AI-heräämö: Tekoälykehityksen katalysointia Pirkanmaalla. Arto Peltomaa, DIMECC Oy
|
|
- Hanna Jääskeläinen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 AI-heräämö: Tekoälykehityksen katalysointia Pirkanmaalla Arto Peltomaa, DIMECC Oy
2 Pirkanmaan liiton rahoittamassa AI-heräämö-hankkeessa järjestettiin 7 erityisesti PK-yrityksille suunnattua koulutustilaisuutta Kangasala Valkeakoski Sastamala Tampere Ylöjärvi Nokia Lempäälä Tilaisuuksiin osallistui yli 70 henkeä 61 yrityksestä.
3 Tehokuutta liiketoimintaan tekoälyn avulla! AI-heräämö Tampere Torstaina 5. maaliskuuta klo 9-12 Lempäälä PAIKKA: Lempäälän Kehitys, Realparkinkatu 4, Lempäälä Pirkanmaan yrityksille suunnatussa tilaisuudessa kerrotaan: Räätälöidysti koulutuspaketti on Ripeästi Katsotaan yrityksesi Verkostoituen tekoälyn Puolen päivän tilaisuuksien tavoite oli rohkaista ja aktivoida yrityksiä datan hyödyntämiseen uusien tuoteominaisuuksien ja palvelujen kehittämisessä.
4 Koulutusten kolme päätavoitetta 1. Lisätä yritysten mielenkiintoa käytettävissä olevaan dataan ja sen tarjoamiin liiketoimintamahdollisuuksiin. 2. Selventää mitä koneoppiminen on ja miksi siitä kannattaa olla kiinnostunut. 3. Antaa apua yrityksen oman osaamisen kasvattamiseen ja pilottiprojektien käynnistämiseen. Mielenkiintoa heräteltiin lukuisilla esimerkeillä pioneeriyritysten onnistumisista. Tekoälyn teknisten perusteiden esittelyssä päähuomion sai koneoppiminen (Machine Learning). Dataprojektien ensiaskeleita ei tarvitse eikä kannata ottaa yksin. Apua löytyy runsaasti Pirkanmaalta ja tarvittaessa kauempaa.
5 Suuria odotuksia ja hypetystäkin Tekoäly on ollut teknologiatrendien aallonharjalla muutamia vuosia. Monet maat, kuten Suomi, ovat laatineet kansallisia strategioita tekoälykehityksen kiihdyttämiseksi. Hypekäyrien huipulla olon seurauksena aiheeseen liittyy myös ylimitoitettuja odotuksia, pelkoja ja väärinkäsityksiä. AI-heräämö lähestyy tekoälyä juhlapuheiden alapuolella yritysten arjen tasolla. Keskeinen viesti on: Kiinnostukaa datoistanne. Ne tarjoavat uusia mahdollisuuksia kasvuun ja kilpailukyvyn kehittämiseen.
6 Miksi juuri nyt? 6 Data-analytiikan ja tekoälyn tutkimusta ja soveltamista on tehty insinööritieteissä ja muilla aloilla jo vuosikymmeniä. Nyt ollaan kuitenkin uudessa tilanteessa. Hitaasta evoluutiosta on siirrytty nopean kasvun vaiheeseen. Elektroniikkaa ja antureita kyetään integroimaan lähes kaikkialle. Tiedonsiirrossa on tehty huimia kehitysharppauksia ja tiedon käsittely ja tallennus on tehokkaampaa ja edullisempaa kuin ikinä. Myös tekoälyn menetelmissä ja työkaluissa on otettu isoja kehitysaskeleita.
7 AI:n historiasta 7 Tekoälyn historia on 40-luvulta alkava värikäs tarina monen tieteenalan yhteistyötä. Varhaisia sovelluksia tehtiin mm. peleissä (esim. shakki) robotiikassa, prosessien optimoinnissa ja logistiikan suunnittelussa. Kehityksen tärkein viime vuosien ajuri on ollut koneoppiminen. Sähköpostien SPAM-suodattimet on yksi arkielämän koneoppimissovellutus. Lähde: Futurice Kuumin koneoppimisen alue on syvät neuroverkot (Deep Learning). Lähes kaikki uudet kuvantunnistussovellukset on tehty neuroverkkomalleilla.
8 Tarinoita pioneeriyrityksistä Monet kansainväliset menestyjät Pirkanmaalla ja muualla Suomessa ovat tehneet datalähtöistä tuotteiden ja palvelujen kehitystä jo vuosia. Esimerkiksi koneenrakennuksen alueella yritykset ovat kehittäneet elinkaaripalveluja (ennakoiva kunnonvalvonta, suorituskyvyn optimointi, kuljettajakoulutus jne.), jotka ovat tärkeitä suhdannevaihtelujen tasaamisessa. Tunnettuja AI- ja data-pioneereja Suomessa ovat mm. John Deere Forestry, Sandvik, Glaston, Cargotec, KONE, Konecranes ja Wärtsilä
9 Tarinoita pioneeriyrityksistä 9 Metsäkoneissa aloitettiin systemaattinen suorituskyvyn ja kunnon monitorointi jo 2000-luvun alussa. Kuva havainnollistaa harvesterin tuottavuuden (m3/h) riippuvuutta keskirunkokoosta (m3). Tuhansien mittausten kaoottisesta raakadatasta on syntynyt informaatiota käyräsovituksella. Ylimmät käyrät kertovat huippukuljettajien suorituksista hyvissä korjuuolosuhteissa. Alakäyrät liittyvät aloitteleviin kuljettajiin ja epäedullisiin olosuhteisiin. Vastaavia metsäkoneiden suorituskykyyn, polttoainetalouteen ja kuntoon liittyviä osatekijöitä ja riippuvuuksia on satoja. Tämä esimerkki liittyy koneoppimiseen. Koneoppimisessa datasta rakennetaan ennustusmalleja. Kuvan käyrät ovat yksinkertaisia yhden muuttujan ennustusmalleja.
