Koneoppiminen

Koneoppiminen on tekoälyn osa-alue, jolla tarkoitetaan itsenäisesti oppivien algoritmien kehittämistä. Menneisyydestä kerätyn datan avulla on mahdollista kehittää koneoppimisen keinoin malli, joka tuottaa ennusteita tulevasta hyödyntäen datan sisältämää informaatiota esimerkiksi havaittujen tapahtumien ja niistä seuranneiden lopputulosten yhteyksistä.

Koneoppimismenetelmien avulla voidaan luoda ratkaisuja, jotka toimivat päätöksenteon tukena ja tekevät valintoja itsenäisesti korvaten perinteiset ihmisten muodostamat deterministiset säännöstöt.

Datamäärien kasvaessa datan sisällön ymmärtäminen ja päätöksiä varten tehtävien säännöstöjen muodostaminen käsin voi muodostua nopeasti tehottomaksi ja raskaaksi. Yrityksen kilpailukyvyn takaamiseksi on tärkeää, että olemassa olevasta datasta pystytään hyödyntämään kaikki saatavilla oleva informaatio. Datan jalostamisesta kehittyneen analytiikan keinoin ja näin saadun tiedon yhdistämisestä liiketoiminnan tarpeisiin voidaan saada merkittävää hyötyä.

Koneoppimisen vahvuuksia ovat muun muassa seuraavat asiat:

  • Suurien datamassojen käsittely ja muuttujien välisten yhteyksien löytäminen.
  • Koneoppimisalgoritmit suoriutuvat ja mukautuvat paremmin kuin sääntöpohjaisesti tehtävä tiedon prosessointi.
  • Algoritmit voidaan yhdistää ja linkittää monipuolisiksi automatisoidun päätöksenteon ratkaisuiksi
  • Nopea ja reaaliaikainen ennustaminen päätöksenteon tueksi.

Koneoppimisen menetelmät tarjoavat tarkempia ja tehokkaampia ratkaisuja kuin perinteiset analytiikan menetelmät. Koneoppimisen hyödyntämisestä voi saada etua, kun säännöstöt ovat liian monimutkaisia käsin tehtäviksi, säännöstöön täytyy tehdä muutoksia jatkuvasti tai datan sisällössä tapahtuu jatkuvasti mallinnukseen merkittävästi vaikuttavia muutoksia.

Koneoppimisen soveltamiskohteita ovat esimerkiksi:

  • Ennakoiva huolto
  • Hinnan ja kysynnän ennustaminen
  • Asiakaspoistuman ennakointi
  • Ristiinmyynti
  • Mainonnan optimointi
  • Projektin onnistumisen ennustaminen
  • Aikaan, matkaan, lämpötilaan, käyttöasteeseen ja muuhun vastaavaan liittyvä ennustaminen
  • Asiakassegmentointi

Koneoppimisen menetelmät voidaan jakaa kolmeen pääluokkaan: ohjattuun, ohjaamattomaan ja vahvistettuun oppimiseen. Menetelmän valintaan vaikuttavat monet asiat, joista tärkeimpiä ovat käytettävissä oleva data, liiketoimintatarve tai -ongelma sekä ympäristö, johon koneoppimista sovelletaan.

Ohjattu oppiminen

Ohjattua oppimista voidaan hyödyntää, kun käytettävissä oleva mallinnusdata sisältää tiedon lopputuloksista, jotka liittyvät havaittuihin tiloihin. Aineisto koostuu tällöin ennustamisen kohteesta eli vasteesta ja kohdetta selittävistä muista muuttujista eli prediktoreista. Esimerkki ohjatun oppimisen soveltamiskohteesta on laitteiden ennakoiva huolto. Yhdistämällä historiassa kerätty laitteiden toimintaa kuvaava sensoridata ja tiedot havaituista rikkoutumisista ja huoltotoimenpiteistä, saadaan muodostettua mallinnusaineisto, jonka avulla muodostettua koneoppimismallia voidaan hyödyntää huollon tukena. Mallin tuottamien ennusteiden avulla nähdään, jos laitteen toiminnassa tapahtuu muutos, jonka vuoksi ennakoivaan huoltoon ja varaosien tilaamiseen kannattaa ryhtyä.

Ohjattu oppiminen soveltuu tilanteisiin, joissa aineisto koostuu syötteistä ja tuloksista, joiden välillä on mielekästä muodostaa syy-seuraus-suhde. Ohjatun oppimisen avulla voidaan ennustaa esimerkiksi havaintoihin liittyviä luokkia, joita voivat olla muun muassa asiakkaan poistuminen seuraavan kolmen kuukauden aikana tai valmistusvirheiden tunnistaminen tuotantolinjalta kuvantunnistuksen avulla. Ennustamisen kohteena voi olla myös jatkuva vaste kuten tien lämpötila, tuotteen hinta tai prosessiin kuluva aika.

Ohjaamaton oppiminen

Jos ei ole suoraan mahdollisuutta tai tarvetta ennustamiselle, ratkaisu saattaa löytyä ohjaamattoman oppimisen menetelmistä. Tällöin yleensä ensisijaisena tavoitteena on ymmärtää aineiston rakennetta ja etsiä aineistossa esiintyviä ryhmittymiä eli klustereita eri muuttujien suhteen. Tällaisia ryhmiä voivat olla esimerkiksi laitteen toimintaan liittyvät tilat. Ryhmittelyä voidaan myös käyttää apuna vasteenmuodostuksessa, jos tuotantotilanteessa on hyödyllistä ennakoida tai todeta tila, jossa laite on havainnointihetkellä. Ryhmittelyn avulla muodostetulla aineistolla data voidaan saada käännettyä sellaiseen muotoon, että sillä päästään mallintamaan havaittuihin muuttujiin perustuvaa tilaa käyttäen ohjattua oppimista. Lisäksi ohjaamatonta oppimista voi hyödyntää poikkeavien havaintojen ja normaalin toiminnan raja-arvojen määrittämisessä. Yhdistämällä esimerkiksi tietoja laitteen havaituista toimintahäiriöistä ja datan ryhmittelyn tuloksista voidaan löytää tapoja ennakoida ja havaita tehokkaammin vikatilanteet.

Vahvistettu oppiminen

Koneoppimisen menetelmistä vahvistettua oppimista päästään hyödyntämään tilanteissa, joissa koneoppimisratkaisu voidaan kytkeä joko virtuaaliseen tai ympäröivään reaalimaailmaan. Vahvistetussa oppimisessa agentti suorittaa toimintoja määritetyssä ympäristössä ja saatujen palautteiden kautta oppii tekemään parempia valintoja suoriutuakseen annetusta tehtävästä paremmin. Vahvistettua oppimista voidaan siis soveltaa liiketoimintatarpeisiin silloin kun ympäristö on sellainen, että siinä voidaan suorittaa kokeiluja ja saada palautetta lopputuloksesta. Esimerkiksi teollisuusrobotin on mahdollista optimoida omaa toimintaansa vahvistetulla oppimisella, jos prosessissa voidaan tehdä kokeiluja annetuissa puitteissa ja saada palaute toimintoketjun paremmuudesta; esimerkiksi suoritusaika tai lopputuotoksen laadulliset parametrit.