Tekoäly ja data science mistä on kyse? Data Scientist Jukka Kärkimaa, Tilastokeskus
|
|
- Pentti Jaakkola
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Tekoäly ja data science mistä on kyse? Data Scientist Jukka Kärkimaa, Tilastokeskus
2 Sisällys 1. Keskeiset käsitteet ja tilannekuva 2. Data scientistin tehtäväkenttä 3. Mitä osaamista tarvitaan? 4. Kehittäjän työkalut
3 1. Keskeiset käsitteet ja tilannekuva
4 You are already a Data Scientist!
5 Case: Veronmaksajat Ongelma on siinä, että hienoinkin tekoäly on tyhmä. Se osaa tehdä vain ne tehtävät, jotka sille on osattu ohjelmoida. Ne se sitten tekeekin nopeasti, varmasti ja taatusti aina samalla tavalla. Kone ei pysty ymmärtämään eikä tulkitsemaan
6
7
8
9
10 Brief history of AI 1940-> Intelligence is logic (if-then, and, or) 1980-> No, logic is too limited. Intelligence requires imitating the brain > Intelligence requires learning 2000-> Learning is just statistics. No need to imitate the brain > Intelligent processing is highly non-linear, like the brain: Deep Learning Lähde:
11 Koneoppiminen Arthur Samuel (1959), Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed Eli väärin: Se osaa tehdä vain ne tehtävät, jotka sille on osattu ohjelmoida. Oikein: Se osaa tehdä vain ne tehtävät, jotka ovat opittavissa saatavilla olevasta opetusdatasta (heikko tekoäly) Tom Mitchell (1998), Well-posed Learning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P, if: its performance on T, as measured by P, improves with experience E
12 Tekoäly Heikko tekoäly eli Narrow AI Tarvitsee riittävän määrän opetusdataa Toteutus koneoppimismalleilla Nykyisen tekoälyn taso Esim. AlphaGo (2015) Vahva tekoäly eli General AI Osaa suunnitella kuten ihminen ilman erityistä opetusdataa Alkumetreillä, mutta kuuma tutkimusaihe Esim. AlphaGo Zero (2017) Reinforcement learning
13 Koneoppimisen alakategorioita Ohjattu oppiminen supervised learning Oikeat vastaukset sisältävästä historiadatasta muodostetaan malli, jota voidaan jatkossa käyttää ennustamiseen Luokittelu classification, kategorisen muuttujan ennustaminen Regressio regression, jatkuvan muuttujan ennustaminen Ohjaamaton oppiminen unsupervised learning Oikeita vastauksia ei ole saatavilla, on vain luokittelematonta dataa Ryhmittely clustering Dimensionpudotus dimensionality reduction Vahvistusoppiminen reinforcement learning Jatkuva vuorovaikutus ympäristön kanssa tuottaa palautetta ja toimintaa muuttamalla pyritään maksimoimaan positiivinen palaute
14 Big Data - Datan (tiedon?) vallankumous Yhdysvaltojen kongressin kirjasto Washingtonissa: 32 miljoonaa kirjaa ja lehteä, 3 miljoonaa äänitettä, 14.7 miljoonaa valokuvaa, 5.3 miljoonaa karttaa, 61 miljoonaa käsikirjoitusta. Kerätty 200 vuoden aikana Nyt sama datamäärä kertyy levyille joka 15. minuutti (noin 100 kertaa vuorokaudessa). Tämä on 5 exatavua (10 18 ) vuodessa. Sama määrä tulisi, jos kaikki ihmispuhe kaikkina aikoina (n vuotta) koodattaisiin sanoiksi ja digitoitaisiin (R. Williams, CalTech).
15 Vuonna
16 Vuonna 2018 Telia Crowd Insights -kaupunki- ja liikennesuunittelutyökalun demovideo / lyhyt:
17 Tekoälyn ja datatieteen tuomia mahdollisuuksia Turvallisuus Esim. autojen ennakoivat turvajärjestelmät Katastrofien hallinta Hurrikaanituhot, kuivuus, pakolaiskriisit Ajankohtaisemmat talouspoliittiset päätökset Esim. nopeammat tilastojulkistukset (BKT, ulkomaankauppa, työttömyys) Yritysten kansainvälinen kilpailukyky
18 Hyvä pitää mielessä 1. All models are wrong, some are useful 2. Tulevaisuuden ennustaminen on mahdotonta
19 Tietosuoja vs. Cost of not using data Katastrofit, jotka olisi voitu estää? Kaikessa on hyvää ja huonoa Maksimoidaan yhdessä se hyvä, joka nyt voidaan saada aikaan
20 Yhteenveto Tekoäly helpottaa, nopeuttaa ja tarkentaa monia ihmisen tähän asti käsin tekemiä työvaiheita, jolloin ihminen voi tehdä vähemmän ikäviä, toisteisia ja ihmiselle huonosti soveltuvia työtehtäviä. Vapautunut työpanos kohdistuu uusien, ennalta tuntemattomien ja tekoälylle vaikeiden tai toistaiseksi mahdottomien tehtävien hoitamiseen ja tekoälyn opettamiseen. Kun esim. vuoden kuluttua osasta nykyisiä uusia tehtäviä tulee hyvin tunnettuja ja niistä on olemassa riittävän paljon tekoälylle soveltuvaa opetusdataa, voidaan taas osa näistä tehtävistä siirtää tekoälyn tehtäväksi, ja ihmisen työpanosta jälleen vapauttaa uusien, vaikeampien tehtävien hoitamiseen. Results exist only on the outside eli organisaation tuottama hyöty arvioidaan lopulta asiakkaiden, kansalaisten, potilaiden, kilpailijoiden tai jonkun muun organisaation ulkopuolisen toimijan kannalta. Tekoälyn hyödyntäminen siellä, missä se selvästi parantaa organisaation nykyistä toimintaa on pitkällä aikavälillä kilpailulle avoimessa yhteiskunnassa välttämätöntä. Kenties vielä tärkeämpää kuin tekoälytekninen huippuosaaminen on se, kuinka hyvin kaikki muut kuin tekoälyn tekniset toteuttajat ymmärtävät tekoälyn mahdollisuudet ja rajoitteet ja siten yhteiskunnallisen pitkän aikavälin vaikutuksen.
