Tekoäly liiketoiminnassa. Tuomas Ritola CEO, selko.io
|
|
- Emilia Järvinen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Tekoäly liiketoiminnassa Tuomas Ritola CEO, selko.io
2 Selko.io Automaattista teknisen tekstin luokittelua ja analysointia, eli tekoälyä tekstidatalle.
3
4 Päivän agenda: Tekoäly.
5 Muotisana?
6 Strategia?
7 Uhka?
8 Työkalu.
9 Tietokoneen tekemää, ihmisen kaltaista, ympäristöä havainnoivaa, oppivaa, tavoitteellista päätöksentekoa. Tekoäly - Artificial Intelligence, AI
10 KISS - Keep it simple, stupid. Konenäkö Kielen ymmärrys Koneoppiminen
11 Miksi? Automatisointi Laatu Tehokkuus
12 Haaste: Vaihtuvat projektit vs. tuotekehitys Perusteltu investointi? Tarve: Vaihtuva sisältö Vaihtuva ympäristö Vaihtuvat ihmiset Tiedon kertyminen, pysyvät patternit? Tekoäly & projektiliiketoiminta
13 1. Data 2. Ongelmat 3. Menetelmät 4. Esimerkkejä 5. Lessons learned Agenda Tekoäly liiketoiminnassa
14 Tekoäly & data.
15 Data & tekoäly. Kuva Video Kuvantaminen Anturidata Prosessidata Sijaintidata Numeerinen data Luonnollinen kieli, teksti Puhe à teksti Kuva à teksti
16 Hankkeiden määritykset = tekstiä. Vaatimukset = tekstiä. Kommunikaatio = tekstiä. Päätöksenteko = tekstiä. Raportointi = tekstiä. Tekstidata & Projektit
17 Mittaukset, anturidata, prosessidata, jne, yleensä lähtökohtaisesti numeroita. Kuvat à Matriisi pikseleitä, pikseleillä numeeriset arvot. Ääni à Ääniaallot taajuusdataa Hz Teksti à Sanat monidimensioisia vektoreita. Tekoäly toimii numeroilla.
18 Käytössä olevan datan parempi hyödyntäminen. Datan tehokkaampi, kattavampi kerääminen. Datasta tiedoksi, tiedosta kilpailueduksi. Tekoäly, data & päämäärät
19 Tekoäly & ongelmat.
20 Toistuvat ongelmat. Tylsät ongelmat. Vaikeat ongelmat. Monitahoiset ongelmat. Nopeat ongelmat. Soveltuvat ongelmat?
21 Vaatimukset Riippuvuussuhteet selvillä vähintään tietolähdetasolla Toistuva kannattava investointi Määritettävissä oleva, lopputuloksen hyvyys arvioitavissa
22 Ohje ihmiselle. Päätös tai sen osa. Uusi tai muokattu tuotos jopa luovuutta? Lopputulos
23 Edmond de Belamy by Obvious sold for $ (!)
24 Tekoäly & menetelmät.
25 Pattern recognition Luokittelu Ennustaminen Generatiiviset mallit Jne Esimerkkejä menetelmistä yleisellä tasolla
26 Luokittelu soveltuu moniin ongelmiin!
27 Sääntöpohjaiset menetelmät, good old fashioned AI.
28 Kokoelma sääntöjä, päätöspuut, -hierarkiat. Sääntöpohjaiset menetelmät, good old fashioned AI.
29 Tilastolliset menetelmät. Kokoelma sääntöjä, päätöspuut, -hierarkiat. Sääntöpohjaiset menetelmät, good old fashioned AI.
30 Koneoppiminen. Tilastolliset menetelmät. Kokoelma sääntöjä, päätöspuut, -hierarkiat. Sääntöpohjaiset menetelmät, good old fashioned AI.
31 Koneoppiminen, ohjattu & ohjaamaton.
32 Ohjaamaton koneoppiminen.
33 Ohjattu koneoppiminen. = Oikeiden vastausten antaminen koneelle. Kone oppii tunnistamaan piirteitä, jotka erottavat oikeat ja väärät vastaukset.