10 Tarinoita pioneeriyrityksistä Laaja tiedonkeruu sadoista metsäkoneista johti siihen, että yksittäiselle koneelle pystyttiin laskemaan kuvan mukainen suorituskykyraportti. Raportti kertoo arvosanoin (1-5) ja absoluuttiarvoin harvesterin tärkeimmät tunnusluvut tuottavuudesta (m3/h), polttoainetaloudesta (l/m3) alkaen. Raportti auttaa koneyrittäjiä, koneiden kuljettajia ja huolto-organisaatiota toiminnan kehittämisessä ja ongelmien ennakoinnissa. Isojen konevalmistajien ja monien muiden toimialojen T&K-väki on tehnyt data-analytiikka ja AI-kehitystä jo vuosia. Olemme nyt tärkeässä murrosvaiheessa. Datasta pitää kiinnostua kaikissa yrityksissä ja entistä laajemmalla porukalla.
11 Data-analytiikka ja AI koskee kaikkia Data, sen jalostaminen ja AI on ollut aiemmin T&K-väen salatiedettä. Nyt olemme uudessa tilanteessa. Dataan liittyviä tärkeitä kehitysmahdollisuuksia on yritysten kaikissa toiminnoissa. Esimerkiksi myynnissä ja markkinoinnissa AI-sovellusten määrä ja käyttö lisääntyy kovaa vauhtia. Samoin asiakaspalvelussa.
12 Koneoppiminen helikopterinäkymä Palataan koneoppimisen perusteisiin. Metsäkoneiden tuottavuuskäyrien yhteydessä todettiin, että koneoppiminen on ennustusmallien rakentamista. Yleisempi prosessi näyttää tältä: 1) Meillä on dataa, johon 2) sovelletaan jotain koneoppimisalgoritmia, ja näin 3) saadaan mallikandidaatti, jota 4) testataan ja kehitetään kunnes se on käyttökelpoinen. Näin tehdyillä ennustusmalleilla toimivat monet ennakoivan kunnossapidon sovellukset teollisuudessa, Netflixin ja Amazonin suositusjärjestelmät, puheentunnistussovellukset ja vaikkapa parkkihallien rekisterinumeron tunnistus. Käytännön koneoppimismalleissa voi olla kymmeniä, satoja tai jopa tuhansia muuttujia. Mallit eivät synny perinteisellä ohjelmointityöllä. Malleja tuottavat algoritmit. Hyvien mallien kehittäminen vaatii silti osaavia ihmisiä monissa vaiheissa.
13 Esimerkki: Tekonivelsairaala COXA Tamperelainen tekonivelsairaala Coxa on alansa kärkitoimijoita maailmassa. Coxa on soveltanut koneoppimista mm. potilaiden komplikaatioriskin ennustamiseen PATIENTS Average age 70 years Coxalla on käytössään tuhansien potilaiden ennakkotiedot ja toipumistiedot. Näiden avulla on kyetty luomaan ennustusmalleja, jotka auttavat sairaalan toiminnan kehittämisessä. Youngest 14 Oldest 102
14 Esimerkki: Asiakkuuksien hallinta (CRM) ja markkinointi Tekoälyn ja koneoppimisen käyttö myynnissä ja markkinoinnissa kasvaa kovaa vauhtia. CRM-järjestelmien AI-piirteistä löytyy runsaasti tietoa tuotevalmistajien (esim. Salesforce) verkkosivuilta. Myynnin ja markkinoinnin AI-kehityksen kuumimpia kohteita ovat muun muassa: Pricing and promotion Customer service management Next Product To Buy (NPTB) Customer acquisition / lead generation Marketing budget allocation Churn reduction Channel management
15 Lisää esimerkkejä Tamperelainen lasinjalostuskoneita valmistava Glaston on koneoppimisen soveltamisen pioneereja. Siru-nimisellä puhelinsovelluksella otetaan kuva lasinkarkaisuun liittyvässä laadunvarmistustestissä. Kuva analysoidaan ja tuloksista luodaan automaattisesti raportti. Kysymyksessä on syvillä neuroverkoilla toteutettu kuvankäsittelysovellus. Kehitystyö tehtiin yhteistyössä Tampereen yliopiston kanssa. Lääketieteen diagnostiikkaratkaisut syöpätautien tunnistamisessa on yksi kuumimpia koneoppimisen sovellusalueita. Malleja koulutetaan valtavilla data-aineistoilla ja radiologit saavat lähivuosina käyttöönsä uusia entistä tehokkaampia apuvälineitä syöpätautien varhaiseen toteamiseen ja tehokkaaseen hoitoon.
16 Esimerkki: Suositusjärjestelmät ja chatbotit Verkkokauppojen suositusjärjestelmät on nykyisin yksi näkyvimpiä tekoälysovelluksia. Netflixin tyyppisen ratkaisun rakentaminen on myös suosittu harjoitustehtävä koneoppimisen peruskursseilla. Suositusjärjestelmät tulevat varmasti yleistymään myös B2B alueella ja PK-yritysten käyttöön soveltuvien ratkaisujen tarjonta kasvaa. Chatbotit eli verkkosivujen assistentit ovat voimakkaan kehityksen alla. Niistä rakennetaan entistä kyvykkäämpiä koneoppimisen avulla.
17 Esimerkki: Urheiluanalytiikka 17 Tamperelainen Bitwise Oy on urheiluanalytiikan edelläkävijä. Jääkiekkoon kehitetty Wisehockey-järjestelmä kerää reaaliaikaista paikkatietoa pelaajista (25 mittausta/s) ja kiekosta(100 mittausta/s). 3 Wisehockey on ollut kansainvälinen menestys. Kaikki Suomen ja KHL:n liigahallit on varustettu tällä järjestelmällä. Data, sen analysointi ja visualisointi tarjoaa lukuisia uusia palveluja valmentajille, pelaajille, yleisölle ja vaikkapa vedonlyöntitoimistoille.