21 Ihminen JA tekoäly > ihminen TAI tekoäly Tekoälystä tulee ihmiselle yhä tärkeämpi työkaveri
22
23 2. Data scientistin tehtäväkenttä
24
25 Esimerkkejä Data Scientist rooleista Data Scientist Paino mahdollisimman tarkkojen ennustemallien luomisessa (koneoppiminen) Data Engineer / Data Scientist Paino skaalautuvien dataputkien luomisessa (hajautetut järjestelmät, pilvet), datan esikäsittelyssä ja datan laadun valvonnassa Data Scientist / Software developer tai AI Data Scientist Paino tekoälyä sisältävien ohjelmistokokonaisuuksien kehittämisessä Statistician / Data scientist Paino ilmiöiden selittämisessä ja tilastollisessa analyysissä Data Analyst Paino raportoinnissa (BI eli business intelligence)
26 Esimerkkejä Tilastokeskukselta 1: Liikenneonnettomuuksien luokittelu Onnettomuusseloste tieliikenneonnettomuudesta viimeisen 10 vuoden ajalta Vapaamuotoinen teksti, jota kone opetettiin tulkitsemaan Dokumenttien luokittelu: henkilövahinko vai omaisuusvahinko Mallin tarkkuus yli 92 % Voitaisiin hyödyntää myös onnettomuustutkinnassa
27 Esimerkkejä Tilastokeskukselta 2: Jätelajin ennustaminen kuvaustekstin perusteella Esimerkiksi jätetilastossa sekä jatkuva muuttuja jätemääristä ja kategorinen muuttuja jätelajista sekä sanallinen kuvaus kuljetetusta jätelastista Jätelaji pystyttiin kokeilussa ennustamaan 200k opetusesimerkin pohjalta 1-numerotasolla (3 eri luokkaa) 93 % tarkkuudella ja 8-numerotasolla (740 eri luokkaa) 72 % tarkkuudella pelkän vapaamuotoisen sanallisen kuvauksen perusteella
28 Esimerkkejä Tilastokeskukselta 3: Toimialan ja ammatin automaattinen luokittaminen Työvoimatutkimus haastattelee n. 100k henkilöä vuodessa ja nämä halutaan luokittaa TOL2008-toimialaluokituksen mukaisesti 5- numerotasolla (n. 800 eri luokkaa) Nykyisellään 15% ajasta menee pelkästään luokittamiseen 600k opetusesimerkin pohjalta kokeilussa malli pystyi luokittamaan toimialan automaattisesti yli 85 % tarkkuudella 14 lähtömuuttajan perusteella (ammatti, ikä, sukupuoli, koulutusaste, tulot jne.) Toinen malli pystyi samoista opetusesimerkeistä luokittamaan pelkän toimialan vapaan sanallisen kuvauksen perusteella yli 70 % tarkkuudella Mallit yhdistämällä saavutetaan yksittäisiä malleja parempi tarkkuus
29 Rakenteinen ja rakenteeton data Rakenteellinen data ehkä 20 % kaikesta? Esim. taulukko, jossa asuntojen asuinneliöt, huoneiden lukumäärä, ikä ja kauppahinta Rakenteeton data ehkä 80 % kaikesta? Tai paljon enemmän? Esim. kuvat ja vapaa teksti Data science työ voi olla myös rakenteettoman datan muuttamista rakenteelliseksi 1. Esim. Tilastokeskuksella 400k kotitalouden täyttämä ja 1960-lukujen väestönlaskentalomake (perhekoot, ammatit jne.) paperilta skannattuina 2. Tai esim. vallitsevan tunnelman, kuluttajaluottamuksen jne. mittaaminen Twitter-päivityksistä 3. Tai kotitalouksien aurinkopaneelien laskeminen satelliittikuvista 4. Tai Lontoon puuston ilmastovaikutuksen laskeminen Google Street View -kuvista
30 Data Scientistin tilaaminen laatikossa netistä Automatic Machine learning aka. "Expert Data Scientist in a box
31 3. Mitä osaamista tarvitaan?
32 Citizen Data Scientist (Gartner) Expert Data Scientist Yhteistyötä Kenelläkään yksin ei ole kaikkea tarvittavaa osaamista (ks. kuva)
33 Web-tekniikat ja interaktiivinen visualisointi! Esim. Unkarin tilastoviraston visualisointi eri maiden ajankäytöstä:
34 Verkkokursseja Paljon ilmaisia kursseja ja lisäksi tosi halpoja, mutta hyviä kursseja Suomalaisten yliopistojen tarjonta esim. - kansantajuinen yleiskatsaus Tulossa lisää Coursera.org DataCamp.com Fast.ai
35 4. Kehittäjän työkalut
36 Näillä pääsee hyvin pitkälle (ja ilman euroja) SQL Python, esim. Anaconda Distribution R, esim. RStudio Git Shell Jupyter Notebook (Python, R jne. tuki) Spreadsheets
37 Jupyter Notebook toimii web-selaimessa! Tilastokeskuksen avoin työssäkäyntiaineisto esimerkki: mikroaineistot/ opetusaineistot.html jukkak-tk/libraries/puf-testi- FLEED/html/FLEED.ipynb Aurinkovoimalan tuotannon ennustaminen neuroverkoilla:
38 Lisäksi Pilvipalvelut esim. Azure, Google Cloud, AWS Hajautetut järjestelmät esim. Spark Container-tekniikat, esim. Docker Web-rajapinnat mahdollistavat eri teknologioiden välisen yhteistyön ja koneoppimismallien tuotantoonviennin Paljon kaupallisia analytiikka-/bi-/koneoppimis-ympäristöjä
39 Avoin lähdekoodi eli open source - Käyttäjällä mahdollisuus tutustua ohjelman lähdekoodiin ja muokata sitä omien tarpeidensa mukaisesti - Vapaus käyttää ohjelmaa mihin tahansa tarkoitukseen ja kopioida ja levittää sekä alkuperäistä että muokattua versiota
40 Avoin data ja linkattu avoin data Webissä voidaan jakaa alkuperäisten tekstidokumenttien lisäksi dataa Metatieto ja linkkaus auttaa yhdistämään dataa eri lähteistä koneellisesti avoindata.fi Tilastokeskuksen Paavo: HSL liikennevälineiden reaaliaikainen sijainti
41 Linkkejä event-materials
Tekoäly ja alustatalous. Miten voit hyödyntää niitä omassa liiketoiminnassasi
Tekoäly ja alustatalous Miten voit hyödyntää niitä omassa liiketoiminnassasi AI & Alustatalous AI Digitaalisuudessa on 1 ja 0, kumpia haluamme olla? Alustatalouden kasvuloikka Digitaalisen alustatalouden
LisätiedotE. Oja ja H. Mannila Datasta Tietoon: Luku 2
2. DATASTA TIETOON: MITÄ DATAA; MITÄ TIETOA? 2.1. Data-analyysin ongelma Tulevien vuosien valtava haaste on digitaalisessa muodossa talletetun datan kasvava määrä Arvioita: Yhdysvaltojen kongressin kirjasto
LisätiedotLuku 2. Datasta tietoon: mitä dataa? mitä tietoa?