34 Input-kerros Mitä on analysoitava data? Määrämittainen input N x piilotettu kerros This is where the magic happens. Output-kerros Mitä halutaan ulos? Neuroverkot yksinkertaistettuna
35 Neuroverkot kuvan tunnistus
36 Input: The heatsink shall fulfill the 72-hour selfsufficiency criterion Sanat esitettävä numeroina neuroverkolle! Neuroverkot kieli/tekstidata The heatsink 8 sanaa shall fulfill the 72-hour self-sufficiency criterion 5 dimensiota [0,01; 0,015; 0,0; 0,1; 0,003] [0,1; 0,0215; 0,4; 0,01; 0,001] [0,001; 0,45; 0,1; 0,31; 0,04] [0,031; 0,015; 0,0; 0,1; 0,003] [0,01; 0,55; 0,011; 0,0; 0,03] [0,14; 0,01; 0,0; 0,1; 0,1] [0,181; 0,1; 0,13; 0,31; 0,05] [0,21; 0,1; 0,0; 0,14; 0,008]
37 Input: The heatsink shall fulfill the 72-hour selfsufficiency criterion Sanat esitettävä numeroina neuroverkolle! Neuroverkot kieli/tekstidata The heatsink 8 sanaa shall fulfill the 72-hour self-sufficiency criterion 400 dimensiota [0,01; 0,015; 0,0; 0,1; 0,003; 0,05; 0 [0,1; 0,0215; 0,4; 0,01; 0,001; 0,1; 0 [0,001; 0,45; 0,1; 0,31; 0,04; 0,02; 0 [0,031; 0,015; 0,0; 0,1; 0,003; 0,00 [0,01; 0,55; 0,011; 0,0; 0,03; 0,1; 0,2 [0,14; 0,01; 0,0; 0,1; 0,1; 0,3; 0,003; [0,181; 0,1; 0,13; 0,31; 0,05; 0,1; 0,4 [0,21; 0,1; 0,0; 0,14; 0,008; 0,03; 0,
38
39
40
41 Syötetään mallille inputit. Koneoppimisprosessi - koulutus.
42 Verkko laskee arvot piilokerroksessa. Koneoppimisprosessi - koulutus.
43 Neuroverkko laskee outputin. Koneoppimisprosessi - koulutus.
44 Outputia verrataan koulutusdatan oikeaan vastaukseen. Correct answer Koneoppimisprosessi - koulutus.
45 Neuroverkon painoarvoja säädetään hieman kohti oikeita vastauksia Koneoppimisprosessi - koulutus.
46 Toistetaan. Koneoppimisprosessi - koulutus.
47 Syötetään analysoitavaa dataa. Koneoppimisprosessi koulutetun mallin käyttö.
48
49
50
51 ?
52 Tekoäly & ratkaisut.
53
54 Huollontarpeen ennakointi
55 Sairauksien diagnosointi, hoidon kohdistaminen
56 Recommendation systems Spotify, Netflix, Amazon
57 Käyttäytymisen ennakointi verkkokaupassa à Vaikuttaminen?
58 Keskusteleva AI
59 Tiedonhaku, assistentit
60 Laatu, poikkeavuudet.
61 Tekstin automaattinen kategorisointi. Kiinnostavien tekstinosien tunnistaminen. Tekstin riippuvuuksien analysointi.
62 Miten päästä alkuun?
63 Laaja ymmärrys.
64 Kyky keskustella tekoälystä.
65 Kirjallisuus, blogit Kurssit - Coursera Palveluita kartoittamiseen Toteutettuja caseja teollisuudesta Tutkimus, open source Miten lisätä ymmärrystä tekoälystä?
66 Miten alkuun tekoälyprojektin kanssa?
67 i. a. b. j. f. e. c. h. g. d.
68 Case Selko Analytics
69 + < Koulutusdataa kiinnostavista tekstinosista >
70 Entä jos ei ole koulutusdataa? à Säännöt, avainsanat.
71 Päivittäisestä dokumenttianalyysissä luodaan tulevaisuuden koulutusdataa.
72 Koulutusdatasta kohti automaatiota.
73 Avainsanat à Sääntöpohjaiset mallit à Syväoppimismallit Aloita yksinkertaisesta ratkaisusta.
74 Päätöspuu Syväoppimismalli: Sekunti per dokumentti CPU Laskenta omalla läppärillä 1 sekunti per lause. GPU - Google Cloud /tunti. Ratkaisun monimutkaisuus vs. hinta
75 Rules of Machine Learning Rule #1: Don t be afraid to launch a product without machine learning.
76 Tekoälyprojektin aloitus:
77 Miten alkuun? Mikä ongelma voidaan ratkaista? Mikä päätöksentekoprosessi voidaan automatisoida? Kohde / ongelma Kohteen arviointi Datan lähde Datan laatu Ratkaisun arviointi Mitä voidaan ennustaa?
78 Miten alkuun? Mikä on ratkaisun arvo? Mikä on vaadittu investointi? Kohde / ongelma Mitä muita vaikutuksia ratkaisulla on? Kohteen arviointi Datan lähde Datan laatu Ratkaisun arviointi
79 Miten alkuun? Mitä dataa on olemassa tai saatavilla - sisäisesti, ulkoisesti? Mitä dataa voisi kerätä? Kohde / ongelma Kohteen arviointi Datan lähde Datan laatu Ratkaisun arviointi Mitä infraa kerääminen vaatisi?
