Koneoppimisesta apua liiketoiminnan ennakointiin ja suunnitteluun
Lukuaika noin 4 minuuttia
ITIL, IT-palvelunhallinta
Kuvittele, että olet suunnittelemassa asiakkaalle pitkää lomamatkaa, johon sisältyy useita koneiden vaihtoja. Tiedät, että viivästyksiä voi sattua ja lentoja peruuntua. Entä jos voisit jotenkin ennakoida ne kenttään, lentoyhtiöön ja/tai säähän liittyvien todennäköisyyksien perusteella?
Entä jos oletkin töissä pankkialalla? Olette huomanneet, että viime aikoina asiakkailla on esiintynyt runsaasti luottokorttipetoksia. Miten voisitte tunnistaa petoksenomaiset luottokorttitapahtumat ennen kuin niillä on isompaa vaikutusta yrityksellenne?
Ratkaisuja koneoppimisen avulla
Kumpaankin näistä tuo ratkaisun koneoppiminen (machine learning). Sen tarkoituksena on eri datalähteistä saatavien tietojen ja niiden yhdistelmien, algoritmien sekä mahdollisesti myös käyttäjän toiminnan perusteella luoda malleja, joita vasten voidaan ajaa livedataa ja löytää vastauksia vaikka edellä mainittuihin kysymyksiin.
Koneoppiminen on tekoälyn alaluokka, jota voidaan erilaisten algoritmien avulla hyödyntää mm. lääketieteessä ja älykkäässä big datan hallinnassa. Sen avulla voidaan luoda erilaisia älylaitteita ja esimerkiksi itseohjaavia ajoneuvoja, aina älykoteihin ja -kaupunkeihin saakka. Pienemmässä mittakaavassa koneoppimisen avulla voidaan esimerkiksi tuoda uusia älykkäitä ominaisuuksia käyttäjille hakukoneisiin ja luoda automaattisia suosituksia sekä luokitteluita web- ja mobiilisovelluksissa.
Koneoppiminen on tavallaan jatkumo big datan analysoinnille. Big datasta luodaan usein erilaisia näkymiä ja mittareita, joiden avulla voidaan helposti ja nopeasti nähdä tarvittavia asioita ja esimerkiksi ohjata organisaation toimintaa. Tämä edellyttää mahdollisesti alkuperäisen datan eheyttämistä, korjaamista ja yhdistämistä ennen analysointia. Koneoppimisen palvelussa tätä korjattua dataa hyödynnetään mm. ennusteisiin, jolloin se pilkotaan esim. 70-15-15-mallin mukaisesti opetus- ja testausdataksi ennen mallin julkaisemista tuotantoon. Tällä menetelmällä varmistetaan, että malli on kykenevä tunnistamaan samoja asioita/havaintoja riittävällä tarkkuudella myös sellaisesta datasta, jota se ei ole koskaan aikaisemmin nähnyt.
Amazon Web Services koneoppimisen ja tekoälyn palvelut
Amazon Web Services (AWS) tarjoaa yhden markkinoiden laajimmista ja monipuolisimmista tekoälyn (artificial Intelligence, AI) ja koneoppimisen palveluvalikoimista. Niitä tukemaan on tarjolla todella monipuolinen pilvi-infrastruktuuri runsaine palveluineen.
Artificial Intelligence palveluita/ratkaisuja AWS-palvelussa ovat mm.
- Amazon Polly, joka muuttaa tekstin luontaisen kaltaiseksi puheeksi.
- Amazon Transcribe, joka käyttää ASR Deep Learning prosessia. ASR (Automatic Speech Recognition) muuttaa puheen tekstiksi nopeasti ja tarkasti.
- Amazon Lex, jonka avulla voidaan rakentaa keskustelevia chatbotteja ja joka ymmärtää sekä puhetta että kirjoitettua tekstiä.
- Amazon Translate, joka kääntää tekstiä laadukkaasti ja nopeasti ja perustuu neural machine learning translation -palveluun.
- Amazon Rekognition, joka osaa tarkasti tunnistaa kuvista objekteja, henkilöitä, tekstiä sekä tapahtumia.
Amazon Sagemaker on puolestaan koneoppimis-palvelu, joka on tarkoitettu kaikille niille jotka rakentavat, opettavat ja julkaisevat koneoppimisen malleja AWS-ympäristössä. Kaikki alla kuvattuun prosessiin tarvittavat työvälineet löytyvät Amazon Sagemakeristä yhdestä paikasta:
Build
- Voit olla yhteydessä muihin AWS-palveluihin ja siirtää data hyödyntäen Amazon Sagemakerin notebookeja
Train
- Amazon SageMaker sisältää useita valmiita algoritmeja sekä frameworkeja. Voit myös tuoda omia tai poimia sopivan valmiiksi tehdyn algoritmin AWS Marketplacesta.
- Oikean tyyppisen ratkaisumallin ja siihen liittyvien algoritmien löytämiseksi voidaan käyttää sopivaa seuraavista koneoppimisen ajatusmalleista:
o Supervised Learning – kun kyse on luokitteluongelmasta
o Unsupervised Learning – ratkaisua haetaan datan sisällöstä ja “kuviosta” riippuen
o Reinforcement Learning – ympäristön pohjalta tapahtuva “trial-and-error” tyyppinen lähestyminen ratkaisun saamiseksi - Käytettävät algoritmit riippuvat siitä millaista ongelmaa niillä pyritään ratkaisemaan.
Tune
- Amazon SageMaker säätää automaattisesti mallia yhdistelemällä ja muuttamalla useita algoritmien parametreja
Koulutuksesta lisäosaamista
AWS:ltä löytyy virallisia koulutuksia tällekin osa-alueelle. Hyvä koulutus aiheeseen on AWS:n virallinen Machine Learning Pipelines on AWS -koulutus, joka on nyt uutuutena Tieturin koulutustarjoamassa. Nelipäiväisen kurssin aikana luodaan mm. mallit alussa esitettyihin käytännön haasteisiin.