1 / 14 Luku 2. Datasta tietoon: mitä dataa? mitä tietoa? T-61.2010 Datasta tietoon, syksy 2011 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 31.10.2011 2 / 14 Tämän luennon sisältö
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3.11.2017 Mitä tekoäly on? Wikipedia: Tekoäly on tietokone tai tietokoneohjelma, joka kykenee älykkäiksi
LisätiedotTEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)
JOHDATUS TEKOÄLYYN TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA) KONEOPPIMISEN LAJIT OHJATTU OPPIMINEN: - ESIMERKIT OVAT PAREJA (X, Y), TAVOITTEENA ON OPPIA ENNUSTAMAAN Y ANNETTUNA X.
LisätiedotEnnakoiva analytiikka liiketoiminnassa
Ennakoiva analytiikka liiketoiminnassa Askeleet edelläkävijäksi Tommi Vilkamo Senior Data Scientist, ecraft Referre Roundtable -ilmoittautujat tänään Muut Ennakoiva analytiikka TEKOÄLY KONEOPPIMINEN ENNAKOIVA
LisätiedotData-analyysi tieteenalana Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto
Data-analyysi tieteenalana Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto Faculty of Science Department of Computer Science www.cs.helsinki.fi 9.5.2017 1 Sisällys
LisätiedotJohdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ]
Johdatus tekoälyyn Luento 6.10.2011: Koneoppiminen Patrik Hoyer [ Kysykää ja kommentoikaa luennon aikana! ] Koneoppiminen? Määritelmä: kone = tietokone, tietokoneohjelma oppiminen = ongelmanratkaisukyvyn
LisätiedotTekoäly muuttaa arvoketjuja
Tekoäly muuttaa arvoketjuja Näin kartoitat tekoälyn mahdollisuuksia projektissasi Harri Puolitaival Harri Puolitaival Diplomi-insinööri ja yrittäjä Terveysteknologia-alan start-up: Likelle - lämpötilaherkkien
LisätiedotTekoälysovellusten vaatimukset datalle, tiedon hallinnan prosesseille ja johtamiselle
ECRAFT Tekoälysovellusten vaatimukset datalle, tiedon hallinnan prosesseille ja johtamiselle Case: Kiinteistömaailma Jari Laakkonen, Managing Partnter, ecraft Business Insight 5.11.2018 2 ecraft Business
LisätiedotTekoäly ja sen soveltaminen yrityksissä. Mika Rantonen
Tekoäly ja sen soveltaminen yrityksissä Mika Rantonen Tekoäly- paljon puhetta, mistä kyse? Lyhyesti sanottuna: tekoäly on sellaista koneen tekemää toimintaa, joka ihmisen tekemänä olisi älykästä Otetaan
LisätiedotALGORITMIT & OPPIMINEN
ALGORITMIT & OPPIMINEN Mitä voidaan automatisoida? Mikko Koivisto Avoimet aineistot tulevat Tekijä: Lauri Vanhala yhdistä, kuvita, selitä, ennusta! Tekijä: Logica Mitä voidaan automatisoida? Algoritmi
LisätiedotAPI:Hack Tournee 2014
apisuomi API:Hack Tournee 2014 #apihackfinland Twitter: @ApiSuomi API:Suomi - Suomen metarajapinta apisuomi Apisuomi kerää vertailutietoa ja arvosteluja rajapinnoista madaltaen avoimen datan uudelleenkäytön
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Johdatus monimuuttujamenetelmiin Luennot 30.10.13.12.-18 Tiistaina klo 12-14 (30.10., BF119-1) Keskiviikkoisin klo 10-12 (MA101,
LisätiedotKONEOPPIMISEN HYÖDYNTÄMINEN: AUTOMAATTINEN TIKETTIEN KÄSITTELY. Esa Sairanen
KONEOPPIMISEN HYÖDYNTÄMINEN: AUTOMAATTINEN TIKETTIEN KÄSITTELY Esa Sairanen 29.03.2017 Sisältö Taustaa Tavoite Mitä on koneoppiminen? Azure Machine Learning koneoppimismenetelmiä Projektin vaiheet Data
LisätiedotPower BI 29.5.2015. Tech Conference 28.-29.5.2015. Power BI. Pekka.Korhonen@sovelto.fi. #TechConfFI. Johdanto
Tech Conference 28.-29.5.2015 Power BI Pekka.Korhonen@sovelto.fi #TechConfFI Johdanto 2 1 Microsoft BI komponentit Azure Machine Learning Stream Analytics HDInsight DocumentDB Blob/table storage VM SQL
LisätiedotIntroduction to Machine Learning
Introduction to Machine Learning Aki Koivu 27.10.2016 HUMAN HEALT H ENVIRONMENTAL HEALT H 2016 PerkinElmer Miten tietokone oppii ennustamaan tai tekemään päätöksiä? Historia tiivistettynä Machine Learning
LisätiedotTekoäly tukiäly. Eija Kalliala, Marjatta Ikkala
Tekoäly tukiäly Eija Kalliala, Marjatta Ikkala 29.11.2018 Mitä on tekoäly? Unelma koneesta, joka ajattelee kuin ihminen Hype-sana, jota kuulee joka paikassa Väärinymmärretty sana -> vääriä odotuksia, pelkoja
LisätiedotTekoäly liiketoiminnassa. Tuomas Ritola CEO, selko.io
Tekoäly liiketoiminnassa Tuomas Ritola CEO, selko.io Selko.io Automaattista teknisen tekstin luokittelua ja analysointia, eli tekoälyä tekstidatalle. Päivän agenda: Tekoäly. Muotisana? Strategia? Uhka?