80 Miten alkuun? Kuinka hyvälaatuista data on? Kuinka paljon dataa on? Kohde / ongelma Kohteen arviointi Datan lähde Datan laatu Ratkaisun arviointi Kuinka hyvin se edustaa ratkaistavaa ongelmaa?
81 Miten alkuun? Miten toteutusta arvioidaan? Mitä voidaan mitata? Kohde / ongelma Kohteen arviointi Datan lähde Datan laatu Ratkaisun arviointi Miten tuloksia voidaan parantaa?
82 Aloita ymmärryksen levittämisestä organisaatioon. Aloita pienestä. Hyväksy oppimiskäyrä myös AI:n hyödyntämisessä. Hyväksytään huonot tulokset - odotusten hallinta! Etene pitkäjänteisesti. Yhteenveto - Tekoälyn hyödyntäminen.
83 Aloita opiskelu tänään! Googlaa: Machine learning resources Etc. etc.!
84 Kiitos! PROJEKTIPÄIVÄT 2018 selko.io
E. 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
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
LisätiedotTekoäly 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
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
LisätiedotEdistyksen päivät, Helsinki. Voiko tutkija muuttaa maailmaa? Humanistista meta-analyysiä merkitysneuvottelevien koneiden avulla.
Edistyksen päivät, Helsinki Voiko tutkija muuttaa maailmaa? Humanistista meta-analyysiä merkitysneuvottelevien koneiden avulla Timo Honkela timo.honkela@helsinki.fi 5.10.2017 Taustaa: Rauhankone-konsepti
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.
LisätiedotCALL TO ACTION! Jos aamiaistilaisuudessa esillä olleet aiheet kiinnostavat syvemminkin niin klikkaa alta lisää ja pyydä käymään!
CALL TO ACTION! Jos aamiaistilaisuudessa esillä olleet aiheet kiinnostavat syvemminkin niin klikkaa alta lisää ja pyydä käymään! Monikanavaisen viestinnän mittaaminen: https://www.vapamedia.fi/mittaaminen/
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
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.
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
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
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
LisätiedotTekoäly tänään , Vadim Kulikov (Helsingin Yliopisto)
Tekoäly tänään 6.6.2017, Vadim Kulikov (Helsingin Yliopisto) Lyhyesti: kehitys kognitiotieteessä Representationalismi, Kognitio on symbolien manipulointia. Symbolinen tekoäly. Sääntöpohjaiset järjestelmät
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 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
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
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
LisätiedotMillainen on menestyvä digitaalinen palvelu?
Millainen on menestyvä digitaalinen palvelu? TOIMIVA ÄLYKÄS ILAHDUTTAVA Ohjelmistokehitys Testaus ja laadunvarmistus Ohjelmistorobotiikka Tekoäly Käyttöliittymäsuunnittelu Käyttäjäkokemussuunnittelu 1
LisätiedotLiikkuvien työkoneiden etäseuranta
Liikkuvien työkoneiden etäseuranta TAMK IoT Seminaari 14.4.2016 2 1) IoT liiketoiminnan tukena 2) Iot ja liikkuvat työkoneet 3) Case esimerkit 4) Yhteenveto, johtopäätökset, tulevaisuuden näkymät Cinia
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
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
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS LUONNOLLISEN KIELEN KÄSITTELY (NATURAL LANGUAGE PROCESSING, NLP) TEKOÄLYSOVELLUKSET, JOTKA LIITTYVÄT IHMISTEN KANSSA (TAI IHMISTEN VÄLISEEN) KOMMUNIKAATIOON, OVAT TEKEMISISSÄ
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
LisätiedotDatan analysointi ja visualisointi Teollisen internetin työpaja
Datan analysointi ja visualisointi Teollisen internetin työpaja Jouni Tervonen, Oulun yliopisto, Oulun Eteläisen instituutti 14.3.2016 Johdanto Tavoite yhdessä määritellä miten data-analytiikkaa voi auttaa
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
LisätiedotRAMBOLL WATER TEKOÄLYN HYÖDYNTÄMINEN JÄTEVEDENPUHDISTAMON OPEROINNISSA
RAMBOLL WATER TEKOÄLYN HYÖDYNTÄMINEN JÄTEVEDENPUHDISTAMON OPEROINNISSA Anna Sipilä Vesihuolto 2019 16.5.2019 Jyväskylä 1 MIKSI TEKOÄLY? Vedenpuhdistamoilla mitataan nykyisin paljon eri asioita pelkästään
LisätiedotTaasko meitä huijataan ja viedään viimeisetkin rahat? Onko siitä oikeasti hyötyä? Tekoäly ja ohjelmistorobotiikka ja LähiTapiolassa
Taasko meitä huijataan ja viedään viimeisetkin rahat? Onko siitä oikeasti hyötyä? Tekoäly ja ohjelmistorobotiikka ja LähiTapiolassa 1.4.2019 Mikko Vastela @Mick5691 Tekoäly ja lisätty äly Tekoäly artificial
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.
