Tarinat kulissien takaa

Asiantuntijamme avautuvat

Uusimmat bloggaukset

Välitön liiketoimintahyöty vai organisaation oppiminen?

Kun olemme tehnyt data Science / machine learning -ratkaisuja asiakkaille, saadaan niistä usein kaksi tuotosta: välitön liiketoimintahyöty oppiminen ja oivallukset Usein asiakas lähtee hakemaan ensimmäistä eli pikavoittoja mutta isommat hyödyt ovat usein jälkimmäisessä eli organisaation oppimisessa. Välitön liiketoimintahyöty tuo lisämyyntiä tai vähentää kuluja heti

Koneoppiminen vaatii osaamista

Tässä taannoin meille tuli projekti, jossa asiakas oli tehnyt koneoppimisharjoituksen (ennustemallinnus) erään toisen kumppanin kanssa. Asiakas oli skeptinen tulosten suhteen ja halusi ns. toisen mielipiteen, mutta eri ohjelmistolla tehtynä. Joskaan senhän ei pitäisi vaikuttaa olennaisesti tuloksiin. Jo heti alkuvaiheessa huomattiin, että homma olikin alunperin mennyt pieleen väärin muodostetun opetus- ja testiaineiston vuoksi.  Alkuperäinen tekijä eiaaa

Kakasta ei saa timanttia, vaikka miten puristaa

Monessa organisaatiossa ollaan tunnistettu se tosiasia, että ilman datan parempaa käyttöastetta ja koneoppimisen/tekoälyn tuomien mahdollisuuksien hyödyntämistä ollaan kusessa. Tehoja pitää saada lisää irti, pitää tunnistaa uusia myynnin mahdollisuuksia rikastamalla asiakasdataa jne. Kilpailijat painavat vasemmalta ohi ja uusia innovatiivisia, dataa hyödyntäviä toimijoita, on tulossa samalle ruokakupille. Ja useilla toimialoilla tuo ruokakuppi ei ole kasvamaan päin. Ylläaaa

Dataan laatua koneoppimisella

Kun nykyään uutisoidaan tekoälystä ja koneoppimisesta, niin eturintamaan nousee kuvien tunnistus, itseohjautuvat autot tai vaikkapa tekstin kääntäminen tai sen kontekstin ymmärtäminen. Näiden mediaseksikkäiden aiheiden taakse jää aihealueita, joissa tekoälyllä on paljon annettavaa, mutta uutiskynnys ei ylity. Yksi näistä aiheista on erilaisten järjestelmien datan laadun parantaminen algoritmien avulla. Ongelmia datan laadussa? Datan laatuongelmat aiheuttavat erittäin suuriaaaa

Tärkeintä on laadukas data

Seuraava kirjoitus on julkaistu Tieke lehden numerossa 1-2017. Jaetaan se nyt täälläkin. Tärkeintä on laadukas data Voimme päivittäin lukea uutisvirrasta uusien tekoälyratkaisujen tulevaisuuden potentiaaleista. Datamäärien ja laskentatehon kasvu yhdessä algoritmien kehityksen kanssa ovat potkaisseet tekoälyn kehitysvauhdin uudelle kiertoradalle. Nykyään lähes kaikki tekoälyratkaisut perustuvat neuroverkkoihin, joiden prosessoitavaksi on ohjattu dataa. Neuroverkko ohjelmoidaan oppimaan datasta, jossa onaaa

Voiko tekoälyä soveltaa tietovarastointiin?

Kävin toukokuussa Prosessipäivillä höpisemässä tietovarastoinnin ja tekoälyn/koneoppimisen yhteydestä. Nyt kun aihe on monella suunnalla aktiivinen, kirjoittelin siitä myös oman bloginsa. Ajatuksena oli herätellä yleisöä pohtimaan ensinnäkin tekoälyn ja tietovarastoinnin nykytilaa, mutta ennen kaikkea mihin näitä kahta voisi yhdessä soveltaa. Alla varsinainen esitys sekä muutamia käyttötapauksia ja sovelluskohteita. Ei syvennytä tässä kirjoituksessa tekoälyyn tai moderniin tietovarastointiarkkitehtuuriin,aaa

Mainonnan optimointi koneälyn avulla

Vähittäiskauppiaat ja kaupan alaa tuntevat huomio. Teimme jo pari vuotta sitten mainonnan optimoinnin -sovelluksen. Kyseessä on joukko algoritmeja, jotka opettamalla voidaan kertoa mitä tuotteita mainoskampanjaan kannattaa laittaa, jotta siitä saataisiin mahdollisimman suuri tuotto. Se toimii niin perinteisessä printtimainonnassa, suoramainonnassa kuin web-mainonnassa. Missä tahansa tilanteessa missä kauppiaalla on iso määrä tuotteita, joista pitäisi päättää mitkä laittaaaaa

Asiakas säästi väärässä paikassa

Olimme aikanaan tekemässä QlikView-toteutusta ja ihmettelimme miten karmean näköistä jälkeä edellinen konsulttitalo oli tehnyt. Koodi oli hirveää spagettia ja ulkonäkö oli karmea. Miten niin hyvällä tuotteella, joka on tunnettu hyvästä visualisoinnista, voi tehdä tällaista jälkeä?

Data Scientistin työvälineet

Istahdin taas alas Lassen, Louhian johtavan Data Scientistin kanssa ja rupateltiin vähän mitä työvälineitä edistyneen analytiikan toteutustöissä tarvitaan. Edellisessä kirjoituksessa käytiin Lassen kanssa läpi mitkä ovat Data Scientistin 3 tärkeintä taitoa. Noista taidoista voi jo vähän päätellä minkälaista työkaluosaamista pitää myös hallita. Voit katsoa videon tästä tai tämän blogin alta. Data Scientistin tärkeimmät työvälineet

Nämä ovat data scientistin 3 tärkeintä taitoa

Monet yritykset rekrytoivat data scientistejä ja analyytikkoja. Neuroverkkovelhoja ja deep learning -osaajia. Mutta mitä konkreettista osaamista rekryltä pitäisi tällöin odottaa? Tai mitä osaamista vastavalmistuneen, esimerkiksi tilastotieteen opiskelijan kannattaisi kehittää, voidakseen siirtyä työskentelemään data sciencen ja edistyneen analytiikan parissa?

Yhteydenotto

Mikäli olet kiinnostunut yrityskohtaisista palveluista tai sinulla kysyttävää palvelujemme sisällöstä, niin ota yhteyttä oheisella lomakkeella tai soita Mikalle numeroon 040 845 8432.