18 Harjoitus 1: Sinun yrityksesi datat Mitä omia datoja yritykselläni on? Mitä ulkopuolista dataa on saatavilla? AI heräämö koulutuksissa viriteltiin myös keskustelua osallistujayritysten omista datoista. Koulutuksen keskeinen viesti oli: Kiinnostukaa datoistanne. Miettikää hyödyntämismahdollisuuksia. Ensimmäiset askeleet voivat olla yksinkertaista tutustumista ja esimerkiksi vain datan visualisointia.
19 Koneoppimisen perusteita Koneoppimisen päähaarat ovat: 1. Ohjattu oppiminen 2. Ohjaamaton oppiminen Ohjatussa oppimisessa ennustusmalli koulutetaan tunnetulla datalla. Tällöin esimerkiksi syöpädiagnostiikassa tiedetään onko mittaus terveestä vai sairaasta kudoksesta. Lähde: Futurice Ohjaamattomassa oppimisessa ei tunneta yksittäiseen mittaukseen liittyvää oikeaa vastausta. Datoista pyritään paljastamaan mielenkiintoisia ryhmiä (clustering). Esimerkiksi markkinointitiimi voi ryhmitellä asiakkaita ostohistorian piirteiden mukaan.
20 Koneoppimisen perusteita ousing price prediction. Price ($) in 1000 s Malignant? (Y) 0(N) J(θ) = The vectorized version is: Where 1 m 2m i= 1 Size in feet 2 ( h θ ( x (i) ) y (i) 2 ) 1 J(θ) = (Xθ y) T (Xθ y) 2m Lähde: Coursera denotes the vector of all y values. Tumor Size Koneoppimisen peruskurssit alkavat yhden muuttujan regressioharjoituksilla. Esimerkiksi asunnon hintaa ennustetaan sen koon perusteella. Harjoituksessa havaitaan, että käyräsovitus antaa tarkemman mallin kuin suorasovitus Jos ennustettava suure ei ole jatkuva vaan kategorinen puhutaan logistisesta regressiosta (logistic regression). Alla olevassa yhden muuttujan esimerkissä ennustetaan kasvaimen koon perusteella, onko kasvain pahanlaatuinen vai hyvänlaatuinen. h θ (x) = g( θ T x) z = θ T x 1 g(z) = 1 + e z m 1 J(θ) = [ y (i) log( h θ ( x (i) )) + (1 y (i) ) log(1 h θ ( x (i) ))] m i= 1 Tämän sivun kaavojen J() on tärkeä funktio. Se on sakkofunktio, jonka arvo kuvaa ennustusmallin tarkkuutta. Tämän funktion minimikohdan löytäminen on koneoppimisalgoritmien raskain laskentaponnistus.
21 Koneoppimisen perusteita Todellisissa koneoppimissovelluksissa saattaa olla satoja tai tuhansia muuttujia. Ennustusmallin periaate on kuitenkin sama kuin edellisen sivun yhden muuttujan tapauksissa. J(θ 0,θ 1 ) " Älkää nyrjäyttäkö aivojanne, jos mietitte miltä tuhannen muuttujan avaruus näyttää. Kahden muuttujan tapausta voi havainnollistaa viereisellä kuvalla. θ 0" θ 1" Ennustusmallin tarkkuutta kuvaava sakkofunktio J() on kahden muuttujan tapauksessa pinta. Optimaalinen ennustusmalli syntyy sinisen laakson parametriarvoilla. J( ) = 1 m mx y (i) log(h (x (i) )) (1 y (i) )log(1 h (x (i) )) nx + 2 2m j. i=1 j=1 Lähde: Coursera
22 Koneoppimisen perusteita Tässä lisää kahden muuttujan esimerkkejä. Vasemmalla ohjatun oppimisen tapauksissa algoritmit löytävät taitavasti kahden kategorian epälineaariset reunaviivat. Alla esimerkki kahden muuttujan ohjaamattomasta oppimisesta. Algoritmi jakaa datan kolmeen ryhmään (clustering) Figure 7: SVM (Gaussian Kernel) Decision Boundary (Example Dataset 3) you found. 1 For our best parameters, the SVM returned a decision boundary shown in Figure 7. Uudet koneoppimisen kehitystyökalut ovat helpottaneet mallien kehitystä Once you have completed the code in computecentroids.m, the script ratkaisevasti. ex7.m Työ willon run your silti codeedelleen and output the centroids vaativaa. after the first Jos step ofolet K- kiinnostunut means. mallinnuksen tyypillisistä haasteista googlaa termejä overfitting ja You should now submit your solutions. underfitting. 1.2 K-means on example dataset Iteration number Lähde: Coursera Figure 5: SVM (Gaussian Kernel) Decision Boundary (Example Dataset 2) Figure 5 shows the decision boundary found by the SVM with a Gaussian kernel. The decision boundary is able to separate most of the positive and negative examples correctly and follows the contours of the dataset well Example Dataset 3 In this part of the exercise, you will gain more practical skills on how to use a SVM with a Gaussian kernel. The next part of ex6.m will load and display Figure 1: The expected output. After you have completed the two functions (findclosestcentroids and computecentroids), the next step in ex7.m will run the K-means algorithm on a toy 2D dataset to help you understand how K-means works. Your functions are called from inside the runkmeans.m script. We encourage you to take a look at the function to understand how it works. Notice that the code calls the two functions you implemented in a loop.