LisätiedotTapahtuipa Testaajalle...
Tapahtuipa Testaajalle... - eli testaus tosielämässä 09.10.2007 Juhani Snellman Qentinel Oy 2007 Agenda Minä ja mistä tulen Testauksen konteksti Tapauksia tosielämästä ja työkaluja 2 Minä Juhani Snellman
LisätiedotENEMMÄN VAI FIKSUMMIN? - ÄLÄ TAPA UUSIA BISNESMAHDOLLISUUKSIA TEHOTTOMALLA TYÖLLÄ! Anssi Tikka, Business Unit Manager
ENEMMÄN VAI FIKSUMMIN? - ÄLÄ TAPA UUSIA BISNESMAHDOLLISUUKSIA TEHOTTOMALLA TYÖLLÄ! Anssi Tikka, Business Unit Manager Näin saat palvelun laadun, nopeuden ja kannattavuuden kohtaamaan varastoissa ja logistiikkakeskuksissa.
LisätiedotPoikkeavuuksien havainnointi (palvelinlokeista)
Poikkeavuuksien havainnointi (palvelinlokeista) TIES326 Tietoturva 2.11.2011 Antti Juvonen Sisältö IDS-järjestelmistä Datan kerääminen ja esiprosessointi Analysointi Esimerkki Lokidatan rakenne Esikäsittely,
Lisätiedotdigitalisaation mahdollisuudet
Metsäkonetiedon ja digitalisaation mahdollisuudet koulutuksessa koulutuspäällikkö Mikko Saarimaa Digitalisaatio tehostaa opetusta! Vai tehostaako? Digitalisaatio ja automaatio Yksinkertaisimmillaan digitalisaatio
LisätiedotARVOA PALVELUPROSESSIEN ANALYSOINNILLA
ARVOA PALVELUPROSESSIEN ANALYSOINNILLA Työkalupäivät 31.8.2016 Ilkka Mikkonen Infotool Oy Taustat Ilkka Mikkonen Infotool - Toimitusjohtaja Konsultointia 25v Palveluiden ja tietotekniikan yhdistäjä Analytiikka,
LisätiedotMistä 'etojohtamisessa oikeas' on kyse? Tieken Bisnestreffit 11.10.2013
Mistä 'etojohtamisessa oikeas' on kyse? Tieken Bisnestreffit 11.10.2013 Terminologiasta Tietojohtaminen = -edon johtamista -edon rikastamisprosessi - omaisuuden ylläpito + -edolla johtamista -edon hyödyntäminen
LisätiedotJUHTA ja VAHTI juhlatilaisuus, Tietojärjestelmien tulevaisuudesta tekoälyn kehityksen näkökulmasta. Timo Honkela.
JUHTA ja VAHTI juhlatilaisuus, 2017 Tietojärjestelmien tulevaisuudesta tekoälyn kehityksen näkökulmasta Timo Honkela timo.honkela@helsinki.fi 31. lokakuuta 2017 Ihmisestä ja ihmisyhteisöistä Kuva:/skylgroup.com/communities--socities/
LisätiedotMe muutamme tapaa, miten työntekijöitä kuunnellaan.
Me muutamme tapaa, miten työntekijöitä kuunnellaan. Yli 70 % organisaatiouudistuksista kaatuu, kun ihmisiä ei kuunnella.* Oulun Yliopisto, Leena Ruopsa väitöstutkimus 3/2016 http://yle.fi/uutiset/3-8753681
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
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
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
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
LisätiedotDigitalisaatio tehostaa opetusta! RIVERIA.FI
Digitalisaatio tehostaa opetusta! Vai tehostaako? Digitalisaatio mahdollistaa opetuksen ei tehosta sitä? Jokainen tekninen kehitysaskel on ollut voitto ihmiskunnan oppimiselle Luolamaalaukset Ihmisen muisti
LisätiedotKONEOPPIMINEN SISÄLLÖNTUOTANNOSSA CASE NESTE
KONEOPPIMINEN SISÄLLÖNTUOTANNOSSA CASE NESTE Mikael Montonen, Senior Manager Data and Activation & Atte Honkasalo, Lead Data Scientist, Dentsu Data Services Paula Narkiniemi, Digital Communications and
LisätiedotVerojalanjälki ja verojen läpinäkyvyys. Reijo Salo Fortum Corporate Tax Team 27.5.2014
Verojalanjälki ja verojen läpinäkyvyys Reijo Salo Fortum Corporate Tax Team 27.5.2014 Agenda Miksi Fortum selvittää verojalanjälkensä? Fortumin verojalanjälki 2013 Miten verojalanjälki raportti syntyy?
