Koneoppimisesta on puhuttu niin paljon, että ihmisten ja myös yritysten tietoisuus siitä on arkipäiväistynyt. Tieto siitä, että koneoppimista on, ja että siitä voitaisiin saada jotain hyötyäkin, on usein lähtökohtana keskusteluille. Tämä on usein myös se piste, johon asti tieto riittää. Pian törmätäänkin koneoppimiseen liittyvään lyhenne- ja termiviidakkoon.
Jotta pääsemme koneoppimisen digityöpajoissamme tästä eteenpäin, jaamme työpajat yleensä kahteen osa-alueeseen. Ensimmäisessä osassa keskitymme selvittämään minkälaiset tehtävät ovat soveltuvia koneoppimiselle ja mitä koneoppiminen ylipäätään on. Jälkimmäisessä osuudessa keskitymme työpajan osallistujiin ja heidän liiketoimintaansa.
Näkemyksemme mukaan koneoppimisen hyödyntämisen tulee olla liiketoimintalähtöistä ja tuloksia tavoittelevaa.
Työpajamme jälkimmäisessä osuudessa, ryhmätyöskentelyssä, hyödynnämme neljää apukysymystä. Ensimmäinen niistä keskittyy liiketoiminnan haasteiden pallotteluun. Usein ensimmäinen haastekohta on asiakasrajapinnassa, jossa uutta teknologiaa haluttaan hyödyntää uusien ominaisuuksien ja kenties markkinointiarvonkin vuoksi. Toinen haasteiden osa-alue ovat sisäiset prosessit, joissa on usein tiedon käsittelyn ja päätöstenteon näkökulmasta paljon automatisoitavaa.
Ja sitähän koneoppiminen on, päätöstenteon automatisointia.
Haasteiden tunnistamisesta edetään soveliaan koneoppimisongelman tunnistamiseen. Pohjalla oleva luentomaisempi osuus on tarjonnut usein hyvinkin riittävät eväät tälle ylätason pohdinnalle. Tämä onkin käytettyjen apukysymysten seuraava kohta, jossa tunnistetut haasteet pyritään yhdessä muotoilemaan koneoppimisella ratkaistavaksi ongelmaksi.
Edellisessä koneoppimista käsittelevässä blogissa sivuttiin lyhyesti dataa ja sen merkitystä onnistuneessa koneoppimisprojektissa. Vaikka kyseisistä menetelmistä tulevatkin helposti ensimmäisenä mieleen koneoppimisen algoritmit, muodostavat datan keruu ja käsittely miltei jokaisessa koneoppimista ja siihen liittyviä algoritmeja hyödyntävässä projektissa suurimman osan työhön käytetyistä kustannuksista. Data on merkittävässä roolissa myös menetelmien hyödyntämisen pohdinnassa. Työpajan apukysymyksistä kolmas keskittyykin soveliaan datan olemassaolon pohdintaan ja siihen, mikä kaikki data olisi olennaista tunnistetun haasteen ratkaisemiseksi. Joskus joudutaan pohtimaan, miten tarvittava data saataisiin käyttöön. Millaisen työmäärän ja millaiset kustannukset sen hankinta aiheuttaisi?
Viimeinen apukysymyksistä on kaikkein tärkein. Kuten liiketoiminnassa yleensä, myös koneoppimismenetelmien hyödyntämisessä on oltava tavoitteena kannattavuus ja tuottavuus. Mitä hyötyä tavoiteltu ratkaisu tuo? Tuoko se säästöjä? Tuoko se lisää kassavirtaa? Miten menetelmän suorituskykyä voitaisiin mitata sen tultua osaksi liiketoimintaa? Ja vieläkin selkeämmin – mitä ratkaisu tarkoittaisi euroina?
Lue lisää koneoppimisen käyttökohteista!