23 Koneoppimisen perusteita Koneoppimisen kuumin alue on neuroverkot. Ne ovat erityisen eteviä mm. kuvantunnistustehtävissä. Peruskurssilla saattaa tulla vastaan esimerkiksi käsin kirjoitettujen numeroiden 0-9 tunnistus. Koulutusdata oli 5000 kpl 20x20 pikselin numeroa. Kolmikerroksisen neuroverkon rakenteeksi valittiin 400 tulosolua, 25 välikerroksen solua ja 10 lähtösolua. Koulutuksen jälkeen neuroverkko tunnisti käsinkirjoitettuja numeroita erittäin hyvällä yli 97% tarkkuudella. Tämä neuroverkko on edellisiin 1-2 muuttujan esimerkkeihin verrattuna jo vaativampi. Sakkofunktion J() minimikohtia haetaan yli muuttujan avaruudessa. J( ) = 1 m 2m mx KX h i y (i) k log((h (x (i) )) k ) (1 y (i) k )log(1 (h (x (i) )) k ) + i=1 k=1 " X25 X400 X10 X25 ( (1) j,k )2 + j=1 k=1 j=1 k=1 # ( (2) j,k )2.
24 Koneoppimisen perusteita Supervised learning Unsupervised learning Koneoppimisalgoritmejä on aika joukko ja uusia kehitetään. Tässä McKinseyn näkemys suosituimmista. Koneoppimisen ohjelmistotyökalut kehittyvät kovaa vauhtia. Suosittuja kehitysalustoja ovat mm. Tensorflow Google Cloud Platform Amazon Web Services Microsoft Azure Lähde: McKinsey
25 Miten yritys pääsee datakehityksen alkuun? The first steps 1 Execute pilot projects to gain momentum Stanfordin yliopiston tunnettu tekoälyguru Andrew Ng tiivisti aloittelevien yritysten ohjeet kahteen teesiin: 1. Kiinnostukaa datoistanne ja tehkää yksinkertaisia koeprojekteja 2. Lisätkää omaa osaamista ja iteroikaa kohti vaativampia sovelluksia 2 Increase in-house expertise
26 Koneoppimisprojektin vaiheet Ohjelmistokehittäjät jakavat koneoppimisprojektit vaiheisiin tähän tapaan. Omat ensimmäiset pilottiprojektit voivat olla yksinkertaisempia. Ne saattavat rajoittua dataan tutustumiseen ja liiketoimintamahdollisuuksien pohdintaan. Lähde: Futurice
27 Harjoitus 2: Sinun yrityksesi sovellukset Mitä data-analytiikan tai koneoppimisen käyttötapauksia keksitte oman yrityksenne toiminnasta? Tuotteet ja tuotekehitys Valmistus Myynti ja markkinointi Asiakaspalvelu AI-heräämö koulutuksissa viriteltiin myös keskustelua osallistujayritysten omista AI-tarpeista ja ensiaskeleista. Koulutuksen keskeinen viesti oli: Kiinnostukaa datoistanne. Miettikää hyödyntämismahdollisuuksia. Ensimmäiset askeleet voivat olla yksinkertaista tutustumista ja esimerkiksi vain datan visualisointia.
28 Oppilaitosyhteistyö Pirkanmaan ammattikorkeakoulut ja Tampereen yliopisto ovat hyvässä vauhdissa AI- ja koneoppimiskehityksessä. Koulutusta on uudistettu ja menossa on lukuisia tutkimusja kehityshankkeita. Lisätiedot: Prof. Heikki Huttunen, Tampereen Yliopisto Markus Aho, TAMK Jukka Pulkkinen, HAMK
29 Tampereen Yliopiston palvelua: AI Hub Tampereen Yliopistolla toimiva AI Hub on julkisrahoitteinen konsultointiklinikka, joka tarjoaa ilmaista AI-kehityspalvelua erityisesti Pirkanmaan PK-yrityksille Lisätiedot: Koordinaattori Ritva Savonsaari
30 Toimintaa Tampereella: AI-aamut Tampereen yliopiston Hervannan kampuksella järjestetään vuosittain 4-6 AI-seminaaria vaihtuvista aiheista. Nämä AI-aamut ovat erittäin suosittuja Pirkanmaan AI-osaajien ja aiheesta kiinnostuneiden verkottumistilaisuuksia. AI-aamujen järjestelyistä vastaa Suomen Yliopistokiinteistöt, DIMECC, Nokia Technologies ja Tampereen kaupunki.
31 Verkkokoulutusta löytyy Tekoälyn ja koneoppimisen laadukasta ja edullista koulutustarjontaa on runsaasti verkossa. Tunnettuja kansainvälisiä alustoja ovat mm. edx ja Coursera. Pilvipalvelujätit Google, Amazon ja Microsoft ovat johtavia tekoälyn kehitys- ja toteutusalustoja. Näiden firmojen verkkosivuilta löytyy myös runsaasti koulutusmateriaalia.
32 32 Where leaders and winners meet Arto Peltomaa
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
TEEMU 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.
Johdatus 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
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
Tekoäly 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?
Voice Over LTE (VoLTE) By Miikka Poikselkä;Harri Holma;Jukka Hongisto
Voice Over LTE (VoLTE) By Miikka Poikselkä;Harri Holma;Jukka Hongisto If you are searched for a book by Miikka Poikselkä;Harri Holma;Jukka Hongisto Voice over LTE (VoLTE) in pdf form, then you have come
Tosi 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
CALL 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/
Tekoäly 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
Tekoäly 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
Tekoälysovellusten 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
Smart Industry SMARTTAMPERE.FI #SMARTTAMPERE
Smart Industry 22.5. 13.00 Tervetuloa, Smart Tampere - ohjelma, Tero Blomqvist Tampereen kaupunki 13.15 Smart Industry - teema, Arto Peltomaa DIMECC 14.00 Teollinen Internet, Markus Mäkelä Wapice 14.20
Data-analytiikan osaamiskeskittymä. Tulevaisuuden kuljetus ja varastointi data-analytiikalla Porin yliopistokeskus
Data-analytiikan osaamiskeskittymä Tulevaisuuden kuljetus ja varastointi data-analytiikalla Porin yliopistokeskus Janne Harjamäki, Projektitutkija, DI Tampereen teknillinen yliopisto (TTY), Pori 31.1.2018
Liikkuvien 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
Teollinen Internet. Tatu Lund
Teollinen Internet Tatu Lund Suomalaisen yritystoiminnan kannattavuus ja tuottavuus ovat kriisissä. Nokia vetoinen ICT klusteri oli tuottavuudeltaan Suomen kärjessä ja sen romahdus näkyy selvästi tilastoissa.