LisätiedotMonimutkaisesta datasta yksinkertaiseen päätöksentekoon. SAP Finug, Emil Ackerman, Quva Oy
Monimutkaisesta datasta yksinkertaiseen päätöksentekoon SAP Finug, 9.9.2015 Emil Ackerman, Quva Oy Quva Oy lyhyesti Quva kehittää innovatiivisia tapoja teollisuuden automaation lisäämiseksi Internetin
LisätiedotKoneoppiminen ja tekoäly suurten tietomassojen käsittelyssä yleensä ja erityisesti sovellettuina satelliittidatan käyttöön metsien arvioinnissa
Koneoppiminen ja tekoäly suurten tietomassojen käsittelyssä yleensä ja erityisesti sovellettuina satelliittidatan käyttöön metsien arvioinnissa Metsätieteen päivä 26.11.2018 Jorma Laaksonen, vanhempi yliopistonlehtori
LisätiedotDigitalisaatio oppimisen maailmassa. Tommi Lehmusto Digital Advisor Microsoft Services
Digitalisaatio oppimisen maailmassa Tommi Lehmusto Digital Advisor Microsoft Services Oppimisen trendit ja ajurit Teknologia on muuttamassa oppimista 50Mrd Arvioitu lukumäärä verkkoon yhdistetyistä laitteista
LisätiedotKoneoppimisen hyödyt arvopohjaisessa terveydenhuollossa. Kaiku Health
Koneoppimisen hyödyt arvopohjaisessa terveydenhuollossa Kaiku Health Petri Avikainen Kaiku Health Petri Avikainen @silputtelija @silppuri Kaiku Health Software Engineer Kaiku Health Software Engineer
LisätiedotLaskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto
Laskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto Julian Voss, Quantum man, 2006 (City of Moses Lake, Washington, USA) Kolme näkökulmaa
LisätiedotLaskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto
Laskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto Julian Voss, Quantum man, 2006 (City of Moses Lake, Washington, USA) Kolme näkökulmaa
LisätiedotPGP: 0809 2085 308E 0DF1 4173 EADD 8231 7135 9F31 FC66
Digitalisaatio matkalla tulevaisuuteen @petterij pjarvinen.blogspot.com bittimittari.blogspot.com @petterij www.facebook.com/petterijj profiles.google.com/petterij pinterest.com/petterij instagram.com/petterijj
LisätiedotTilaisuus alkaa klo 9 ( ). #digibarometri Wi-Fi: FinlandiaHall
Tilaisuus alkaa klo 9 (15.6.2017). #digibarometri Wi-Fi: FinlandiaHall Tervetuloa Tuomo Luoma, Verkkoteollisuus @tluoma #digibarometri Julkistaminen Petri Rouvinen, Etlatieto Oy #digibarometri 2016 2017
LisätiedotTekoälysovellus: (Ennustaminen) Arviointi, estimointi
Tekoälysovellus: (Ennustaminen) Arviointi, estimointi ENNUSTAMINEN (PREDICT) Ennustaminen on mallitusslangia. Paremmin kuvaava termiolisi estimointi, arviointi, selittäminen. Esimerkki: Otetaanihmispopulaatiosta
LisätiedotAvoimen lähdekoodin kehitysmallit
Avoimen lähdekoodin kehitysmallit Arto Teräs Avoimen lähdekoodin ohjelmistot teknisessä laskennassa -työpaja CSC, 25.5.2009 Avoimen lähdekoodin kehitysmallit / Arto Teräs 2009-05-25
LisätiedotAvoimen lähdekoodin ratkaisut paikkatiedon analysoinnin ja visualisoinnin mahdollistajina
Avoimen lähdekoodin ratkaisut paikkatiedon analysoinnin ja visualisoinnin mahdollistajina Esimerkkejä Tampereelta HSY:n paikkatietoseminaari 11.3.2015 Hyväksi todettuja avoimen lähdekoodin vaihtoehtoja
LisätiedotSPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö
SPSS-pikaohje Jukka Jauhiainen OAMK / Tekniikan yksikkö SPSS on ohjelmisto tilastollisten aineistojen analysointiin. Hyvinvointiteknologian ATK-luokassa on asennettuna SPSS versio 13.. Huom! Ainakin joissakin
LisätiedotTekoäly terveydessä ja taloudessa Nykytila, haasteet ja mahdollisuudet. Elina Jeskanen Petrus Metsälä
Tekoäly terveydessä ja taloudessa Nykytila, haasteet ja mahdollisuudet Elina Jeskanen Petrus Metsälä Nykytila #tietotuottamaan Datanhallintakulttuurin kehittäminen, Datastrategia Datalähteiden tunnistaminen
LisätiedotOlet vastuussa osaamisestasi
Olet vastuussa osaamisestasi Ohjelmistoammattilaisuuden uudet haasteet Timo Vehmaro 02-12-2015 1 Nokia 2015 Mitä osaamista tulevaisuudessa tarvitaan? Vahva perusosaaminen on kaiken perusta Implementaatio
LisätiedotPuheentunnistus. Joel Pyykkö 1. 1 DL-AT Consulting
Puheentunnistus Joel Pyykkö 1 1 DL-AT Consulting 2018 Sisällysluettelo Puheentunnistus Yleisesti Chattibotin Luonti Esimerkkinä - Amazon Lex Puheentunnistus Yleisesti Puheentunnistus Yleisesti Puheentunnistus
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotMissä mennään BI? Mikko Kontio
