä ei osata löytää tai hyödyntää.

Vinkki: Aloita pitämällä työpaja tai käynnistämällä pieni projekti, jossa dokumentoidaan nykyiset datalähteet ja niiden käyttötavat. Tämä voi jo itsessään tuoda "ahaa"-elämyksiä ja uusia käyttökohteita. Jos innostuit ajatuksesta, ota jo tässä vaiheessa yhteyttä meihin!

3. Testaa, opi ja kehitä 

Jos AI-hankkeesi kuitataan lauseella "tehdään tämä valmiiksi ja sitten se toimii", kannattaa pysähtyä. Mikään toimiva järjestelmä ei synny yhdellä rykäisyllä – ei tehdas, ei tuotantolinja, eikä tekoälyratkaisu. 

Nordautomation ei rakentanut konenäköjärjestelmää kerralla valmiiksi, vaan testasi ja kehitti sitä pienin, hallituin askelin.

• Ensimmäinen versio tunnisti tukkien tietyt virheasennot ja sitä testattiin rajatussa tuotantoympäristössä
• Palautteen perusteella algoritmia hiottiin, jotta se tunnistaisi entistä herkemmin poikkeamat
• Datan ja mallin jatkuva päivitys varmisti, että järjestelmä mukautui muuttuviin olosuhteisiin

Erilaiset hankkeet vaativat eri määrän iteraatiokierroksia. Vähintään pieneen viilaamiseen ja hiomiseen täytyy kuitenkin varautua aina.

"Koneoppimismallia varten on kerättävä ensin dataa, jolla saavutetaan tietty tarkkuuden taso. Sen jälkeen kerätään lisää dataa, jonka avulla mallia päivitetään entistä paremmaksi", Ahonen selvittää.

4. Skaalaa onnistumisten pohjalta – erityisen helposti se käy pilvessä

Kun AI-ratkaisu toimii yhdessä kohdassa tuotantoprosessia, ei se välttämättä toimi sellaisenaan toisessa kohdassa. Pullonkaulat voivat näyttää äkkiseltään samanlaisilta, mutta niiden ratkominen voi vaatia esimerkiksi keskenään hyvin erilaisten datapisteiden analysointia.

Koneoppimisen algoritmien kanssa voi onneksi viedä tekemistä uusiin sovelluskohteisiin yksinkertaisillakin mallien mukautuksilla. 

Ahonen kiteyttää: "Kun jokin AI-sovellus toimii hyvin, sitä kannattaa laajentaa uusiin kohteisiin sen sijaan, että aloitetaan aina nollasta."

Skaalautuvuus on yksi merkittävimmistä eduista, kun koneoppimisen kokeiluprojekteja viedään läpi pilven natiivien AI-työkalujen avulla. Pilviympäristössä voit säätää laskentakapasiteettia nopeasti ja automaattisesti ja saat uudet mallit käyttöön ilman raskaita muutoksia IT-infraan. 

Ketterät kokeilut oman datan hyödyntämiseksi onnistuvat silti ympäristöstä riippumatta, kunhan ideassa on järkeä, laatu on kohdillaan ja tekemistä ohjaavat selkeät tavoitteet.

Tunnista tekoälyn mahdollisuudet liiketoiminnassasi ja lisää kilpailukykyä koneoppimisella. Löydät kaikki Arvoa AI:sta -webinaarit tältä sivulta!