Avainsana: automaatio
Digi-Salaman tekoälytapaukset
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. 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. 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. 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 16 20 21 22 CO04 CO28 CO29 Fleetlogis 1 1 0 0 1 0 1 Fin-China 1 1 0 0 1 0 1 Fonecta 1 0 0 0 1 0 1 Sime 1 0 0 0 1 0 0 Assemblin 1 1 0 1 1 0 0 Taulukon tunnusten selitykset 16 Yritys, joka käynnistää TKI-toiminnan tai TKI-yhteistyön yliopistojen, korkeakoulujen tai tutkimuslaitosten kanssa 20 Yritys, johon syntyy uusiutuviin energiaratkaisuihin tai vähähiilisyyden tukemiseen perustuvaa uutta liiketoimintaa 21 Start-up yritys, jolla on merkittävät valmiudet uuden tuotteen, palvelun tai tuotantomenetelmän kehittämiseen 22 Yrityksen avoimen tiedon ja rajapintojen avulla toteuttamat uudet sovellukset CO04 Muuta tukea kuin rahoitustukea saava yritys CO28 Yritys, joka kehittää uuden tai merkittävästi parannetun tuotteen markkinoille (tuote on uusi markkinoilla) CO29 Yritys, joka kehittää uuden tai merkittävästi parannetun tuotteen markkinoille (tuote on uusi yritykselle) 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. aarne.klemetti@metropolia.fi
Tekoälyllä kohti ketterää digisalamointia
Tekoälyn avulla erilaisten tietojärjestelmien toiminnallisuutta voidaan laajentaa käsittämään inhimillisiksi katsottavia taitoja, kuten omatoimista päättelyä, oppimista ja suunnittelemista. Tekoäly osaa työskennellä väsymättömästi oppimallaan rajatulla alueella. Oppiminen tapahtuu joko asiantuntijan sanoittaman eli leimaaman aineiston avulla tai itseoppivasti. Itseoppivuus toteutuu annetun säännöstön ja datan avulla tai tutkimalla ympäristöä käytettävissä olevilla tunnistimilla ja toimilaitteilla. Tekoälyn tuottaminen esimerkiksi koneoppimisen avulla on vaativa laskentatehtävä, jossa tyypillisesti tarvitaan runsaasti dataa ja laskentatehoa. Kun tekoälymalli on saatu opetettua, voidaan se siirtää suoritettavaksi päätelaitteisiin, esimerkiksi kannettaviin tietokoneisiin, älypuhelimiin ja vaikkapa ympäristöään tarkkaileviin ajoneuvoihin. Tekoäly ei ole käyttöönoton jälkeen samalla tavalla lopullinen kuten perinteinen, versioitava tietokoneohjelma, vaan se kehittyy koneoppimisen avulla käytön myötä. Tekoäly on poikkeuksetta erikoistunut oppimaansa ympäristöön: shakkitekoäly on voittamaton shakinpeluussa, mutta ei osaa ajaa autoa. Vastaavasti kuva-analyysitekoäly, joka tunnistaa luotettavasti ihosyövän valokuvien perusteella, ei tiedä, mikä on auton rekisterikilpi. Keskeinen kysymys on se, mitä, miten ja millä aineistolla tekoälyn annetaan oppia.[2] Puuttumatta eettisiin näkökulmiin on tärkeää, että aineiston valinnasta päättävä asiantuntija rajaa tehtävät selkeisiin kokonaisuuksiin: ei kannata pyrkiä kovin kattavaan tekoälyyn, koska se on todennäköisesti liian laaja opetettavaksi ja hallittavaksi. Sen sijaan joukko testatusti toimivia, rajattuja tekoälyjä nostaa tuottavuutta ja päätöksenteon luotettavuutta merkittävästi.