Missä mennään BI? Mikko Kontio Source: EMC - Big Data in 2020 % Business Intelligence Business Analytics set of theories, methodologies, architectures, and technologies that transform raw data into meaningful
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotTavaroiden ulkomaankauppatilastojen tulkinnan haasteet. 22.3.2012 Timo Koskimäki
Tavaroiden ulkomaankauppatilastojen tulkinnan haasteet 22.3.2012 Timo Koskimäki 1 Sisältö Johdannoksi Esimerkit Mikro: Kännykän arvonlisän komponentit Makro: Suomen kauppatase ja viestintäklusteri Kauppatilastojen
LisätiedotValtion hankinnat esiin
Valtion hankinnat esiin Miten ostolaskudataa käytetään hyväksi Tukihankintoja.fi -palvelussa Head of Digital Services and IT 1 2 Taustaa Hanselilla pitkät perinteet hankintatoimen analyyseista (BI) Mitä
LisätiedotTiedonlouhinta rakenteisista dokumenteista (seminaarityö)
Tiedonlouhinta rakenteisista dokumenteista (seminaarityö) Miika Nurminen (minurmin@jyu.fi) Jyväskylän yliopisto Tietotekniikan laitos Kalvot ja seminaarityö verkossa: http://users.jyu.fi/~minurmin/gradusem/
LisätiedotTestiautomaatio tietovarastossa. Automaattisen regressiotestauksen periaate ja hyödyt
Testiautomaatio tietovarastossa Automaattisen regressiotestauksen periaate ja hyödyt Sisältö 2 Testaus kiinteänä osana DW-toteutusta Regressiotestauksen merkitys Robot Framework Automatisoitu DW:n regressiotestaus:
LisätiedotTapaustutkimus big data -analytiikkakoulutuksen suunnittelusta
Tapaustutkimus big data -analytiikkakoulutuksen suunnittelusta Milla Järvi Aalto-yliopisto Sähkötekniikan korkeakoulu Valvoja: Prof. Heikki Hämmäinen Ohjaaja: TkL Janne Salonen Sisällysluettelo Motivaatio
LisätiedotAnalytiikan teknologiset trendit ja uudet mahdollisuudet HR:lle. Heikki Penttinen, OlapCon Oy
Analytiikan teknologiset trendit ja uudet mahdollisuudet HR:lle Heikki Penttinen, OlapCon Oy Sisältö 1. Alustus analytiikan kehityksestä 2. Gartnerin ennustukset analytiikan tulevaisuuden trendeistä 3.
LisätiedotData-analytiikan mahdollisuudet ja osaamiskeskittymän verkosto. Robottirannikon Automaatioseminaari Ulvila
Data-analytiikan mahdollisuudet ja osaamiskeskittymän verkosto Robottirannikon Automaatioseminaari Ulvila Janne Harjamäki, Projektitutkija, DI Tampereen teknillinen yliopisto (TTY) Porin yksikkö 13.7.2017
LisätiedotTietojärjestelmän osat
Analyysi Yleistä analyysistä Mitä ohjelmiston on tehtävä? Analyysin ja suunnittelun raja on usein hämärä Ei-tekninen näkökulma asiakkaalle näkyvien pääkomponenttien tasolla Tietojärjestelmän osat Laitteisto
LisätiedotR intensiivisesti. Erkki Räsänen Ecitec Oy
R intensiivisesti Erkki Räsänen Ecitec Oy Päivän tavoitteet Yleinen perehdytys R:ään; miten sitä käytetään ja mitä sillä voi tehdä Ymmärrämme yleisimpiä analyysimenetelmiä ja osaamme tulkita tuloksia Madallamme
LisätiedotData-analytiikkakonseptin esiselvitys. Palvelu innovaatioseteliin Steamlane Oy
Data-analytiikkakonseptin esiselvitys Palvelu innovaatioseteliin Ari Karppinen ari.t.karppinen@steamlane.com Steamlane Oy 050 5410775 Data-analytiikkakonseptin esiselvitys Onko yrityksessänne laiskaa dataa,
LisätiedotAppseja statseista - Apps4Finland-kilpailun kumppanipuheenvuoro
Appseja statseista - Apps4Finland-kilpailun kumppanipuheenvuoro Apps4Finland 2012 päätöstilaisuus Tietopalvelujohtaja Heli Mikkelä Tilastokeskus Tilastoviraston päätehtävänä olisi niiden muuttuvien tai
LisätiedotTietopolitiikka, tietojohtaminen ja tilastot. Tulevaisuusvaliokunnan kokous Marjo Bruun, 7.11.
Tietopolitiikka, tietojohtaminen ja tilastot Tulevaisuusvaliokunnan kokous 7.11.2018 Marjo Bruun, Tilastokeskus @mrsbruun 7.11.2018 Toimeksianto tietopoliittiselle selonteolle Tehtävä PM Sipilän hallitus
LisätiedotOhjelmiston lisensoinnin avoimet vaihtoehdot
Ohjelmiston lisensoinnin avoimet vaihtoehdot Ohjelmistoliiketoiminta-seminaari Jyväskylä, 11.4.2007 Matti Saastamoinen Suomen open source -keskus COSS COSS - Centre for Open Source Solutions Kansallinen
LisätiedotRobotit ja tekoäly terveydenhuollon työvälineinä nyt ja tulevaisuudessa työn tutkimukseen perustuva näkökulma
VTT TECHNICAL RESEARCH CENTRE OF FINLAND LTD Robotit ja tekoäly terveydenhuollon työvälineinä nyt ja tulevaisuudessa työn tutkimukseen perustuva näkökulma Mikael Wahlström, VTT Erikoistutkija, valtiot.
