Ratkaisut

Aiwon palveluiden avulla voit kokeilla nopeasti ja kustannustehokkaasti koneoppimisen hyödyntämistä osana liiketoimintaasi. Palvelumme kattavat vaativat koneoppimisen toteutusprojektit, jatkuvat palvelut sekä ylläpidon ja tukipalvelut.

Ainutlaatuinen kokemus

Aiwo yhdistää vahvan kokemuksen data-analytiikasta ja koneoppimisesta tietojärjestelmäkehitykseen tarjoten asiakkaalle ainutlaatuisen osaamisen ja työkalut koneoppimisen nopeaan sekä kustannustehokkaaseen käyttöönottoon. Aiwon palvelualustalla pystymme tarjoamaan nopean tavan todistaa koneoppimisen liiketoimintahyödyt ja varmistamaan, että käytettävissä olevat datalähteet soveltuvat liiketoimintatarpeen tyydyttämiseen sekä viemään ratkaisut kestävästi tuotantoon.

Aiwon ratkaisuilla saavutat

  • Nopeat kokeilut: havainnoi ja mittaa koneoppimisen tarjoamat liiketoimintahyödyt nopealla kokeilulla
  • Time to market: analytiikan ja koneoppimismallinnuksen integraatio tietojärjestelmäkehitykseen varmistaa ratkaisujen tuotantokelpoisuuden ja helpottaa käyttöönottoa
  • Kestävät ratkaisut: palvelualustalla varmistetaan koneoppimisratkaisun tarkkuus ja tehokkuus myös muuttuvissa olosuhteissa

Aiwon toimintamalli perustuu asiakkaan liiketoimintatarpeen ymmärtämiseen ja tilanteeseen soveltuvien koneoppimisen työkalujen tunnistamiseen sekä hyödyntämiseen. Yleensä ratkaisun kehitys käynnistetään kokeiluvaiheella, jonka jälkeen jatketaan toteutusprojektin kautta tuotantokäyttöön ja jatkuviin palveluihin.

Kokeilut

Koneoppimisratkaisun kehitys käynnistyy 2-8 viikon kokeiluvaiheella, proof of concept -projektilla, jonka lopputuloksena asiakas saa varmuuden koneoppimisen tarjoamista hyödyistä omalle liiketoiminnalleen. Kokeilun aikana liiketoimintatarve tarkennetaan, määritellään käytettävissä olevat datalähteet sekä varmistetaan koneoppimismallinnuksen soveltuvuus liiketoimintaan. Projektin lopputuotoksena voi syntyä jo toimiva palvelu ja vähintäänkin ymmärrys koneoppimisen soveltumisesta liiketoimintatarpeiden tyydyttämiseen.

Kokeiluvaiheen tärkeimpänä tavoitteena on tarkentaa liiketoimintatarve ja varmistaa koneoppimisen soveltuvuus liiketoimintaan. Oleellisena osana tätä prosessia on metriikoiden määrittäminen sekä liiketoiminnan että koneoppimisen näkökulmasta. Hyvin valitut metriikat osoittavat koneoppimisen konkreettiset liiketoimintahyödyt ja ohjaavat koneoppimismallinnusta aina kokeiluista tuotantokäyttöön.

Käytettävissä olevan datan sisältämät mahdollisuudet tunnistetaan yhdessä asiakkaan kanssa heti projektin alkuvaiheessa. Tämän vuoksi kokeiluprojektin ensimmäinen työvaihe on datan kerääminen sekä analysointi tunnusluvuin ja visualisoinnein. Kun ymmärrys liiketoiminnasta ja datan rakenteesta on saatu yhdistettyä ja edellytykset koneoppimisen hyödyntämiselle on varmistettu, aloitetaan datan muokkausvaihe valituille koneoppimisalgoritmeille soveltuvaan muotoon. Datan prosessointi raakadatasta mallinnusdataksi sekä varsinainen koneoppimismallinnus suunnitellaan tuotantolähtöisesti, jolloin tuotannossa mahdollisesti vastaantulevat ongelmat havaitaan jo hyvissä ajoin.