Capacity Utilization
Capacity Utilization Tim Schöneberg 28th November Agenda Introduction Fixed and variable input ressources Technical capacity utilization Price based capacity utilization measure Long run and short run
Henkilöstön osaamistarpeet digitaloudessa. EK:n yrityskyselyn tulokset 2017
Henkilöstön osaamistarpeet digitaloudessa EK:n yrityskyselyn tulokset 2017 Yrityskenttä polarisoitunut suhteessa digitalisaatioon Ei tärkeää yritykselle 8 % Suunnannäyttäjä 7 % EOS 5 % Strategian ytimessä
Verkostot kasvun ja kehittämisen moottorina Alihankintamessut
Verkostot kasvun ja kehittämisen moottorina 26.9.2017 Alihankintamessut Ohjelma 14.00 Avaus Toimitusjohtaja Markku Uitto, Teknisen Kaupan Liitto ry 14.10 Verkostojohtaminen toimintakonsepteista konkreettiseen
Henkilöstön osaamistarpeet digitaloudessa
Henkilöstön osaamistarpeet digitaloudessa EK:n yrityskyselyn tulokset 2017 Mirja Hannula 6.9.2017 TAITO-ohjelman hakuinfo 87% Lähes 90 prosenttia yrityksistä kokee, että digitalisaatio on tuonut tai tuomassa
Green Growth Sessio - Millaisilla kansainvälistymismalleilla kasvumarkkinoille?
Green Growth Sessio - Millaisilla kansainvälistymismalleilla kasvumarkkinoille? 10.10.01 Tuomo Suortti Ohjelman päällikkö Riina Antikainen Ohjelman koordinaattori 10/11/01 Tilaisuuden teema Kansainvälistymiseen
Efficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
Digitaalinen valmistaminen ja palvelut tulevaisuuden Suomessa
TEKNOLOGIAN TUTKIMUSKESKUS VTT OY Digitaalinen valmistaminen ja palvelut tulevaisuuden Suomessa Josek-VTT, Älyä koneisiin ja palveluihin digitalisaation vaikutukset valmistavassa teollisuudessa 7.2.2017
Windows Phone. Module Descriptions. Opiframe Oy puh. +358 44 7220800 eero.huusko@opiframe.com. 02600 Espoo
Windows Phone Module Descriptions Mikä on RekryKoulutus? Harvassa ovat ne työnantajat, jotka löytävät juuri heidän alansa hallitsevat ammatti-ihmiset valmiina. Fiksuinta on tunnustaa tosiasiat ja hankkia
Älykkäät ratkaisut toiminnan ohjauksessa ja optimoinnissa
Älykkäät ratkaisut toiminnan ohjauksessa ja optimoinnissa Tehtävienhallintaan ja optimointiin erikoistunut ohjelmistotoimittaja Teemu Mustonen Kehitysjohtaja www.ecomond.com 1 Agenda Ecomond Oy TCS-järjestelmä
Monimutkaisesta 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
1. SIT. The handler and dog stop with the dog sitting at heel. When the dog is sitting, the handler cues the dog to heel forward.
START START SIT 1. SIT. The handler and dog stop with the dog sitting at heel. When the dog is sitting, the handler cues the dog to heel forward. This is a static exercise. SIT STAND 2. SIT STAND. The
FOBIA / BOOST Site Portaali ja oppimisympäristö. Henna Hurttala, Joel Ronimus, Erkki Pesonen & Arto Kettunen / TTS
FOBIA / BOOST Site Portaali ja oppimisympäristö Henna Hurttala, Joel Ronimus, Erkki Pesonen & Arto Kettunen / TTS In cooperation with FOBIA-projektin tavoite on vahvistaa Suomen, Ruotsin, Skotlannin ja
KONEOPPIMINEN 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
Luku 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
Data-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
Kokemuksia kansainvälisestä työelämäyhteistyöstä ammatillisessa koulutuksessa
Kokemuksia kansainvälisestä työelämäyhteistyöstä ammatillisessa koulutuksessa Harri Savonen, Pohjois-Karjala Ammattiopisto Valtimo Janne Haapasalo, John Deere Forestry Oy Deere & Company on maailman johtava
You can check above like this: Start->Control Panel->Programs->find if Microsoft Lync or Microsoft Lync Attendeed is listed
Online Meeting Guest Online Meeting for Guest Participant Lync Attendee Installation Online kokous vierailevalle osallistujalle Lync Attendee Asennus www.ruukki.com Overview Before you can join to Ruukki
Analytiikka osana muutosjohtamista ja tiedonhallintaa Kuinka me teimme sen ja mihin olemme menossa? Elintarviketurvallisuusvirasto Evira Erik Semenius
Analytiikka osana muutosjohtamista ja tiedonhallintaa Kuinka me teimme sen ja mihin olemme menossa? Elintarviketurvallisuusvirasto Evira Erik Semenius AGENDA. Elintarviketurvallisuusviraston esittely Hankkeen
Esitykset jaetaan tilaisuuden jälkeen, saat linkin sähköpostiisi. Toivottavasti vastaat myös muutamaan kysymykseen tapahtumasta Have a lot of fun!
