Tekoäly on teknologia, jota voidaan soveltaa kaikessa digitaalisessa toiminnassa, jossa tarvitaan ohjelmointia. Tämä artikkeli on jatko-osa kirjoitukseen (Tekoälyllä kohti ketterää digisalamointia, Robologi), jossa käsiteltiin tekoälyä Digi-Salaman ja ympäristön suhteen yleisellä tasolla.
Digi-Salamassa oli useita projekteja eri toimialoilta. Ne oli jaoteltu teemoittain, joista yksi oli Tekoäly ja koneoppiminen automaatiossa. Tässä katsauksessa tarkastellaan seuraavaksi viittä edellä mainitun teeman osalta projektissa mukana ollutta yritystä.
Fleetlogis
Fleetlogis Oy on suomalainen tietotekniikkayritys, joka tekee logistiikan tietojärjestelmiä. Yrityksellä on taustaa myös elektroniikka- ja automaatiopuolelta[2], johon liittyen käynnistettiin innovaatioprojekti tutkimaan huoneilman pitoisuuksia, lähinnä hiilidioksidia.
Projektin käynnistysvaiheessa Fleetlogisin edustaja ilmaisi yrityksen kiinnostuksen ja tarpeen kehittää verkkovirralla toimiva etäluettava ilmanlaadun mittaussalkku hyödyntäen antureita ja Teltonika FMB120 -seurantalaitetta, joka lähettää dataa Fleetlogis Oy:n käyttämälle palvelimelle mobiilisti sim-kortin avulla. Tavoitteena oli selvittää mittaustulosten tarkkuus, mutta Digi-Salama-projektin päämääräksi rajattiin luokkahuoneen todellisen käytön kartoittaminen. Tämä tehtiin mittaamalla ilmasta paikalla olijoiden tuottamaa lämpötilaa, kosteutta sekä hiukkasia ja tarkastelemalla tuloksia suhteessa luokan varauslistaan.
Projektissa hyödynnettiin Fleetlogisin omia laitteita. Datan lukemiseen käytettiin Fleetlogis Flex -nettisivua, josta voi lukea mittaustulokset ja luoda niistä erilaisia grafiikoita ja raportteja. Antureiden konfigurointiin käytettiin Teltonika Configurator -ohjelmaa.
Fleetlogisin hiilidioksilaitteiston asennus.
Fin-Chinagate
Fin-Chinagate-yrityksen visiona on tuoda suomalaista teknologiaa esille Kiinassa sekä luoda alusta kansainväliselle kommunikaatiolle Kiinan ja Suomen välille nykyteknologioita hyödyntäen.[3] Fin-Chinagate uskoo, että uusien teknologioiden käyttö on askel kohti maiden välistä yhteistyötä, erityisesti yritysten ja korkeakoulujen kesken.
Digi-Salama-hanke kokeili yhdessä yrityksen kanssa kommunikointi- ja etäopiskelualustaa Kiinan ja Suomen välillä. Testissä käytettiin kiinalaista Mythware-järjestelmää sekä Fin-Chinagaten kehittämää Smart System -konseptia, joka sisältää simultaanitulkkauksen kääntäen englannin kieltä kiinaksi ja kiinaa englanniksi suorassa lähetyksessä.
Osana projektia Digi-Salama etsi myös seuraavia askeleita varten halukkaita yhteistyökumppaneita Smart Systemin jatkotestaamista varten. Tavoitteena on huomioida eurooppalainen säännöstö, etenkin GDPR, koska tiedonkäsittelyssä sovellettavat palvelimet sijaitsevat Kiinassa.
Fonecta
Fonecta kerää ja ylläpitää henkilöiden ja yritysten kontaktitietoja. Kokoamiensa tietokantojen avulla Fonecta palvelee asiakkaitaan tarjoamalla ajantasaisia yhteystietoja.[4]
Fonectan ongelmina ovat usein vaihtuvat yhteystiedot ja tasalaatuisen datan puute. Yllä pidettävistä tiedoista muuttuu vuosittain suuri osa, ja nämä muutokset tulevat asiakkailta itseltään. Tällöin on hankalaa hallita tietojen eheyttä:
- Ovatko kaikki tiedot syötetyt järjestelmään? Muun muassa yritysten web-osoitteet ovat usein puutteellisia.
- Ovatko tiedot oikein tallennetut? Ovatko esimerkiksi osoitetiedot asianmukaisesti syötetyt, jotta paikantaminen olisi mahdollista?
