Tarinat kulissien takaa

Asiantuntijamme avautuvat

Kategoria: Tekoäly

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

Louhia DataLab: Auton myyntihinnan ennustaminen

Auton myyntihinnan arviointiin on useita mahdollisuuksia. Yksinkertaisinta lienee käydä katsomassa mitä vastaavilla ominaisuuksilla varustetut autot maksavat netissä, ja asettaa hinta oman fiiliksen mukaan alle, keskiarvoon tai vaikka ylitse. Tämä metodi on varmaan riittävän tarkka tapa hinnoitella auto ellei kyseessä ole jonkinlainen erikoiskappale tai muuten harvinainen ajopeli. Mutta onnistuuko myyntihinnan ennustaminen data-analytiikan (machine learning, statistics) keinoin? Intuitiivinen vastausaaa

Tekoäly tulee – oletko valmis?

Tekoälystä on kirjoitettu viime aikoina todella paljon. Oikeastaan ei mene päivääkään ilman uutta tekoälyuutista. Kuulemma Slushissakin sijoittajien mielenkiinto kohdistui erityisesti tälle osa-alueelle. Erilaisia hypejä tulee ja menee, mutta tällä kertaa uskon, että kyse on enemmästä.  Asiasta joka muuttaa maailmaa vielä radikaalisti. Vaikka kehitystyö on kestänyt vuosikymmeniä, niin mielestäni ollaan edelleen alkutekijöissä – samassa tilanteessa kuin autoteollisuusaaa

Yhteydenotto

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