SUSEtoberfest 2017 #SUSEtoberfest @SUSESuomi Wifi saatavilla SSID:Korjaamonavoin salasana: korjaamo Finceptum koulutuksen ständi Lasse Paavola SUSE ja Micro Focus Secure -tiimi Esitykset jaetaan tilaisuuden
Statistical design. Tuomas Selander
Statistical design Tuomas Selander 28.8.2014 Introduction Biostatistician Work area KYS-erva KYS, Jyväskylä, Joensuu, Mikkeli, Savonlinna Work tasks Statistical methods, selection and quiding Data analysis
On 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
Koneoppimisen 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
HARJOITUS- 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
Tekoäly muuttaa arvoketjuja
Tekoäly muuttaa arvoketjuja Näin kartoitat tekoälyn mahdollisuuksia projektissasi Harri Puolitaival Harri Puolitaival Diplomi-insinööri ja yrittäjä Terveysteknologia-alan start-up: Likelle - lämpötilaherkkien
Toimitusketjun hallinnasta vähittäiskaupan kokonaisvaltaiseen suunnitteluun ja optimointiin
Toimitusketjun hallinnasta vähittäiskaupan kokonaisvaltaiseen suunnitteluun ja optimointiin Tammiseminaari Tommi Ylinen Kokonaisvaltaista vähittäiskaupan suunnittelua, analytiikkaa ja optimointia ennustepohjaisesti
Datasta arvoaliiketoiminnalle. Kirsi Pietilä Business Intelligence Lead
Datasta arvoaliiketoiminnalle Kirsi Pietilä Business Intelligence Lead Kolikonheiton aikakausi on päättynyt Data ja numerot kertovat kaiken mitä haluat tietää asiakkaistasi, palvelustasi tai yrityksestäsi,
RAMBOLL 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
Johdatus 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
IoT tänään? Mitä on Internet of Things? Asioiden tai esineiden internet Laitetteet ja esineet Integraatio Data Analytiikka Pankki & vak Kauppa Teollisuus Teollisuus Logistiikka Energia Julkishallinto
Teollisuuden digitalisaatio ja johdon ymmärrys kyvykkyyksistä
Teollisuuden digitalisaatio ja johdon ymmärrys kyvykkyyksistä Markus Kajanto Teollisuuden digitalisaation myötä johdon käsitykset organisaation resursseista, osaamisesta ja prosesseista ovat avainasemassa
TTY Pori. Tieteen ja tutkimuksen kohtaamispaikka
TTY Pori Tieteen ja tutkimuksen kohtaamispaikka Hyödyntääkö teidän Yrityksenne dataa? 2 Data-analytiikan osaamiskeskittymä Osaamiskeskittymä edistää data-analytiikan hyödyntämistä Satakunnassa. Toteutamme
Tekoäly 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
Teollinen 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
Information on preparing Presentation
Information on preparing Presentation Seminar on big data management Lecturer: Spring 2017 20.1.2017 1 Agenda Hints and tips on giving a good presentation Watch two videos and discussion 22.1.2017 2 Goals
Other approaches to restrict multipliers
Other approaches to restrict multipliers Heikki Tikanmäki Optimointiopin seminaari 10.10.2007 Contents Short revision (6.2) Another Assurance Region Model (6.3) Cone-Ratio Method (6.4) An Application of
Muuttaako 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
Työelämän ja koulutuksen vuorottelu
Työelämän ja koulutuksen vuorottelu Työelämästä korkeakoulutukseen ja takaisin elinikäistä oppimista käytännössä 15.6.2011 Helsinki Marjo Pääkkö KM, VTK HRD Manager Siemens IT Solutions and Services Oy
Number 9 Tutkimus- ja tuotekehitysympristö
Number 9 Tutkimus- ja tuotekehitysympristö 2 Number 9 New kind of UAS research and test environment - Tausta: - Kuinka tarina alkoi - Miten tähän päästiin - Number 9 esittely: - Alue - Palvelut - Rakentaminen
1. Liikkuvat määreet
1. Liikkuvat määreet Väitelauseen perussanajärjestys: SPOTPA (subj. + pred. + obj. + tapa + paikka + aika) Suora sanajärjestys = subjekti on ennen predikaattia tekijä tekeminen Alasääntö 1: Liikkuvat määreet
Strategiset kyvykkyydet kilpailukyvyn mahdollistajana Autokaupassa Paula Kilpinen, KTT, Tutkija, Aalto Biz Head of Solutions and Impact, Aalto EE
Strategiset kyvykkyydet kilpailukyvyn mahdollistajana Autokaupassa Paula Kilpinen, KTT, Tutkija, Aalto Biz Head of Solutions and Impact, Aalto EE November 7, 2014 Paula Kilpinen 1 7.11.2014 Aalto University
Tutkimusprojekti: 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
Keinoälyn 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
Millainen on menestyvä digitaalinen palvelu?
Millainen on menestyvä digitaalinen palvelu? TOIMIVA ÄLYKÄS ILAHDUTTAVA Ohjelmistokehitys Testaus ja laadunvarmistus Ohjelmistorobotiikka Tekoäly Käyttöliittymäsuunnittelu Käyttäjäkokemussuunnittelu 1
FinFamily 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...