Ihmistyönä kyseessä on hankala urakka, koska virheelliset ja epäilyttävät rivit pitää ensin etsiä ja sitten analysoida. Tehtävä kuulostaa sopivalta robotille, mutta siltäkin vaaditaan älykkyyttä mukautumattomien sääntöjen sijaan.
Fonectan Digi-Salama-projektit etenivät kahdessa vaiheessa: ensin olivat vuorossa innovaatioprojektit ja niistä jatkoksi tehty opinnäytetyö. Innovaatioprojektiosuudessa käytiin läpi tarpeita ja mahdollisia ratkaisumalleja, joista vaihtoehdoiksi nousivat ohjelmistorobotiikka ja luonnollisen kielen prosessointi (Natural Language Processing – NLP). NLP:n avulla saavutettuja lupaavia tuloksia lähdettiin kehittämään edelleen opinnäytetyönä.
Kuvat [5] ja [6]. Siirtymä vuoden 1952 puhelunvälityksestä operaattoreineen tekoälyaikaan.
Sime
Sime Oy on insinööritoimisto, joka on erikoistunut automaattiseen palkkien käsittelyyn ja siirtelyyn. Projektiaiheena oli tutkia mahdollista alumiinituotannon robotisointia tai kobotisointia edellä mainitussa työskentelyssä.
Palkkien siirtämisessä tarvittavien koukkujen annostelua tehdään tällä hetkellä käsin. Koukut kerätään alumiiniprofiilien purkamisen yhteydessä, jonka jälkeen ne puhdistetaan ja tuodaan takaisin alkupisteeseen. Alkupisteessä työntekijät asettavat koukut alumiiniprofiileihin toisesta päästä, ja toisesta päästä koukut ripustetaan kuljettimeen.
Projektin tavoitteena oli tuotannon nopeuttaminen sekä fyysisen työn keventäminen mahdollisella robotilla tai kobotilla. Kobotin ja robotin avuksi tarvitaan myös konenäköä, antureita sekä koukkujen annostelija, jotta koukkuja pystyttäisiin ottamaan helposti.
Projektiryhmä kehitti toteutukselle kaksi vaihtoehtoa, joista tehtiin yksinkertaistetut simulaatiot. Simulaatioiden avulla nähtiin, että teoriassa robotti kykenee suorittamaan ripustuksen molemmissa vaihtoehdoissa, mutta ratkaisujen toimiminen käytännössä vaatisi kokeiluja oikeilla kappaleilla. Simulaatioissa käytettiin ABB:n IRB 1600 -robottia, koska se täytti parhaiten annetut kriteerit.
Digi-Salaman aikana tehtiin myös IoT-tekniikoiden käyttöönottoon liittyvä opinnäytetyö. Siinä otettiin esille meneillään oleva suuntaus, jossa vanhempaan teknologiaan perustuvia laitteistoja voidaan päivittää IoT-maailmaan.[7]
Assemblin
Assemblin Oy on vuonna 2006 perustettu kiinteistötekniikan yritys, joka tarjoaa ilmaan, veteen ja energiaan liittyviä järjestelmiä Suomessa, Ruotsissa ja Norjassa.[8] Assemblin osallistui Digi-Salamaan innovaatioprojektin ja opinnäytetyön teettäjänä. Tavoitteena oli kehittää kiinteistön lämpötilan hallintaa ohjaavaa tekoälyä hyödyntäen Ilmatieteen laitoksen tarjoamaa sääennuste- ja auringonsäteilydataa.
Yrityksellä itsellään oli jo kokemusta älykkäiden algoritmien soveltamisessa lämmityksen/viilennyksen tarpeen ennustamisesta. Nyt tämä tehtävä annettiin Digi-Salaman yhteyteen käynnistetylle innovaatioprojektiryhmälle syksyllä 2020. Myöhemmin keväällä 2021 projektissa aloitettua työtä päätettiin syventää opinnäytetyöksi.
Projektissa oli neljä vaihetta. Ensimmäisessä vaiheessa tutustuttiin Assemblinilta saatuun testilaitteistoon ja perehdyttiin sen toimintaan. Toisessa vaiheessa testilaitteella vastaanotettiin testidataa ja tutustuttiin testilaitteen toimintaan käytännössä. Kolmannessa vaiheessa tehtiin testaus pienoismallin avulla. Pienoismallissa rakennuksena käytettiin laatikkoa, johon asennettiin lamppu simuloimaan lämmitintä sekä anturi mittaamaan lämpötilaa laatikon sisältä. Testien perusteella selvitettiin, miten laitteisto toimii ja tehtiin hienosäätöjä tarvittaessa. Neljäs ja viimeinen vaihe sisälsi testauksen isommassa mittakaavassa Myllypuron kampuksella.