LisätiedotNetwork to Get Work. Tehtäviä opiskelijoille Assignments for students. www.laurea.fi
Network to Get Work Tehtäviä opiskelijoille Assignments for students www.laurea.fi Ohje henkilöstölle Instructions for Staff Seuraavassa on esitetty joukko tehtäviä, joista voit valita opiskelijaryhmällesi
LisätiedotTekoäly ja ihmisyyden tulevaisuus Keski-Suomen tulevaisuusfoorumi XVI Maija-Riitta Ollila
Tekoäly ja ihmisyyden tulevaisuus Keski-Suomen tulevaisuusfoorumi XVI 8.11.2018 Uuden etiikan edelläkävijyys Tekoäly heijastaa ihmisen toimintaa Millaista muutosta haluamme vahvistaa? Esimerkkejä tekoälyn
LisätiedotMiten kaupunki hyödyntää dataa ja mitä esimerkiksi raportointi vaatii järjestelmiltä
Miten kaupunki hyödyntää dataa ja mitä esimerkiksi raportointi vaatii järjestelmiltä 21.3.2019 Tietohallintoyksikkö, Data- ja analytiikkapalvelut Harri Hämäläinen Agenda Lyhyt esittely Data- ja analytiikkapalveluista,
LisätiedotNopeutta ja Sulavuutta Analytiikkaan
Nopeutta ja Sulavuutta Analytiikkaan Jukka Ruponen Business Analytics Architect!+358-40-725-6086 jukka.ruponen@fi.ibm.com DEMO 1 Result Set Cache Expression Cache Query Data Cache Member Cache Cognos Query
LisätiedotAvoin tilastotieto ja Apps4Finland 2012. Asiakasaamu 4.12.2012 Tietopalvelujohtaja Heli Mikkelä Tilastokeskus
Avoin tilastotieto ja Apps4Finland 2012 Asiakasaamu 4.12.2012 Tietopalvelujohtaja Heli Mikkelä Tilastokeskus Muutama sana avoimesta datasta Tilastokeskus ja avoin data Kokemuksia Apps4Finland -kilpailusta
LisätiedotBig data tilastotoimessa: standardoinnin näkökulma, SFS-seminaari. Pasi Piela, 2.6.2015
Big data tilastotoimessa: standardoinnin näkökulma, SFS-seminaari Pasi Piela, 2.6.2015 Rekisterit ja big data Vanha Big Data - Hallinnolliset rekisteriaineistot (verotus, väestö, sosiaaliturva, ulkomaankauppa
LisätiedotTekoäly ja tietoturva Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto
Tekoäly ja tietoturva Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto www.cs.helsinki.fi Sisällys Johdanto Tekoäly Tekoäly ja tietoturva Tutkimusesimerkkejä www.cs.helsinki.fi
LisätiedotTutkimus Auria Biopankissa ja tulevaisuuden visiot Samu Kurki, FT, data-analyytikko
AURIA BIOPANKKI Tutkimus Auria Biopankissa ja tulevaisuuden visiot 8.3.2019 Samu Kurki, FT, data-analyytikko www.auria.fi Biopankkiprojektit vuosina 2014-2018 Akateemiset projektit 54% Yritysprojektit
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotMustat joutsenet pörssikaupassa
Mustat joutsenet pörssikaupassa Kimmo Vehkalahti yliopistonlehtori, VTT soveltavan tilastotieteen dosentti Opettajien akatemian jäsen Yhteiskuntatilastotiede, Sosiaalitieteiden laitos Valtiotieteellinen
LisätiedotFinFamily PostgreSQL installation ( ) FinFamily PostgreSQL
FinFamily PostgreSQL 1 Sisällys / Contents FinFamily PostgreSQL... 1 1. Asenna PostgreSQL tietokanta / Install PostgreSQL database... 3 1.1. PostgreSQL tietokannasta / About the PostgreSQL database...
LisätiedotSafari-selaimen ohjelmistolisenssi kuluttajan näkökulmasta
-selaimen ohjelmistolisenssi kuluttajan näkökulmasta Teknologiaoikeuden seminaari 2008 n rajaus Rajaus -selaimen lisenssisopimus kuluttajan näkökulmasta Lyhyellä etsimisellä ei löytynyt erityisemmin artikkeleita
LisätiedotViikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi
Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 29-31.10.2008. 1 Tällä viikolla 1. Käytännön järjestelyistä 2. Kurssin sisällöstä ja aikataulusta 3. Johdantoa Mitä koneoppiminen
LisätiedotGooglen pilvipalvelut tutuksi / Google Drive
Googlen pilvipalvelut tutuksi / Google Drive Koulutuksen aikana harjoitellaan tiedostojen ja kuvien siirtoa Google Drive-palveluun sekä tiedostojen jakamista Lisäksi harjoitellaan Google Docs (Asikirjat)
LisätiedotPaikkatietojen käytön tulevaisuus -
Paikkatietojen käytön tulevaisuus - Näkökulmina teholaskenta ja vuorovaikutteisuus Juha Oksanen, tutkimuspäällikkö Geoinformatiikan ja kartografian osasto, Geodeettinen laitos Geoinformatiikan tutkimuspäivät
LisätiedotSivuston tiedotemreemir.com
Sivuston tiedotemreemir.com Luotu Maaliskuu 10 2019 18:41 PM Pisteet66/100 SEO Sisältö Otsikko Emre Emir, Full-Stack Web Developer Pituus : 35 Täydellistä, otsikkosi sisältää väliltä 10 ja 70 kirjainta.