LisätiedotToimitusketjun hallinnasta vähittäiskaupan kokonaisvaltaiseen suunnitteluun ja optimointiin
Toimitusketjun hallinnasta vähittäiskaupan kokonaisvaltaiseen suunnitteluun ja optimointiin Tammiseminaari Tommi Ylinen Kokonaisvaltaista vähittäiskaupan suunnittelua, analytiikkaa ja optimointia ennustepohjaisesti
LisätiedotTyökalujen merkitys mittaamisessa
Työkalujen merkitys mittaamisessa Mittaaminen ja Ohjelmistotuotanto -seminaari Toni Sandelin 18.4.2001, VTT Elektroniikka, Oulu 1 Sisältö Mihin työkalutukea tarvitaan? Työkalut & metriikat: luokitus Mittausohjelmien
LisätiedotKognitiivinen mallintaminen. Nelli Salminen
Kognitiivinen mallintaminen Neuraalimallinnus 24.11. Nelli Salminen nelli.salminen@tkk.fi Tällä kerralla ohjelmassa vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko oppimissääntöjen
LisätiedotAuta asiakkaita löytämään kauppaasi! Terhi Aho/ 21.4.2016
Auta asiakkaita löytämään kauppaasi! Terhi Aho/ 21.4.2016 #ässäthihasta #tuloslove Verkkokaupan hakukoneoptimointi 1. Löydettävyys 2. Mitä on hakukoneoptimointi? 3. Avainsanatutkimus 4. Asiakaspalvelu
LisätiedotLiiketoimintaa metsäkonetiedosta?
Liiketoimintaa metsäkonetiedosta? Matti Rahikka 21/11/2018 1 Agenda Esittäjä Internet of Things Esineiden internet Kuvantunnistus Dronen käyttömahdollisuudet @450-laajakaista - Liikkuva tukiasema Kuka
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:
LisätiedotMatkalla digitaaliseen tulevaisuuteen
Älykäs teollisuus -seminaari, 1.9.2015, Janne Öhman, toimitusjohtaja, Matkalla digitaaliseen tulevaisuuteen Public 2015. All rights reserved www.siemens.fi 160 vuotta sähköistystä, automaatiota ja digitalisaatiota
LisätiedotKeinoälyn mahdollisuudet terveydenhuollossa
Keinoälyn mahdollisuudet terveydenhuollossa Professori Pekka Neittaanmäki 21.5. Tiedolla johtamisen verkosto, Verkostopäivä JYU. Since 1863. 15.5.2018 1 Jyväskylän Yliopiston Informaatioteknologian tiedekunta
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
LisätiedotTosi elävä virtuaalimalli Mika Karaila Tutkimuspäällikkö Valmet Automation
Tosi elävä virtuaalimalli 27.4.2017 Mika Karaila Tutkimuspäällikkö Valmet Automation Agenda Teollinen internet Uudet teknologiat: VR & MR Soveltaminen käytännössä Yhteenveto & demo 2 Teollinen internet
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
LisätiedotKirjaston verkkopalvelun suunnittelu käyttäjäkeskeisesti. Päivi Ylitalo-Kallio Eduskunnan kirjasto (Metropolia Ammattikorkeakoulun kirjasto)
Kirjaston verkkopalvelun suunnittelu käyttäjäkeskeisesti STKS Tietoaineistoseminaari 14.3.2012 Päivi Ylitalo-Kallio Eduskunnan kirjasto (Metropolia Ammattikorkeakoulun kirjasto) tietoisku Oppiva kirjasto
LisätiedotOHJELMISTOROBOTIIKKA LIIKETOIMINNAN UUDISTAJANA
OHJELMISTOROBOTIIKKA LIIKETOIMINNAN UUDISTAJANA MIKA ORAVA, TELIA FINLAND 25.1.2018 Ratkaisu 18 MEIDÄN PITI MUUTTAA MAAILMAA! Meistä tuli muurareita taksikuskeja, suutareita yksinhuoltajaäitejä, autokauppiaita.
