Ajatus älykkäästä ja itseoppivasta tietokoneesta on kiehtonut ihmisiä jo vuosikymmeniä. Muistan, kuinka itselläni käsite konkretisoitui, kun olin juuri saanut hankittua ensimmäisen tietokoneeni, legendaarisen Commodore VIC-20:n.

Esitellessäni ylpeänä hankintaani isoäidille hän aloitti kommentoinnin: "Kysy siltä koneelta…". Isoäitini oli selvästi aikaansa edellä. Moittimatta VIC-20:n suorituskykyä oli turhan aikaista puhua vielä vaikkapa neurorobotiikasta osana arkista itäsuomalaista kotitaloutta.

Elettiin siis aikaa kauan ennen Applen Siriä, tai muita henkilökohtaiseen puheentunnistukseen perustuvia avustajia. Tuolloin koneita ei vielä kytketty internetiin, eivätkä myöskään tiedon tallennusmahdollisuudet olleet omalta osaltani kummoiset, sillä viikkorahani eivät olleet riittäneet lisävarusteena myytävän c-kasettitallentimen hankintaan.

Nykyisen teknologian tarjoamat tallennus- ja muut mahdollisuudet ovat valovuoden päässä nuoruusvuosistani ja ennen kaikkea tuo teknologia on kustannuksiltaan lähes jokaisen saavutettavissa.

Keinoäly ja sen osa-alue koneoppiminen eivät ole uusia asioita. Jo vuonna 1959 Arthur Samuel määritteli koneoppimisen jotakuinkin tietokoneiden kykynä oppia asioita ilman että niitä on nimenomaisesti ohjelmoitu tekemään kyseistä toimintoa.

Koneoppimista voidaan soveltaa tapauksissa, joissa tiedetään ennalta haluttu lopputulos (ohjattu oppiminen), jos datasta ei tiedetä mitään ennalta (ohjaamaton oppiminen), tai jos oppiminen tapahtuu mallin ja ympäristön jatkuvan vuorovaikutuksen seurauksena (vahvistusoppiminen).

Koneoppimisen ajatuksena on automatisoida analytiikan mallien luominen siten, että käytettävät algoritmit oppivat jatkuvasti lisää käytettävissä olevan tiedon perusteella.

Valitsemalla jatkuvasti parempia malleja saadaan parempia tuloksia ja ihmisen vuorovaikutusta voidaan vähentää. Sen jälkeen näitä malleja voidaan käyttää tuottamaan automaattisesti luotettavia ja toistettavia päätöksiä.

Mikä sitten on käytännössä tänä päivänä mahdollista koneoppimista hyödyntäen? Vielä ei valitettavasti ole mahdollista antaa autolle kotipihassa käskyä ajaa töihin, mutta se hetki on lähempänä kuin moni kuvittelee.

Googlen itsekulkevat robottiautot tuskin ovat enää uutinen kenellekään. Jo yhdistämällä nykyisten markkinoilla olevien autojen kehittyneet ominaisuudet (puheentunnistus, adaptiivinen vakionopeussäädin, kaista-avustin, navigointi sekä pysäköintiavustimet) päästään hyvin lähelle kokemusta täysin itsenäisesti operoivasta autosta.

Suurimpana hidasteena tällä hetkellä lienee lainsäädäntö, sillä teknisesti kaikki tarvittava on jo kutakuinkin valmiina. Jokapäiväisiä käytännön koneoppimista hyödyntäviä esimerkkejä ovat verkkopalvelun tarjoamat suositukset (Amazon, Netflix), tai pankkien käyttämät automatisoidut luottoluokitukset.

Koneoppiminen on noussut monia teollisuusyrityksiä kiinnostavaksi alueeksi nykyisen IoT-hypen seurauksena. Olen itsekin kirjoittanut teollisen internetin tarjoamista mahdollisuuksista parin viime vuoden aikana eri yhteyksissä.

Useat yritykset ovat jo nostaneet IoT:n strategiseksi alueeksi tai ainakin käynnistäneet pilottiprojekteja hahmottaakseen, mitä aihepiiristä olisi saatavissa irti omaan liiketoimintaan.

Tämän seurauksena myös lähes jokainen iso tai pieni it-toimija yhtäkkiä kertoo tarjoavansa teollisen Internetin mahdollistavan IoT-alustan sekä konsultointia.

Liiketoimintahyötyjen saavuttaminen teollisen internetin avulla ei ole helppoa, joten osaamisen puuttuessa valitettavan usein on markkinointi vain valjastettu tarjoamaan samoja tietovarasto-, raportointi- tai integraatiotuotteita tai palveluja kuin tähänkin saakka, kuorrutettuna ehkä jollakin yksinkertaisella analytiikan menetelmällä.