Kokeiluprojektissa koneoppimismallinnuksen tavoitteena on määritellä ongelmaan parhaiten soveltuva mallinnusmenetelmä sekä optimoida valitun mallin rakenne. Koneoppimismallinnukseen kuuluu myös tarvittavien datan rikastamiseen ja jalostamiseen liittyvien toimenpiteiden havaitseminen, joiden avulla mallin tarkkuutta saadaan parannettua. Kokeiluprojektin päätteeksi tiedämme, mitä konkreettista hyötyä koneoppimisen keinoin on saavutettavissa, tunnemme datan rakenteen sekä ymmärrämme, kuinka datan prosessointi tuotantotilanteessa tapahtuu.

Toteutusprojektit

Kun koneoppimisen liiketoimintahyödyt on todettu ja koneoppimisen on varmistettu olevan tehokas tapa ratkaista kyseinen tarve, jatketaan kohti tuotantokäyttöä ja toteutetaan käyttöönoton aloittamiseksi tarvittavat toimenpiteet. Yksinkertaisimmillaan kyse voi olla koneoppimismallin tulosten julkaiseminen analytiikkatyökalulla, mutta yleensä koneoppiminen integroidaan osaksi olemassa olevia järjestelmiä tai julkaistaan erillisenä liiketoimintasovelluksena käyttäjille.

Käyttöönottoprojektissa huomioidaan yleensä seuraavat seikat:

  • Datan hallinta ja integraatio: kuinka data tuodaan koneoppimisratkaisuun ja kuinka datan elinkaarta hallitaan, jos dataa ei käytetä suoraan olemassa olevasta datalähteestä?
  • Koneoppimismallien kehitys tuotantoon: tarvitseeko kokeiluvaiheen mallia laajentaa opettamalla esimerkiksi laajemmalla datalla tai tuomalla uusia datalähteitä tukemaan mallin oppimista?
  • Koneoppimismallien julkaisu: kehitetty malli julkaistaan tuotantokäyttöön siten, että se on vikasietoinen ja suorituskykyinen jatkuvassa käytössä.
  • Jatkuvan oppimisen mallit: kuinka koneoppiminen pidetään ajantasaisena tuotantokäytössä? Tehdäänkö mallien uudelleen koulutusta jatkuvasti vai vain tarvittaessa?
  • Integraatioiden ja sovellusten toteutus: koneoppimisen tulosten hyödyntäminen integraation tai erillisen sovelluksen kautta toteutetaan osana käyttöönottoprojektia.

Jatkuvat palvelut ja tuki

Aiwon jatkuvilla palveluilla varmistat koneoppimisratkaisun toimintavarmuuden ja tehokkuuden koko elinkaaren ajan.

  • Jatkokehitys: palveluiden jatkokehitys ja laajentaminen on oleellinen osa liiketoimintaetua tuovien ratkaisujen elinkaarta eivätkä koneoppimisratkaisut ole poikkeus
  • Aiwon tuotekehitys: jatkuvien palveluiden puitteissa pääset hyötymään Aiwon tuotekehityksen uusimmista ratkaisuista ja ne voidaan ottaa osaksi toteutettua palvelua
  • Koneoppimisratkaisun elinkaaren hallinta: koneoppimismallien monitorointi, suorituskyvyn seuranta ja poikkeuksista hälyttäminen kuuluvat oleellisena osana elinkaaren hallintaan.
  • Jatkuva oppiminen: automaattinen koneoppimismallien opettaminen ja tehokkuuden monitorointi osana ratkaisua pitävät tulokset hyvälaatuisina muuttuvassa ympäristössä
  • Helpdesk-palvelut: 2. ja 3.-tason tuki auttaa ongelmissa ja varmistaa toiminnan ongelmatilanteissakin sovitun palvelutason mukaisesti

Jatkuvilla palveluilla varmistetaan erityisesti, että koneoppimisratkaisu vastaa liiketoiminnan tarpeisiin koko sen elinkaaren ajan eivätkä mallit heikkene päivittyvän ympäristön tai datan vuoksi (model decay). Monitoroinnilla ja ratkaisun jatkuvalla evaluoinnilla ohjataan jatkuvaa oppimista ja jatkokehitystä oikeaan suuntaan. Esimerkiksi verkkokauppaan lisättävät uudet tuotteet tai tuoteryhmät voivat vaatia mallien uudelleen opettamista.