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
LisätiedotDigitaalisen median todellinen ROI ja sen mittaaminen
Digitaalisen median todellinen ROI ja sen mittaaminen Vaikuttavan digimainonnan anatomia, 24.10.2018 JUHA NUUTINEN, CEO & Cofounder, Sellforte Maailmanlaajuisen vähittäiskauppa-analytiikan ja big datan
LisätiedotEurooppalaiset tuomioistuimet alustatalouden arkkitehteina
Eurooppalaiset tuomioistuimet alustatalouden arkkitehteina Tuomas Mylly tuomyl@utu.fi 17.11.2016 Alustayhteiskunta Platform Society (J. Van Dijk) Kaikki julkisen ja yksityisen elämän alueet Osa fyysistä
LisätiedotArviointi- ja laatuverkoston oppimiskahvila Hyvinkäällä Jaana Ilomäki
Arviointi- ja laatuverkoston oppimiskahvila Hyvinkäällä 13.6.2018 Jaana Ilomäki Ideoidaan yhdessä! Learning cafe tai toiselta nimeltään oppimiskahvila on tapa ideoida ja oppia. Se on keskusteluun, tiedon
LisätiedotMillainen on hyvä sisältöansainnan kehityshanke? Heikki Nurmi Tekesin aamiaisseminaari 19.5.2015
Millainen on hyvä sisältöansainnan kehityshanke? Heikki Nurmi Tekesin aamiaisseminaari 19.5.2015 Agenda 1. Sisältöansainta: tilanne ja trendit 2. Millainen on hyvä kehityshanke? 3. Projektisuunnittelusta
LisätiedotTavaratilausten tietovirrat ja datan hyödyntäminen -case S-ryhmä ja Satakunnan Osuuskauppa
Tavaratilausten tietovirrat ja datan hyödyntäminen -case S-ryhmä ja Satakunnan Osuuskauppa Esityksessä Lyhyt Satakunnan Osuuskaupan ja S-ryhmän esittely Tietovirtojen hyödyntäminen tavaratilauksissa Ennakointi
LisätiedotTällä kerralla ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus Kertausta: Perseptronin oppimissääntö
Tällä kerralla ohjelmassa Kognitiivinen mallintaminen Neuraalimallinnus 19.2. Nelli Salminen nelli.salminen@helsinki.fi D433 vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko
LisätiedotLöydä Helsinki. Mobiili infopalvelu lukutaidottomille helsinkiläisille Olga Kaijalainen. KYKY II Stadin osaamiskeskus Helsingin kaupunki
Löydä Helsinki Mobiili infopalvelu lukutaidottomille helsinkiläisille 13.10.2018 Olga Kaijalainen KYKY II Stadin osaamiskeskus Helsingin kaupunki loydahelsinki.fi Onko ryhmissänne lukutaidottomia aikuisia?
LisätiedotDIGITAALISEN MARKKINOINNIN ABC
Smarter Data Better Results LESS REPORTS MORE RESULTS DIGITAALISEN MARKKINOINNIN ABC SUPER ANALYTICS & AKATEMIA 24/7 WEBINAARI 15.10.2014 KLO 15 www.superanaly,cs.fi www.akatemia.fi DIGITAALISEN MARKKINOINNIN
LisätiedotGenbu Oy 2019,
Genbu Oy 2019, www.genbu.fi Ihminen kiertotaloudessa Antropologinen näkökulma Genbu Genbu on laadulliseen menetelmään erikoistunut tutkimus- ja konsultointiyhtiö. Olemme laadullisen tutkimuksen, ihmistieteiden
Lisätiedot#vibes2016 TERVETULOA. Enfo Digital Dimension Vibes 2016
TERVETULOA Enfo Digital Dimension Vibes 2016 LOISTE OY DIGITALISAATION AVULLA UUTTA LIIKETOIMINTAA - CASE LOISTE EERO LUHTANIEMI AGENDA Loiste-konserni Digitalisaatio Kehityshaasteet energiayhtiössä Talousprosessien
LisätiedotWEBINAARI 24.11.2015
WEBINAARI 24.11.2015 Analytiikan hyödyntäminen markkinoinnissa Petri Mertanen, Super Analytics - @mertanen Jarno Wuorisalo, Cuutio - @jarnowu Tomi Grönfors, Brandfors - @groenforsmethod WEBINAARIN ISÄNNÄT
LisätiedotKlikit Myynniksi. Raahe Jaakko Suojanen
Klikit Myynniksi Raahe 31.10.2016 Jaakko Suojanen Sisältö Verkossa myyminen Tehokas verkkosivu Liikennemäärän kehittäminen Hakukoneoptimointi Google Adwords Facebook Konversion kehittäminen Jaakko Suojanen
LisätiedotAloittelijasta Internet markkinoinnin sankariksi. Artem Daniliants / LumoLink
Aloittelijasta Internet markkinoinnin sankariksi Artem Daniliants / LumoLink CEO at LumoLink Verkkokauppa & Web teknologian asiantuntija 13+ vuotta kokemusta Internet liiketoiminnasta 10+ vuotta kokemusta
LisätiedotTaustoitusta vastuullisuuskriteereihin
Taustoitusta vastuullisuuskriteereihin Mika Nieminen 16.1.2019 VTT beyond the obvious 1 Miksi tekoälyn eettisyys ja vastuullisuus? Negatiivisten seurausten välttäminen Geneerinen teknologia, jolla lukemattomia
LisätiedotDIGITAALINEN MARKKINOINTI ELINTARVIKEALALLA EKM-102
DIGITAALINEN MARKKINOINTI ELINTARVIKEALALLA EKM-102 Jari Salo, KTT Professori (Markkinointi) Dosentti (Digitaalinen markkinointi) Aalto-yliopiston kauppakorkeakoulu Apulaispäätoimittaja Internet Research
LisätiedotSähköiset kokeet lukion fysiikassa ja kemiassa. Tiina Tähkä
Sähköiset kokeet lukion fysiikassa ja kemiassa Tiina Tähkä Vastaa kysymyksiin esityksen aikana Avaa älypuhelimen selaimella m.socrative.com room number: 880190 Miksi tietokoneita pitäisi käyttää arvioinnissa?