CIO muutosjohtajana yli organisaatiorajojen
CIO muutosjohtajana yli organisaatiorajojen 03.06.2009 Antti Koskelin CIO Konecranes Group 2009 Konecranes Plc. All rights Konecranes overview Business Agenda CIO Agenda Mindset for modern CIO Konecranes
Heeros sijoituskohteena. Pörssin avoimet ovet Matti Lattu
Heeros sijoituskohteena Pörssin avoimet ovet 18.3.2019 Matti Lattu Heeros lyhyesti Yleistä Tunnuslukuja Nopeasti kasvava taloushallinnon ohjelmistoratkaisujen edelläkävijä Listattu Nasdaq First North markkinapaikalle
Pk-yritysbarometri, syksy 2018
Pk-yritysbarometri, syksy 1 Seuturaportti, Pirkanmaa 1: Suhdannenäkymät lähimmän vuoden aikana (saldoluku %) KOKO MAA, n= Pirkanmaa, n= Etelä-Pirkanmaa, n= 1 Lounais-Pirkanmaa, n=1 Luoteis-Pirkanmaa, n=
Tee-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:
Kilpailukyky, johtaminen ja uusi tietotekniikka. Mika Okkola, liiketoimintajohtaja, Microsoft Oy
Kilpailukyky, johtaminen ja uusi tietotekniikka Mika Okkola, liiketoimintajohtaja, Microsoft Oy k Agenda Kansallinen kilpailukyky: Tietoalojen kasvu ja kilpailukyky Liiketoiminnan odotukset tietohallinnolle:
MOOC toiveita ja pelkoja. Jaakko Kurhila opintoesimies tietojenkäsittelytieteen laitos Helsingin yliopisto
MOOC toiveita ja pelkoja Jaakko Kurhila opintoesimies tietojenkäsittelytieteen laitos Helsingin yliopisto Messukeskus 2.12.2013 massive open online course 1980 jokaisella on pilvi taskussa 1869 2013 Aika
Hakukone digitaalisen mainonnan työkaluna
Hakukone digitaalisen mainonnan työkaluna Digizer Oy - Asiantuntijapalveluita toteuttava kumppani verkkokaupoille sekä muille digitaalista liiketoimintaa harjoittaville yrityksille - Palvelumme: - Varastointi-
5. Harjoitus Myynti, markkinointi ja asiakkaan kohtaaminen. TU-A1100 Tuotantotalous 1
5. Harjoitus Myynti, markkinointi ja asiakkaan kohtaaminen TU-A1100 Tuotantotalous 1 Harjoitusty ö Harjoitusten sisältö Myynti ja markkinointi Markkinoinnin suunnittelun työkalut Asiakaslaatu ja asiakassuhteet
LAS- 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
Modernin teknologian vaikutukset osaamisen kehittämiseen. Tapio Laakso Asiakas- ja tuotetukipäällikkö John Deere Forestry
Modernin teknologian vaikutukset osaamisen kehittämiseen Tapio Laakso Asiakas- ja tuotetukipäällikkö John Deere Forestry It all started in a blacksmith shop Integrity Quality Commitment Innovation 1937
812336A C++ -kielen perusteet, 21.8.2010
812336A C++ -kielen perusteet, 21.8.2010 1. Vastaa lyhyesti seuraaviin kysymyksiin (1p kaikista): a) Mitä tarkoittaa funktion ylikuormittaminen (overloading)? b) Mitä tarkoittaa jäsenfunktion ylimääritys
@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
Tietotalous. Jyrki Wallenius, HSE Tieto- ja palvelutaloudenkylä Vihtiin Visiopäivä 26.3.2009
Tietotalous Jyrki Wallenius, HSE Tieto- ja palvelutaloudenkylä Vihtiin Visiopäivä 26.3.2009 Tietotalous HKKK:lla Tutkimuksen vahvuusalana tietotalous on varsin kattava kokonaisuus, jonka osaamisesta Helsingin
Taasko 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
Markkinointiautomaation haltuunotto toi lisää liidejä CASE DNA BUSINESS
Markkinointiautomaation haltuunotto toi lisää liidejä CASE DNA BUSINESS + Toimiala: viestintä- ja asiakasverkkopalveluiden tarjoaminen Yritys: DNA "Markkinointiviestien tarkan kohdennuksen ansiosta voimme
TRIPLEWIN KEHITYSTARINA
TRIPLEWIN KEHITYSTARINA Mistä olemme tulossa, mitä olemme tänään ja mihin olemme menossa? will invest into customer xperience leadership TripleWinin juuret ovat General Motorsissa (GM) ja Saturn automerkissä
AIKO Uudistuva Teollisuus. Oula Välipakka, Tredea Oy
AIKO Uudistuva Teollisuus Oula Välipakka, Tredea Oy 6.4.2017 AIKO Uudistuva teollisuus Teema 1: Valmistavan teollisuuden uudistuminen ja digitalisaatio Työpaketti 1: Teollisen internetin alustat ja tuotteiden
CxO Mentor Oy. Tarvitaanko Talousjohtajaa? 7.5.2014 Kai Tihilä. CxO Mentor Oy 2014
CxO Mentor Oy Tarvitaanko Talousjohtajaa? 7.5.2014 Kai Tihilä Mikä on tärkeintä? Talousosaaminen Johtaminen Joku muu? Ei ole yhtä oikeaa vastausta Ulkoiset tekijät Yleinen taloustilanne Liiketoiminnan
A Plan vs a Roadmap. This is a PLAN. This is a ROADMAP. PRODUCT A Version 1 PRODUCT A Version 2. PRODUCT B Version 1.1. Product concept I.
A Plan vs a Roadmap PRODUCT A Version 1 PRODUCT A Version 2 PRODUCT B Version 1.1 This is a PLAN Component A RESEARCH project Development project B COMP. C COMP. B RESEARCH project Product concept I This
Tekoälykoulutus 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
Tulevaisuuden kuljetus ja varastointi data-analytiikalla
Data-analytiikan osaamiskeskittymä Satakunnan kilpailukyvyn, innovaatiotoiminnan ja vetovoimaisuuden edistäjänä Tulevaisuuden kuljetus ja varastointi data-analytiikalla TkT Timo Ranta Projektipäällikkö
Teknologiateollisuuden vaikuttamistavoitteista Teknologiateollisuus
Teknologiateollisuuden vaikuttamistavoitteista 2 Teknologiateollisuus on merkittävä työllistäjä Teknologiayritykset työllistävät suoraan n. 300 000 ja välillisesti noin 750 000 henkilöä 30 % Suomen koko
Robotit 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.
KEHITÄMME JA TUOTAMME INNOVATIIVISIA HENKILÖSTÖ- RATKAISUJA, JOTKA AUTTAVAT ASIAKKAITAMME SAAVUTTAMAAN TAVOITTEENSA.