Siellä valittua tekoälyalgoritmia käytettiin ohjaamaan Myllypuron kampuksen testitiloja. Samalla seurattiin niiden energian käyttöä jota pyrittiin myös optimoimaan.
Opinnäytetyössä opetetun mallin tekemä ennuste (sininen käyrä) ja todelliset asetusarvot (oranssi käyrä).[9]
Vaikutukset osallistuneiden yritysten kilpailukykyyn
Tekoälyä soveltaneiden projektien seurauksena yritykset saivat uusia näkökulmia kilpailukykynsä parantamiseksi. Näitä olivat mittausten pohjalta tehtävät ennustukset ja niihin liittyvät toimenpiteet. Esimerkkeinä voidaan mainita Assemblin ja Fonecta, joista molemmilla oli jo entuudestaan jonkin verran kokemusta tekoälyn soveltamisesta. Digi-Salamaan osallistuminen synnytti molemmissa yrityksissä myös joukon uusia ajatuksia ulkopuolisen datan hyödyntämiseksi tekoälymallien kehittämisessä.
Seuraava askel voi olla syväoppimisen käyttöönotto niin mallin opettamisessa kuin sen vahvistamisessa. Fonectalle puolestaan kasvoi lisää osaamista NLP:n uusimpien teknologioiden käyttämisessä älykkääseen aineiston tarkastamiseen ja muokkaamiseen.
Koneoppimisen ja tekoälyn tulosindikaattorit Digi-Salamassa
|
||||||||||||||||||||||||||||||||||||||||||||||||
Taulukon tunnusten selitykset
|
| Fleetlogis | Yritykselle syntyi osittain uusi IoT-pohjainen sovellus, joka auttaa logististen operaatioiden suunnittelussa ja optimoinnissa. Tämä tukee CO2-jalanjäljen pienentämistä. |
| Fin-China | Yritykselle syntyi testausvalmis etäneuvottelukonsepti + tämä tukee VR/AR-pohjaista yhteydenpitoa ilman matkustamista. Tämä tukee CO2-jalanjäljen pienentämistä. |
| Fonecta | Yritykselle syntyi uusi koneoppimispohjainen sovellus asiakastietojen käsittelyyn. |
| Sime | Yritykselle syntyi uutta tietämystä kobotiikasta ja koneoppimisesta sekä uusi alustava konsepti IoT-laitteistosta, jolla koneoppimista voitaisiin hyödyntää. |
| Assemblin | Yritykselle syntyi valmiuksia käyttää koneoppimista kiinteistöautomaation ohjauksessa. Tämä tukee CO2-tavoitteita energiansäästön muodossa. |
Lähteet:
- Kuvituskuva Wikimediasta: <https://commons.wikimedia.org/wiki/File:Lightning_3025.jpg>
- Verkkosivu. Saatavana osoitteesta: <https://www.fleetlogis.fi>. Luettu 2.12.2021.
- Verkkosivu. Saatavana osoitteesta: <https://www.finchinagate.fi>. Luettu 2.12.2021.
- Verkkosivu. Saatavana osoitteesta: <https://www.fonecta.fi>. Luettu 2.12.2021.
- Kuvituskuva Wikimediasta: <https://commons.wikimedia.org/wiki/File:Telephone_operators,_1952.jpg>
- Kuvituskuva Unsplashista: <https://unsplash.com/photos/oqY09oVTa3k>
- Osman, A.: Toimipisteen etäohjaus ja -seurantaRaspberry Pin avulla. Opinnäytetyö 2021. 37 s. Verkko-osoite: <https://urn.fi/URN:NBN:fi:amk-2021113022759>. Luettu 2.12.2021.
- Saatavana osoitteesta: <https://fi.assemblin.com>. Luettu 2.12.2021.
- Otava, A.: Koneoppimisen hyödyntäminen kiinteistöautomaatiossa. Opinnäytetyö 2021. 29 s. Verkko-osoite: <https://urn.fi/URN:NBN:fi:amk-2021052010011>. Luettu 2.12.2021.
Kirjoittaja:
Aarne Klemetti työskentelee tutkijaopettajana Metropolia Ammattikorkeakoulussa.
Ei kommentteja