LisätiedotSosiaalisen median mahdollisuudet matkailualalla
@MeltwaterFIN Sosiaalisen median mahdollisuudet matkailualalla Valtteri Pihlajaniemi Key Account Manager Meltwater Group 0 Sisältö @MeltwaterFIN I. PARI SANAA MELTWATERISTA II. SOSIAALISEN MEDIAN SEURANTA
LisätiedotDIGITALISAATIO TYÖELÄMÄN AJURINA. People First henkilöstö- ja asiakaskokemus digitalisoituneessa tulevaisuudessa
1.12.2017 DIGITALISAATIO TYÖELÄMÄN AJURINA People First henkilöstö- ja asiakaskokemus digitalisoituneessa tulevaisuudessa Onko asiakaskokemus johdon agendalla? Mikä on johdon rooli asiakaskokemuksen kehittämisessä?
LisätiedotArviointi, mittarit. Pori maakuntakirjastokokous Marjariitta Viiri / Pohjanmaan ELY-keskus
Arviointi, mittarit Pori maakuntakirjastokokous 22.3.2011 Marjariitta Viiri / Pohjanmaan ELY-keskus asialista Arviointi kehittämisvälineenä Arvioinnin trendejä Erilaisia arviointeja Itsearviointi, tilastot,
LisätiedotTee-se-itse -tekoäly
Tee-se-itse -tekoäly Avainsanat: koneoppiminen, tekoäly, neuroverkko Luokkataso: 6.-9. luokka, lukio, yliopisto Välineet: kynä, muistilappuja tai kertakäyttömukeja, herneitä tms. pieniä esineitä Kuvaus:
LisätiedotElinkaariarvioinnin mahdollisuudet pkyrityksissä
Elinkaariarvioinnin mahdollisuudet pkyrityksissä Johanna Niemistö, Suomen ympäristökeskus SYKE Toimintamalli yritysten elinkaaristen ympäristövaikutusten kehittämiseksi (MALLI-Y) -hanke Kestävän tuotekehittämisen
LisätiedotKokonaisuuksien, riippuvuuksien ja synergioiden hahmottaminen helpottuvat
Johtaminen voidaan jakaa karkeasti kolmeen osaan: 1. Arvojohtaminen (Leadership) 2. Työn(kulun) johtaminen (Process management) 3. Työn sisällön ja tulosten/ tuotosten johtaminen (esim. Product management)
LisätiedotPÄIVÄN OHJELMA AAMUPÄIVÄ ILTAPÄIVÄ
PÄIVÄN OHJELMA AAMUPÄIVÄ 08:30-09:00 Aamukahvi ja alkusanat Tommi Hyyrynen 09:00-10:15 Tekoäly tänään totta vai tarua? Antti Merilehto, Tekoälyn Matkaopas 10:15-11:00 Case Image Wear Oy Mari Kuukkula 11:00-12:00
LisätiedotTechnopolis Business Breakfast Technopolis, Kuopio
Technopolis Business Breakfast Technopolis, Kuopio 27.9.2012 Oskari Uotinen Intosome Oy on yhteisöllisen bisneskehityksen asiantuntijayritys. Autamme asiakkaitamme ymmärtämään ja hyödyntämään yhteisöllisiä
LisätiedotAvainsanojen poimiminen Eeva Ahonen
Avainsanojen poimiminen 5.10.2004 Eeva Ahonen Sisältö Avainsanat Menetelmät C4.5 päätöspuut GenEx algoritmi Bayes malli Testit Tulokset Avainsanat Tiivistä tietoa dokumentin sisällöstä ihmislukijalle hakukoneelle
LisätiedotTekoälyä testauksessa ja hyvän softan teossa
Tekoälyä testauksessa ja hyvän softan teossa Matti Vuori www.mattivuori.net matti.vuori@mattivuori.net @Matti_Vuori 7.5.2017 1(17) Sisällysluettelo Tässä setissä 3 Tekoälyn sovellusstrategiat 4 Tekoäly
LisätiedotProjektisuunnitelma. Projektin tavoitteet
Projektisuunnitelma Projektin tavoitteet Projektin tarkoituksena on tunnistaa erilaisia esineitä Kinect-kameran avulla. Kinect-kamera on kytkettynä tietokoneeseen, johon projektissa tehdään tunnistuksen
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
LisätiedotSähköisen markkinoinnin viisi kultaista sääntöä eurooppalaisten operaattoreiden silmin
Sähköisen markkinoinnin viisi kultaista sääntöä eurooppalaisten operaattoreiden silmin 26.10.2011 Otto Söderlund Partner Magenta Advisory on suomalainen sähköisen liiketoiminnan asiantuntija jolla on vahva