Olen huolestunut konkretian puutteesta. Digitalisaation ja IoT:n edistäminen asettaa uusia vaatimuksia sekä ostaja- että myyjäpuolella. Liian harvoin asiakkailla on selkeästi määriteltynä, mikä kaikki IoT-strategian myötä tulee muuttumaan.

Selkeät ja konkreettiset välitavoitteet puuttuvat. Teollisuusyritykset tuottavat päivittäin valtavasti dataa, mutta sitä ei juurikaan systemaattisesti osata kerätä, tallentaa, analysoida ja hyödyntää päätöksenteossa siten, että vaikkapa yrityksen prosessitehokkuus paranisi.

Harva toimittaja osaa auttaa asiakkaita konkretisoimaan riittävän selvästi, kuinka liiketoiminnan kannalta positiivista vaikutusta saadaan ripeästi luotua. Tässä kohtaa lupaus vaikkapa pilvestä saatavasta IoT-alustasta ei riitä.

Suomi on Gartnerin mukaan ajautumassa teknologia-ansaan, jossa koko keskustelu pyörii teknisten termien ympärillä. Ostajapuolelta tarvitaan uskallusta ja innovatiivisuutta muutokseen. Myyjäpuolelta taas pitää löytyä paremmin kykyä kuvaamaan ymmärrettävästi, mitä on mahdollista toteuttaa, sekä halua auttaa liiketoimintapotentiaalin kartoituksessa ja realistisen etenemissuunnitelman laatimisessa.

Varoituskellojen tulisi soida myös, jos toimittaja tarjoaa yhteen analytiikan menetelmään pohjautuvaa ratkaisua lääkkeeksi lähes mihin tahansa asiakkaan ongelmaan.

Taannoin kollegani pyydettiin apuun energiatoimialan yritykseen, jonka uudehkossa tuotantolaitoksessa oli massiivisia tuotantovaikeuksia, jotka konkretisoituivat laitoksen toiminnan kannalta kriittisten turbiinien pettämisenä.

Ongelmaa selvittämään oli palkattu kolmas osapuoli, joka oli jo puolen vuoden ajan, ja neljän konsultin voimin, koettanut selvittää juurisyitä tukeutuen puhtaasti polkuanalyysiin.

Laitoksesta oli saatavilla runsaasti paitsi laitedataa, myös kunnossapito- ja prosessidataa sekä aikaleimallista ulkopuolista tietoa vallitsevista sääolosuhteista. Dataa oli siis saatavilla runsain mitoin, mutta kukaan ei osannut jalostaa sitä tiedoksi.

Kun kaikki tuo data saatiin useita analytiikan menetelmiä hyödyntäen jalostettua, juurisyyt löytyivät etupäässä hapensyötön optimoinnista tuotantoprosessin aikana. Kyseinen tuotantolaitos on sen jälkeen pyörinyt ilman suurempia ongelmia.

Tällaisessakin tuotantolaitoksessa on valtavia mahdollisuuksia hyödyntää koneoppimista yhä parempaan tehokkuuteen pääsemiseksi. Oikeilla algoritmeilla järjestelmä voidaan opettaa tunnistamaan viikko viikolta paremmin kaikki tuotantoon vaikuttavat sisäiset ja ulkopuoliset tekijät, sekä optimoimaan kulutushyödykkeiden käyttöä ja tuotantoprosessia tehokkaammin.

Tekstianalytiikkaa hyödyntäen voidaan myös oppia tunnistamaan ihmisten kirjaamista vaihtelevista huollon raporteista, mitkä tekijät vaikuttavat laitoksen toimintaan.

Suomalaiset tunnetaan maailmalla korkeasti koulutettuina sekä myös käytännönläheisinä ihmisinä, joilla on kyky soveltaa oppimaansa teoreettista tietoa käytäntöön. Suomi on edelläkävijä myös tekoälyn tutkimuksessa.

Esimerkiksi Curious AI:n perustajat ovat tutkineet koneoppimista, neurotieteitä ja neurorobotiikkaa jo vuodesta 1993 lähtien. Meillä olisi loistava mahdollisuus erottua teollisen internetin käytännönläheisten ratkaisujen edelläkävijöinä.

Olen ilolla seurannut suomalaisten yritysten kasvavaa innostusta järjestää erilaisia Hackathon-tapahtumia, joissa yritys antaa pääsyn yrityksen valittuun ympäristöön sekä dataan ja tiimit koettavat ennalta määrätyn ajan puitteissa keksiä innovatiivisen ratkaisun annettuun haasteeseen.

Mikä suomalaisista teollisuusyrityksistä ehtii ensimmäisenä järjestää koneoppimisen hyödyntämiseen keskittyvän Hackathonin?