LisätiedotTutkimusprojekti: Siemens Simis-C -asetinlaitteen data-analytiikka
Tutkimusprojekti: Siemens Simis-C -asetinlaitteen data-analytiikka https://www.siemens.com/fi/fi/home.html Toteutus: asetinlaitedatan hyödyntäminen kunnossapidon kehittämiseksi sekä hallinnoinnin ja suunnittelun
LisätiedotKirjastotoimen raportointipalvelu Matti Sarmela
Kirjastotoimen raportointipalvelu 24.3.2017 Matti Sarmela TILANNEKUVA ENNAKOINTI VAIKUTTAVUUDEN ARVIOINTI DATALÄHTÖINEN KEHITTÄMINEN DATASTRATEGIA JA MASTERDATAN HALLINTA Päätöksenteko ja analytiikka Päämäärät
LisätiedotCopyright Observis Oy All rights reserved. Observis Oy Ville Kanerva, CTO Heikki Isotalus, COO Datasta tietoa
Observis Oy Ville Kanerva, CTO Heikki Isotalus, COO Datasta tietoa Platform Tuotekehityksen haasteita ja ratkaisuja Haaste: Massiivisten tietomäärien hallinta Ratkaisu: Pilvipalvelun skaalautuvuus Haaste:
LisätiedotUuden sukupolven soteratkaisut
Uuden sukupolven soteratkaisut Senaattoritapaaminen 23.1.2019 Kalle Reivilä kalle.reivila@tieto.com Kohti älykkäämpää yhteiskuntaa Yksilökohtaisesti räätälöityjä palveluita Rajattomat mahdollisuudet Informaation
LisätiedotAvoimen ja jaetun tiedon hyödyntäminen. Juha Ala-Mursula BusinessOulu
Avoimen ja jaetun tiedon hyödyntäminen Juha Ala-Mursula BusinessOulu Agenda Internetin kehityskaari Määritelmiä: Jaettu data Avoimet rajapinnat Avoin arkkitehtuuri Esimerkki sovelluskohteesta: OuluHealth
LisätiedotTeollinen internet on tuo+avuuden uusi vallankumous mitä sen hyödyntäminen edelly+ää
Teollinen internet on tuo+avuuden uusi vallankumous mitä sen hyödyntäminen edelly+ää Spirit Ura Tampere 24.9.2014 Kaija Pöysti Mikä Teollinen internet? Teollisen interne+n peruspilarit Lähde:GE Digitaalisuus
LisätiedotLinked Events. Helsingin tapahtumarajapinta. Aleksi Salonen
Linked Events Helsingin tapahtumarajapinta Aleksi Salonen Linked Events? Helsingin kaupungin avoin tapahtumarajapinta Ensimmäinen versio 2014, laajemmin käyttöön keväällä 2016 Kaupungin itse kehittämä
LisätiedotLAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä
Esri Finland LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä November 2012 Janne Saarikko Agenda Lidar-aineistot ja ArcGIS 10.1 - Miten LAS-aineistoa voidaan hyödyntää? - Aineistojen hallinta LAS Dataset
LisätiedotArkkitehtuuritietoisku. eli mitä aina olet halunnut tietää arkkitehtuureista, muttet ole uskaltanut kysyä
Arkkitehtuuritietoisku eli mitä aina olet halunnut tietää arkkitehtuureista, muttet ole uskaltanut kysyä Esikysymys Kuinka moni aikoo suunnitella projektityönsä arkkitehtuurin? Onko tämä arkkitehtuuria?
LisätiedotDatan hyödyntäminen yrityksissä
MAL12 Datan hyödyntäminen yrityksissä 23.3.2017 Maatalous-metsätieteellinen tiedekunta Digitalisaatio Nykyään ollaan aiempaa riippuvaisempia netistä ja erilaisista älykkäistä laitteista 1. Kerätyn ja tallennetun
LisätiedotPerinteisesti käytettävät tiedon (datan) tyypit
Perinteisesti käytettävät tiedon (datan) tyypit Relaatiot Dokumentit Nämä muodostavat yhdessä vain 20% kaikesta käyttökelposesta datasta LAITEDATA Datallasi on kerrottavaa sinulle. Kuunteletko sitä? Mitä
LisätiedotTekoälykoulutus seniorimentoreille
Tekoälykoulutus seniorimentoreille Pauli Isoaho Tekoälyasiantuntija Omnia AI Lab 17.9.2018 Aikataulu Päivä 18.9 ti 19.9 ke 20.9 to 24.9 ma Tekoäly 9:30 12:00 9:30 12:00 9:30 12:00 9:30 12:00 Tekoälyn perusteet
LisätiedotIBM Iptorin pilven reunalla
IBM Iptorin pilven reunalla Teppo Seesto Arkkitehti Pilvilinnat seesto@fi.ibm.com Cloud Computing Pilvipalvelut IT:n teollistaminen Itsepalvelu Maksu käytön mukaan Nopea toimitus IT-palvelujen webbikauppa
LisätiedotGooglen pilvipalvelut tutuksi / Google Drive
Googlen pilvipalvelut tutuksi / Google Drive Koulutuksen aikana harjoitellaan tiedostojen ja kuvien siirtoa Google Drive-palveluun sekä tiedostojen jakamista Lisäksi harjoitellaan Google Docs (Asikirjat)
LisätiedotDigiajan menestyksekäs toimitusketju / Expak Materiaalivirtojen ohjaus ja optimointi Caset - Vilpe Oy, Airam Electric Oy Ab
Etelä Digiajan menestyksekäs toimitusketju 24.10.2018 / Expak Materiaalivirtojen ohjaus ja optimointi Caset - Vilpe Oy, Airam Electric Oy Ab Expak Systems Oy Tommi Hyyrynen WWW.EXPAK.FI Suomen Osto- ja
LisätiedotTieto ja sen mallinnus Fonectalla - Teemme tiedosta arvokasta. Aija Palomäki, TDWI jäsenkokous 6.6.2014
Tieto ja sen mallinnus Fonectalla - Teemme tiedosta arvokasta Aija Palomäki, TDWI jäsenkokous 6.6.2014 Puhujasta Yritysarkkitehti, Big data kehityspäällikkö Ylempi korkeakoulututkinto, tietojenkäsittelytiede
LisätiedotRobotit kuntien päätöksenteon tukena
Robotit kuntien päätöksenteon tukena Kuntamarkkinat 11.9.2019 Alkuun vähän taustaa... Miksi emme enää ole köyhiä? Digitalisaatio Laajaalainen taloudellinen ja yhteiskunnallinen muutosprosessi, jonka
LisätiedotKuinka paljon dataa on tarpeeksi?