LisätiedotEnnustava analytiikka B2B- myynnissä. Miten hyötyä säännönmukaisuuksista markkinoinnissa ja myynnissä
Ennustava analytiikka B2B- myynnissä Miten hyötyä säännönmukaisuuksista markkinoinnissa ja myynnissä B2B Myynnin ja markkinoinnin haasteet nyt Myynti- ja muu yritysdata on olemassa, mutta ei saatavilla,
LisätiedotTekoäly ja koneoppiminen metsävaratiedon apuna
Tekoäly ja koneoppiminen metsävaratiedon apuna Arbonaut Oy ja LUT University 26. marraskuuta 2018 Metsätieteen päivä 2018 Koneoppimisen kohteena ovat lukujen sijasta jakaumat Esimerkki 1 Koneoppimisessa
LisätiedotMTTTS2 Pro gradu -tutkielma ja seminaari. Kevät 2014, 40op Jaakko Peltonen
MTTTS2 Pro gradu -tutkielma ja seminaari Kevät 2014, 40op Jaakko Peltonen Osaamistavoitteet Opiskelija osaa tehdä itsenäisesti tilastollista tutkimustyötä ja osaa raportoida sekä käyttämiensä menetelmien
LisätiedotMiten ICT palveluiden tarjontaa ja saatavuutta voitaisiin parantaa Lapissa?
Lapin Digistep 3.5.2018 Yritysten digitaalinen toimintaympäristö Miten ICT palveluiden tarjontaa ja saatavuutta voitaisiin parantaa Lapissa? Tuomo Lindholm Tietojenkäsittelyn lehtori Lapin Ammattikorkeakoulu,
LisätiedotNeuroverkkojen soveltaminen vakuutusdatojen luokitteluun
Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Sami Hokuni 12 Syyskuuta, 2012 1/ 54 Sami Hokuni Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Turun Yliopisto. Gradu tehty 2012 kevään
Lisätiedot@apoikola. Datan jakaminen Tekoälykiihdyttämö. Kalvot: Antti 'Jogi' Poikola Teknologiateollisuus
Datan jakaminen Tekoälykiihdyttämö Antti 'Jogi' Poikola Teknologiateollisuus Valun käytön seminaari 28.3.2019 Tampere @apoikola Kalvot: http://bit.ly/faia-valu Datan jakaminen Vanha liiketoiminta Uusi
LisätiedotTiedolla johtamisen ja tietovarastoinnin kehittämistyö AMKE:ssa
Ammattiosaamisen kehittämisyhdistys AMKE ry. Tiedolla johtamisen ja tietovarastoinnin kehittämistyö AMKE:ssa LARK, workshop 30.10.2012 Tellervo Tarko Johdettaisiinko tiedolla, onko tiedolla merkitystä?
LisätiedotTeollinen Internet tuotantotoiminnassa -seminaari Raahe 13.1.2016 Kimmo Jaakkonen, Absent Oy. Teollinen Internet konepajateollisuudessa
Teollinen Internet tuotantotoiminnassa -seminaari Raahe 13.1.2016 Kimmo Jaakkonen, Absent Oy Teollinen Internet konepajateollisuudessa Absent Oy Teollisuuden palveluliiketoimintajärjestelmät Aftersales
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
LisätiedotMIKKO-projekti ja mittausten automatisointi
MIKKO-projekti ja mittausten automatisointi FiSMA-seminaari 11.12.00 Matias Vierimaa VTT Elektroniikka 1 MIKKO-projekti Projektin tavoitteena on kehittää mittauskehikko, joka tukee ohjelmistoprosessin
LisätiedotYHTEISTYÖN KÄYTÄNNÖT UUDEN TIEDON LUOMISESSA
Professori Hannu Kärkkäinen Tampereen teknillinen yliopisto KOULUTUSTILAISUUS 18.9.2012 KLO 9-12 YHTEISTYÖN KÄYTÄNNÖT UUDEN TIEDON LUOMISESSA THE RANGE OF WHAT WE THINK AND DO IS LIMITED BY WHAT WE FAIL
LisätiedotHelena Liira Johtava ylilääkäri, Kirkkonummen tk Dosentti, kliininen opettaja 20 %, HY
Helena Liira Johtava ylilääkäri, Kirkkonummen tk Dosentti, kliininen opettaja 20 %, HY Sidonnaisuudet: Ei taloudellisia Luentoja Pfizerille ja Abbottille Pitkä tausta hoitosuositustyössä Duodecimissa Toimittajana
Lisätiedot