[3] Digi-Salamassa tekoäly ja koneoppiminen automaatiossa oli omana teemanaan. Tavoitteena oli ymmärtää ja oppia soveltamaan tarvittavia toimintamalleja, datan keruuta ja muokkausta sekä koneoppimisen periaatteita suhteessa tavoitteisiin. Lisäksi pyrittiin saavuttamaan näkemys siitä, millä tasolla valittujen kohdeyritysten tekoälyosaaminen on ja miten mahdollisiin tarpeisiin voidaan vastata opetussuunnitelmissa. Tekoäly ja YK:n kestävän kehityksen tavoitteet Yhdistyneiden kansakuntien jäsenmaat sopivat vuonna 2015 Agenda 2030:stä, jossa pyritään edistämään kestävää kehitystä aikavälillä 2016-2030. Suunnitelma jaettiin 17 tavoitteeseen, jotka ohjaavat kestävän kehityksen edistämistä.[4] Tekoäly voidaan nähdä mahdollistavana tekijänä näiden tavoitteiden saavuttamisessa. Koko tavoitteisiin pyrkimisen prosessin ajan pitää kerätä ja analysoida dataa, jonka avulla voidaan luoda älykkäitä malleja päätöksenteon tueksi. Esimerkiksi voidaan ottaa älykäs talotekniikka, jonka optimointi säästää energiaa, tuottaa ilmakehään vähemmän hiiliyhdisteitä ja parantaa sisätiloissa oleskelun laatua - vaikuttaa siis osaltaan myös terveyteen. Kestävään kehitykseen liittyvät tekoälymallit eivät synny tyhjästä ja ilman laskentaa. Laskenta on usein niin vaativaa, että siinä tarvitaan supertietokoneen laskenta- ja tallennuskapasiteettia useiden päivien ajan. Se puolestaan kuluttaa myös energiaa. Tutkimuksissa on kehitetty erilaisia mittaustapoja tekoälyyn liittyvien laskentatarpeiden energiankulutuksen huomiointiin. Tarvittavia algoritmeja voidaan optimoida käytön myötä vastaavalla logiikalla kuin itse tekoälyäkin. Vaatimuksia koulutukselle Tekoäly ja koneoppiminen ovat monimutkaisia asioita, joiden tuotantomittaisen soveltamisen hidastavana tekijänä on useimmiten puutteellinen osaaminen. Tätä paikatakseen yritykset pyrkivät kouluttamaan henkilöstöään ja toisaalta ulkoistamaan tarvittavia osaamisia. Nämä molemmat vaihtoehdot sopivat luontevasti ammattikorkeakouluympäristöön, koska opiskelijaryhmien ja opinnäytetöiden avulla voidaan testata ja kehittää erilaisia konsepteja ja prototyyppejä. Tekoäly tieteenä soveltuu tiedekorkeakoulujen opetusohjelmiin ja tutkimuslaitoksiin - alempien oppilaitosten näkökulmasta tarvitaan pikemminkin sovellusosaamista kautta linjan. Tärkeämpää kuin tekoälyn ja koneoppimisen syvällinen ymmärtäminen on käsittää se, miten näitä teknologioita voidaan käytännössä soveltaa ja millaisia kyvykkyyksiä kannattaa sisällyttää yritysten ja oppilaitosten osaamiseen. Kustannuksiltaan tekoälyn ja koneoppimisen soveltaminen ei ole enää kynnyskysymys. Avoimen lähdekoodin alustoilla on tarjolla laaja valikoima kehitystyökaluja algoritmeineen. Niiden käyttämisessä tulee poikkitieteellisiin tiimeihin lisätä data- ja tekoälyosaamista sisältöammattilaisten tueksi. Lisäksi korkeakouluilla on pääsy vaativaa laskentaa tarjoaviin supertietokoneympäristöihin, jolloin myös suurten datajoukkojen käsittely ja koneoppiminen on mahdollista toteuttaa skaalautuvasti. Tärkeämpää kuin jokaisen toimijan ammattimainen tekoälyosaaminen on se, että pystytään tunnistamaan datan eri prosessivaiheiden hallinta: mitä on kerättävä data, mistä sitä voidaan kerätä, mitä sillä voidaan tehdä ja mitä se merkitsee? Näin ollen on syytä ennemminkin tietää, kuka tietää ja mitä pitää tietää, kuin vaatia kaikilta osapuolilta samantasoista teknologista ymmärrystä. Seuraava askel kohti älykkäämpää automaatiota - toimialasta riippumatta - on sen ottaminen osaksi normaalia toimintaa. Tätä tarkoitusta varten opetussuunnitelmiin kannattaa lisätä ainakin käytännölliset, omaa osaamisaluetta palvelevat kurssit esimerkiksi intensiivitoteutuksina. Lisäksi aiheeseen syvällisempää perehtymistä varten tulee tarjota mahdollisuudet ainakin koodaamiseen ja ohjelmistotuotantoon keskittyville opiskelijoille. Lähteet: Kuvituskuva Pixabaysta: <https://commons.wikimedia.org/wiki/File:Artificial-Intelligence.jpg> 6 Biggest Limitations of Artificial Intelligence Technology. Verkkosivu. Saatavana osoitteesta:<https://hackernoon.com/the-missing-pieces-6-limitations-of-ai-s85r3upr>. Luettu 2.12.2021. 5 + 1 myyttiä tekoälystä. Verkkosivu. Saatavana osoitteesta: <https://www.aaltopro.fi/aalto-leaders-insight/2019/5-1-myyttia-tekoalysta>. Luettu 2.12.2021 Kestävän kehityksen tavoitteet. Verkkosivu. Saatavana osoitteesta: <https://www.ykliitto.fi/yk-teemat/kestavan-kehityksen-tavoitteet>. Luettu 2.12.2021. Lisätietoja aiheesta kiinnostuneille: Tekoäly, Wikipedia. Verkkosivu. Saatavana osoitteessa: <https://fi.wikipedia.org/wiki/Tekoäly>. Luettu 2.12.2021. Koneoppiminen, Wikipedia. Verkkosivu. Saatavana osoitteessa: <https://fi.wikipedia.org/wiki/Koneoppiminen> Luettu 2.12.2021. Metropolia edistää kestävän kehityksen osaamista ainutlaatuisen tekoälyratkaisun avulla. Metropolian ajankohtaisten uutisten verkkosivu. Saatavana osoitteessa: <https://www.metropolia.fi/fi/metropoliasta/ajankohtaista/uutiset/metropolia-edistaa-kestavan-kehityksen-osaamista-ainutlaatuisen-tekoalyratkaisun-avulla>. Luettu 2.12.2021. YK:n arvot tekoälykehityksen tienviittana. Politiikasta-sivuston verkkosivu. Saatavana osoitteessa: <https://politiikasta.fi/ykn-arvot-tekoalykehityksen-tienviittana/>. Luettu 2.12.2021. Eettinen tekoäly ja algoritmit. Helsingin Yliopiston verkkosivu. Saatavana osoitteessa: <https://www.helsinki.fi/fi/ajankohtaista/ihmisten-teknologia/eettinen-tekoaly-ja-algoritmit>. Luettu 2.12.2021. Sivonen, A., Heikkinen, K.: Tekoäly - uhka vai mahdollisuus amk-opettajalle. Verkkosivu Haaga-Helia eSignals. Saatavana osoitteessa: <https://esignals.fi/kategoria/pedagogiikka/tekoaly-uhka-vai-mahdollisuus-amk-opettajalle/#0dde0fb1>. Luettu 2.12.2021. Kirjoittaja: Aarne Klemetti työskentelee tutkijaopettajana Metropolia Ammattikorkeakoulussa. aarne.klemetti@metropolia.fi
Päivä jolloin kaikki muuttui − ja mikään ei muuttunut
Flunssa, covid, covid19, pandemia… kaikki alkoi keväällä 2020. Aluksi tuli nuorison Tiktok-videoita huvin vuoksi. Corona-nimiset tuotteet loppuivat, kun nimi oli hyvä. Sitten ilme vakavoitui. Italia suljettiin. Moni maa suljettiin. Uusimaa suljettiin. Alkoi rajoitusten ja sääntöjen aikakausi − ja lopulta etätyöt ja etäopiskelu. Alkoivat loputtomat kokeilut siitä, mikä alusta on paras ja soveltuvin tarpeisiimme sekä nopeutettu pakotettu digitalisaatio, joka paljasti työmaailman muutoksen tarpeen. Kun digitalisaatio muutti kaiken Jo pitkään on puhuttu, että johtaminen on murroksessa. Digitalisaatio vaatii uutta osaamista esimiehiltä ja koko yritykseltä. Toiminnan nopeus on muuttunut ja sitä kautta työmaailman vaatimukset. Digitalisaatio muuttaa prosesseja ja tuotteitakin, mutta muutos ei tapahdu hetkessä. Hankalinta usein on oppia pois vanhoista tavoista. Muutosjohtaminen nousee arvoon arvaamattomaan. Nopeat syövät hitaat ja nuoret vievät vanhemmilta työt, kun ovat ”diginatiiveja”. Näinkö se menee? Uudet startupit menestyvät, koska niillä ei ole vanhaa historian painolastia. Yrityksen kasvaessa painolastia kertyy, ja jälleen uudet tekijät valtaavat markkinat. Kun internet alkoi yleistyä, vanhat rakenteet murtuivat ja uudella teknologialla poistettiin paljon välikäsiä, jotka eivät lisänneet arvoa. Matkatoimistoala muuttui täysin eikä videovuokraamoitakaan enää löydy, ja jos löytyykin, niiden liiketoiminta on karamellien myynti. Osa yrityksistä näki ja ymmärsi muutoksen, sopeutui siihen ja sai siitä jopa uutta liiketoimintaa. Ja sitten oli useita, jotka pyristelivät vastaan − ja nyt niitä ei enää ole. Nämä neljä eivät muutu Vaikka ympäristön muutokset olivat nopeita ja vaikutuksista ei vieläkään tiedetä kaikkea, ehkä vain jäävuoren huippu, niin perusjohtamisessa ylätasolla mikään ei kuitenkaan muuttunut. Strategiaoppikirjoissa toistuvat kuuluisat sanat: Visio, Missio, Strategia, Arvot. Näiden sanojen iskostaminen niin asiakkaiden kuin työntekijöidenkin sekä muiden viiteryhmien tietoisuuteen on oleellisen tärkeätä. Nämä termit antavat toiminnalle suunnan ja syyn sekä toimintatavan, kuinka mennä eteenpäin. Jatko on ”vain” toiminnan parasta mahdollista jalkautusta tai maastoutusta. Kyse ei ole siis siitä, millä menetelmällä saamme parhaan mahdollisen lopputuloksen organisaatioomme, oli se sitten taloudellinen tulos viimeiselle riville tai nollatulosta tekevien organisaatioiden kohdalla paras mahdollinen tuotos annetuilla resursseilla. Strategian perusperiaatteet eivät ole muuttuneet digitalisaation myötä. Eivätkä ne muutukaan. Toki sanojen sisältö elää ja vaihtelee jatkuvasti, mutta silti nämä − Visio, Missio, Strategia, Arvot − toimivat suunnannäyttäjinä tulevaisuudessakin. Ainoastaan toimintakenttä ja teknologia ovat muuttuneet, mutta näin on aina ollut lähtien teollistumisen alkupäivistä. Se, joka hallitsee toimintaympäristön ja sen muutokset − arvaa parhaiten −, on menestyjä. Se, joka näkee muutoksessa mahdollisuuden, on menestyjä. Perusstrategiatyö sisältää lähtökohtaisesti samat asiat, esim. PESTEL-mallin kautta tehtävän ympäristöanalyysiin tulevaisuuteen katsoen, SWOT-analyysin joko organisaation tai tuotteiden ja palveluiden kannalta sekä Porterin viiden voiman mallin, jossa otetaan huomioon laajasti koko tilaus-toimitusketju liitäntöineen. Tärkeätä on nähdä ns. hiljaiset signaalit, eli mitä tulevaisuus mahdollisesti tuo tullessaan, mutta mitä ei vielä tilastojen valossa voida verifioida. Uusi nuorisokulttuuri, uusi tapa käyttää vaatteita tai uudet ruokatrendit… Kuten 1970-luvun liikennekasvatuksessakin jo opetettiin: ”Ennakoi tuleva tilanne”. Jos pandemiassa ja etätöissä ei organisaatio ole pärjännyt, kyse on pääosin siitä, että johtajat eivät ole osanneet johtaa. Johtajat eivät ole saaneet jalkautettua digitalisaatiota organisaatioon. Johtajat eivät ole olleet nopeita, joustavia ja motivoivia. Siis perusjohtamisessa on ollut toivomisen varaa. On ehkä nukuttu Ruususen unta: kun menee hyvin, niin mitään ei tarvitse tehdä. Nyt oli jo melkein eilen Viimeistään nyt − mieluummin jo eilen − on aika panostaa digitalisaatioon, automaatioon, robotiikkaan ja IoT:hen (Internet of Things), kuten Roboreel-hankkeessa testattiin ja kuten Roboboost-hankkeessa edelleen jatketaan. Toki virukset uhkaavat myös uudistuvaa teknologiaa, mutta ne ovat eri viruksia. Hoito ja estolääkitys tulevat eri kautta, eikä myöskään karanteeja eikä lockdown-protokollia tarvita. Uusi teknologia ei ehkä pelasta työmaailmaa, mutta se helpottaa toimintaa ja ennustettavuutta. Robotit ja automaatio toimivat, vaikka ihmiset sairastavat. Haavoittuvuus ihmisviruksille pienenee, mikä tuo varmuutta ja jatkuvuutta − siis helpottaa johtamista. Nyt jos koskaan johtajien onkin syytä pitää mielessään lause: You do not have a plan, if you do not have plan B. Kirjoittaja: Antero Putkiranta työskentelee tuotantotalouden yliopettajana Metropolia Ammattikorkeakoulussa. antero.putkiranta@metropolia.fi +358 40 169 5939 Metropolia University of Applied Sciences Finland
Palvelukseen halutaan robotti – etenkin nyt
Työt seisovat. Yhteiskunta seisoo. Työntekijät ovat kotona. Kaikki ovat kotona. Tarvitaan robotti, cobotti, hobitti tai joku tahansa, joka tekee työt virusfree… Mitätön seisautti yhteiskunnan Asia, jota emme näe, sekoitti meidät. Näin usein on. Koronavirus osoitti ja osoittaa vielä pitkään yhteiskuntamme haavoittuvuuden ja valmistautumattomuuden - ja samalla toimintakyvyn. Se tulee osoittamaan myös tulevan kehityksen suunnan. Mihin meidän tulee panostaa ja mitä miettiä? Tämän tutkimuksen aika ei ole ihan vielä, mutta se tulee pian. Hoidetaan aluksi kriisi pois päiväjärjestyksestä ja sitten mietitään, kuinka varautua seuraavaan. Seuraava kriisi tulee kuitenkin, mutta voimme olla paremmin valmistautuneita siihen. Antakaamme roboteille tilaisuus Yksi ratkaisu tai helpotus ongelmaan on aivan varmasti automaatio ja robotiikka. Roboreel-hankkeessa voimme tutkia myöskin tätä. Emme sinällään itse koronavirusta ja sen vaikutuksia, mutta välillisesti sitä, kuinka pitää rattaat pyörimässä 24/7. Se on samalla varautumista uuteen vastaavaan. Robotti ei välitä fyysisistä viruksista. Se voi jopa desinfioida itsensä automaattisesti. Autonomiset kuljettimet tulevat arvoon arvaamattomaan, kun ihmiskontakteja halutaan välttää suojellaksemme niitä, joiden vastustuskyky on heikoin. Tällöin robottikäsi on tervetullut asia. Siihen voi luottaa. Me voimme tutkia ja esittää vaihtoehtoja Korona antaa meille Roboreel-hankkeessa myös uutta ajateltavaa. Se antaa malleja, joihon kannattaa panostaa ja joita meiltä vielä puuttuu. Digital Twin -ajattelu, jossa kohteesta luodaan kolmiulotteinen digitaalinen malli, voisi olla hyvä pohja 3D-virtuaaliopetukselle ja -palavereille. Autonomiset ajoneuvot toimisivat osana ruoka-, lääke- ja muuta jakelua. Jos pelkäämme kontakteja, kuskiton vaihtoehto on paras. Aivastelematon cobotti on kivampi kaveri kuin aivastava kaveri vierellä. Ja toisaalta, jos itse aivastelee cobottia päin, se ei välitä. Kun robotit jatkavat toimintaansa, BKT:kaan ei laske niin nopeasti kuin nyt näyttää tapahtuvan. Ehkei kotoa käytävä e-urheilu olekaan enää niin hullu ajatus. Kirjoittaja: Antero Putkiranta työskentelee tuotantotalouden yliopettajana Metropolia Ammattikorkeakoulussa.