Kuinka paljon dataa on tarpeeksi? Tiekartta hallitun datalammen rakennukseen Mikko Toivonen Manager, Systems Engineering Dell Technologies Finland Tekoälyn (koneoppimisen) kolme pilaria Tekoälyalgoritmit
LisätiedotÄlykäs datan tuonti kuljetusongelman optimoinnissa. Antoine Kalmbach
Älykäs datan tuonti kuljetusongelman optimoinnissa Antoine Kalmbach ane@iki.fi Sisällys Taustaa Kuljetusongelma Datan tuominen vaikeaa Teoriaa Tiedostojen väliset linkit Mikä sarake on mikäkin? Ratkaisutoteutus
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN
LisätiedotEsiselvitys ja avoin lähdekoodi
Esiselvitys ja avoin lähdekoodi Ilkka Lehtinen Toiminnanjohtaja Suomen avoimen lähdekoodinkeskus The Finnish Centre for Open Source Solutions www.coss.fi 24.11.2009 ilkka.lehtinen@coss.fi 040 820 4600
LisätiedotMuuttaako tekoäly maailmaa - ja miten? Kansainvälinen Telepäivä
Muuttaako tekoäly maailmaa - ja miten? Kansainvälinen Telepäivä 17.5.2018 Heikki Ailisto Tutkimusprofessori Teknologiantutkimuskeskus VTT Oy Tiivistelmä Tekoäly on hype-käyrän huipulla. Siihen liittyy
LisätiedotMammutti vai elefantti?
Mammutti vai elefantti? Tänään tarjolla Arkkitehtuuri - baseline Esittelyssä Elefantti ylhäältä ja alhaalta teoriaa ja kokemuksia Elefantti vs. Mammutti Kuka vie peliä ja millä säännöillä Meidän esimerkki
Lisätiedothttp://creativecommons.fi/
Creative commons http://creativecommons.fi/ Taustaa Richard M. Stallman: Free software From Copy Rights to Copy Left Tavoitteena ohjelmistojen vapaus (Avoin koodi) General Public License, GPL Tekijänoikeus
LisätiedotITSM. Olli Saranen Senior Consultant Avoset Oy Oliko ennen kaikki paremmin kuin nykyään? Kivikaudelta nykyaikaan
ITSM Oliko ennen kaikki paremmin kuin nykyään? Kivikaudelta nykyaikaan Olli Saranen Senior Consultant Avoset Oy 31.8.2016 Esittely Mukana suomalaisten pankkijärjestelmien kehittämisessä ja ylläpitotyössä
LisätiedotIBM IT Education Services - DB2 YTR - sertifioinnit
IBM IT Education Services - DB2 YTR - sertifioinnit Marie-Louise Eklund Sales Representative / Telesales SERTIFIOINTI hanki todistus osaamisestasi IBM Professional Certification Program on kansainvälinen
LisätiedotLämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa
Lämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa VaProKe projekti (Ruukki, TEKES) Intelligent Systems Group, ILMARI JUUTILAINEN, 24.11.2011 Sisältö Projektin tavoitteet Voimamallinnuksen
LisätiedotData Quality Master Data Management
Data Quality Master Data Management TDWI Finland, 28.1.2011 Johdanto: Petri Hakanen Agenda 08.30-09.00 Coffee 09.00-09.30 Welcome by IBM! Introduction by TDWI 09.30-10.30 Dario Bezzina: The Data Quality
LisätiedotTeknologian hyödyntäminen oppimisen ja kehittämisen tukena
Teknologian hyödyntäminen oppimisen ja kehittämisen tukena Sami M. Leppänen 13.11.2012 Nokia Internal Use Only Motivaatio, uteliaisuus, hyöty, Tiedon käytettävyys, asenne, kognitiivisuus, kokemukset Pilvioppiminen
LisätiedotMetatieto mihin ja miten? Juha Hakala Helsingin yliopiston kirjasto juha.hakala@helsinki.fi
Metatieto mihin ja miten? Juha Hakala Helsingin yliopiston kirjasto juha.hakala@helsinki.fi Sisältö Metatiedon määrittely Metatiedon käytöstä Metatietoformaatit MARC, Dublin Core, IEEE LOM Elektronisten
LisätiedotToimitusketjun hallinnasta vähittäiskaupan kokonaisvaltaiseen suunnitteluun ja optimointiin
Toimitusketjun hallinnasta vähittäiskaupan kokonaisvaltaiseen suunnitteluun ja optimointiin Tammiseminaari Tommi Ylinen Kokonaisvaltaista vähittäiskaupan suunnittelua, analytiikkaa ja optimointia ennustepohjaisesti
LisätiedotPoraustyökierrot ja piirteiden tunnistus
Poraustyökierrot ja piirteiden tunnistus 2.5 to 5-Axis Drilling Operations Create a Spot Drilling Operation Create a Drilling Operation Create a Drilling Dwell Delay Operation Create a Drilling Deep Hole
LisätiedotAutamme asiakkaitamme menestymään parantamalla tekemisen luottamustasoa ja läpinäkyvyyttä uusilla innovatiivisilla konsepteilla ja ratkaisuilla.
Celkee Oy:n Missio Autamme asiakkaitamme menestymään parantamalla tekemisen luottamustasoa ja läpinäkyvyyttä uusilla innovatiivisilla konsepteilla ja ratkaisuilla. Tuomme organisaatioiden piilossa olevan
Lisätiedot