KEHITÄMME JA TUOTAMME INNOVATIIVISIA HENKILÖSTÖ- RATKAISUJA, JOTKA AUTTAVAT ASIAKKAITAMME SAAVUTTAMAAN TAVOITTEENSA. 2 Talous, työelämä ja markkinat muuttuvat nopeammin kuin koskaan. Pääoma ja teknologia
Ammattitaitoisia KONEISTAJIA SAATAVILLA
Ammattitaitoisia KONEISTAJIA SAATAVILLA Usein kuultu väite on, ettei ammattitaitoisia koneistajia ole riittävästi Osaamista on mahdollista parantaa asiantuntevalla koulutuksella. Koulutamme koneistajista
LEAN KÄYTÄNNÖN PERUSTEET - Opi polkuautotehtaalla Toyotan tapaan
LEAN LEARNING CENTER Simulations, Trainings, Coaching 14. - 15.5.2018 ILMOITTAUTUMISET ARI VÄISÄNEN +358 50 571 2970 ari.vaisanen@innotiimi-icg.com PETER KANERVA +358 50 408 8070 peter.kanerva@innotiimi-icg.com
RANTALA SARI: Sairaanhoitajan eettisten ohjeiden tunnettavuus ja niiden käyttö hoitotyön tukena sisätautien vuodeosastolla
TURUN YLIOPISTO Hoitotieteen laitos RANTALA SARI: Sairaanhoitajan eettisten ohjeiden tunnettavuus ja niiden käyttö hoitotyön tukena sisätautien vuodeosastolla Pro gradu -tutkielma, 34 sivua, 10 liitesivua
Digitaalisen 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
LANSEERAUS LÄHESTYY AIKATAULU OMINAISUUDET. Sähköinen jäsenkortti. Yksinkertainen tapa lähettää viestejä jäsenille
tiedote 2 / 9.3.2017 LANSEERAUS LÄHESTYY AIKATAULU 4.3. ebirdie-jäsenkortti esiteltiin Golfliiton 60-vuotisjuhlaseminaarissa 17.3. ebirdie tulee kaikkien ladattavaksi Golfmessuilla 17.3. klo 12:00 alkaen
BDD (behavior-driven development) suunnittelumenetelmän käyttö open source projektissa, case: SpecFlow/.NET.
BDD (behavior-driven development) suunnittelumenetelmän käyttö open source projektissa, case: SpecFlow/.NET. Pekka Ollikainen Open Source Microsoft CodePlex bio Verkkosivustovastaava Suomen Sarjakuvaseura
Koneoppiminen 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
Smart Tampere - Smart Mobility Heikki Karintaus Smart Mobility teemajohtaja ITS Factory puheenjohtaja
Smart Tampere - Smart Mobility 6.4.2017 Heikki Karintaus Smart Mobility teemajohtaja ITS Factory puheenjohtaja Älykäs Liikkuminen Liikkujan sujuvampi arki Tampereen seutukunta tarjoaa asiakkailleen sujuvat,
Hankkeiden vaikuttavuus: Työkaluja hankesuunnittelun tueksi
Ideasta projektiksi - kumppanuushankkeen suunnittelun lähtökohdat Hankkeiden vaikuttavuus: Työkaluja hankesuunnittelun tueksi Erasmus+ -ohjelman hakuneuvonta ammatillisen koulutuksen kumppanuushanketta
Mervi Karikorpi, johtaja 19.11.2010
TYKO-hanke: Yrityskyselyn tulokset t Mervi Karikorpi, johtaja 19.11.2010 Sisältö Tarve Odotukset t Yrityskyselyn palaute Johtopäätökset t 2 Teknologiateollisuuden henkilöstö Arvioitu muutos 2013 2009:
Tekoäly 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
CASE POSTI: KEHITYKSEN KÄRJESSÄ TALOUDEN SUUNNITTELUSSA KETTERÄSTI PALA KERRALLAAN
POSTI GROUP CASE POSTI: KEHITYKSEN KÄRJESSÄ TALOUDEN SUUNNITTELUSSA KETTERÄSTI PALA KERRALLAAN TIINA KATTILAKOSKI POSTIN TALOUDEN SUUNNITTELU Mistä lähdettiin liikkeelle? Ennustaminen painottui vuosisuunnitteluun
Osaamisen ekosysteemi. Digi- ja koulutusasioiden päällikkö Joonas Mikkilä InTo-aamu #yrittäjät
Osaamisen ekosysteemi Digi- ja koulutusasioiden päällikkö Joonas Mikkilä InTo-aamu 29.5.2019 Twitter: @JoonasMikkila #yrittäjät How could less be more? Only more is more. Yngwie Malmsteen Laskentateho
Tekoäly lääkärin päätöksenteon tukena. Arho Virkki, DI, FT Lääketieteellisen matematiikan dosentti, TY Auria tietopalvelun johtaja, TYKS
Tekoäly lääkärin päätöksenteon tukena Arho Virkki, DI, FT Lääketieteellisen matematiikan dosentti, TY Auria tietopalvelun johtaja, TYKS Datan hyödyntämisen mahdollisuudet - Ilmiöiden visualisointi - Tilastollinen
Tuumasta toimeen. Projektipäivät Ketosoftware
Tuumasta toimeen. Projektipäivät 01 11 2016 01 11 2016 2016 Ketosoftware 1 Mitäs täällä on tapahtumassa? 01 11 2016 2016 Ketosoftware 2 Digitaalinen darvinismi "Forty percent of businesses in this room,
Älykäs 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
ATLAS-kartan esittely - Peli palveluiden yhteiskehittämisen menetelmistä Päivi Pöyry-Lassila, Aalto-yliopisto
ATLAS-kartan esittely - Peli palveluiden yhteiskehittämisen menetelmistä Päivi Pöyry-Lassila, Aalto-yliopisto Serve Research Brunch 24.10.2013 Esityksen sisältö ATLAS-hanke lyhyesti ATLAS-kartan kehittäminen: