Uudet teknologiat
Puettavat teknologiat
Kuvituskuva, lähde: tekoäly (2025)
Painettu elektroniikka
Painettu, tai tulostettu, elektroniikka mahdollistaa toiminallisten elektronisten laitteiden liittämistä kaareviin pintoihin, tai vaikkapa joustaviin materiaaleihin. Miltäpä kuulostaisi urheilutakki, jossa olisi huomattomat aurinkopaneelit, sekä diagnostiikkaa keräävät anturit, eikä erillistä urheilukelloa tarvita ranteeseen? Tai ihoon suoraan tulostettuja laastareita seuraamaan potilaan liikeitä, tai terveydentilaa.
Eksoskeleton – ulkoinen tukiranka
Eksoskeletonit eli ”eksot” voidaan jakaa aktiivisiin (motorisoidut, hydrauliset, pneumaattiset) ja passiivisiin (esim. jousivoima). Ne tukevat kehon luonnollisia liikeratoja ja keventävät työtehtävistä aiheutuvaa taakkaa. Eksoskeletonit helpottavat lihaskuormitusta erityisesti hankalissa työasennoissa. Sovelluskohteita ovat mm. logistiikka (nostotyöt), teollisuus, rakennusala ja terveydenhuolto. Aktiiviset eksoskeletonit voivat avustaa liikkumisessa ja ehkäistä kaatumisia. Käytännössä mitä tahansa lihas- ja nivelryhmää voidaan tukea, tai vahvistaa eksoskeletonien avulla. Esimerkiksi tehostaen puristusvoimaa, jolloin käyttäjän ei tarvitse aktiivisesti puristaa kämmentään. Tästä voi olla hyötyä tärinää aiheuttavien työkoneiden käytössä, koska tärinä ei samalla voimalla kohdistu käteen.
XR-teknologiat (AR, VR, MR) ja älylasit
XR-teknologia kattaa laajennetun todellisuuden (VR, AR, MR), jossa käyttäjä voi upota virtuaaliympäristöön, laajentaa omaa ympäristöään digitaalisilla elementeillä tai hyödyntää molempia. Sovelluksia löytyy mm. suunnittelusta, logistiikasta, rakentamisesta ja koulutuksesta. Älylasit mahdollistavat tietokonenäytön tuomisen silmälasien kaltaiseen kehykseen, ja niiden käyttö perustuu puheohjaukseen, eleisiin tai kosketukseen.
Älylasien sovelluskohteita ovat esimerkiksi kenttähuollon ja asennuksen ohjaus, varastotyö, tekninen tuki, navigointi, turvallisuus ja tuotesuunnittelu.
Pohdinta
Mitä käytännön sovelluskohteita XR-laseille voisi olla?
Laseja voisi hyödyntää esimerkiksi kunnossapidon tehtävissä. Lasien avulla voitaisiin nähdä tulevat huoltokohteet ja seurata, kuinka miten suunnitellut huollot ovat toteutuneet. Tuotannon koneet näkyisivät lasien kautta eri väreillä ilmaisten ovatko suunnitellut huollot tehty, vai onko huolto myöhässä. Toisaalta asentaja voisi tarvittaessa ottaa yhteyttä laitteen valmistajan tukeen, jolloin verkon välityksellä tukipalvelussa nähtäisiin sama näkymä kuin asentajalle. Asentaja voi työskennellä kädet vapaina tukipalvelun ohjeistaessa ja tuoden virtuaalisia osoittimia, tai ohjevideoita asentajan nähtäville.
Miten painettu elektroniikka ja sen mahdollistava ”älykkäät vaatteet” voivat tuoda työpaikalle tai arkeen?
Painettu elektroniikka mahdollistaa joustavat ja integroidut ratkaisut, kuten ihoon kiinnitettävät anturit ja energiaa tuottavat rakennuspinnat. Tämä voi parantaa terveyden seurantaa, energiatehokkuutta ja tuoda uusia innovaatioita eri aloille.
IoT – Esineiden internet
Kuvituskuva, lähde: tekoäly (2025)
IoT (Internet of Things) tarkoittaa järjestelmää, jossa laitteet kommunikoivat ja ovat yhdistettynä tietolokiinneverkkoon. Teollisesta järjestelmästä käytetään nimitystä Industrial IoT (IIoT). IIoT hyödyntää laajemmin antureita, älylaitteita ja analytiikkaa tuotannon kehittämiseksi ja liiketoiminnan parantamiseksi. Termi IoT lienee kuitenkin varsin vakiintunut termi myös teollisuuden sovelluksissa.
IoT – laitteiden tiedonsiirto
IoT-laitteet hyödyntävät matalatehoisia tiedonsiirtoverkkoja ja erilaisia protokollia, kuten Bluetooth Low Energy (BLE), jotka mahdollistavat energiatehokkaan ja laajamittaisen tiedonsiirron. Matalatehoinen tiedonsiirto onkin ollut selkeässä roolissa IoT-laitteiden kehityksessä.
Sovelluskohteet
IoT-laitteita voidaan hyödyntää lähes missä vain, kuten liikenteessä, terveydenhuollossa, teollisuudessa ja kotiautomaation ratkaisuissa. Esimerkkejä voisi olla vaikkapa älykkäät liikennevalot, jotka vaihtuvat hälytysajoneuvon lähestyessä risteystä. Toinen mielenkiintoinen sovelluskohde voisi olla ennakoiva huoltotoiminta, missä tuotantokoneessa olevista antureista kerätään dataa.
Käytännössä mistä tahansa koneesta, tai laitteesta voidaan valjastaa älylaite yhdistelemällä antureita ja mahdollistamalla tiedonsiirto IoT:n avulla. Voidaan vaikka valjastaa vanhasta punaisesta ”massikkasta” säätutka, GPS-piirturi ja maan typpipitoisuutta mittaava älykäs laitekokonaisuus. Tarvitaan oikeat sensorit ja IoT – moduuli keräämään dataa.
Tietoturva ja riskit
IoT:n yleistyminen tuo mukanaan tietoturvahaasteita, kuten laitteiden haavoittuvuus hakkerointiin. Riskien hallinta vaatii systemaattista arviointia ja työkaluja, joiden avulla voidaan turvallisesti käyttöönottaa erilaisia IoT – sovelluksia vaarantamatta tietoturvaa. On olennaisen tärkeää varmistaa, että tietoturvastrategia ottaa huomioon myös kaikki IoT-laitteet kahvinkeittimestä tuotannon monitoimisorviin.
Pohdinta
Mitä dataa henkilöautot voisivat kerätä ja miten sitä voisi hyödyntää?
Nykyisin uudet autot alkavat oikeastaan olla täydellisiä mittalaitteita niiden lukuisten erilaisten antureiden ja sensoreiden avulla. Autot keräävät dataa esimerkiksi tienpinnan kitkasta, lämpötilasta, vauhdista, liikenteen määrästä, sijainnista, tai vaikkapa valon määrästä. Yhdistämällä eri datapisteitä, eli esimerkiksi muut autot ja sääasemat, voidaan saada ennakoivaa tietoa tulevista olosuhteista.
Mitä oikeastaan haittaa, jos vain yksittäinen IoT-laite joutuu verkkohyökkäyksen kohteeksi?
Riski on todellinen, sillä jo yksittäisen laitteen kautta voi hakkeri päästä käsiksi yrityksen verkkoon ja siinä oleviin muihin laitteisiin. Esimerkiksi sähkökeskuksessa olevaan ohjausreleeseen on voinut jäädä oletussalasana pääkäyttäjälle ja tunnistamalla laitteen tarkan tyypin on hyökkääjän helppo päästä käsiksi järjestelmään. Jos IoT-laite on kytkettynä yleiseen verkkoon, ulkopuolinen voi päästä muuttamaan laitteen parametrejä, vaikkapa lämpötilaa tai valojen toimintaa.
Big Data
Kuvituskuva, lähde: tekoäly (2025)
Big Data viittaa valtaviin, monimuotoisiin ja nopeasti kasvaviin tietomääriin, joita koneet, laitteet, yritykset ja yksityishenkilöt tuottavat. Big Datan prosessissa data kerätään, jäsennellään, siivotaan ja analysoidaan systemaattisesti muotoon, jota voidaan hyödyntää laajasti eri sovelluksissa.
Datan arvo tavallaan kasvaa, mitä pidemmän aikaa ja laajemmin sitä kerätään. Edellytyksenä on, että dataa kerätään systemaattisesti, strategisesti ja jalostetaan big data – prosessin mukaisesti – voisi jopa tietyin varauksia sanoa, ettei datalla ole juurikaan arvoa, ennen kuin se on käsitelty prosessimaisella tavalla. Tällä tarkoitetaan sekalaista, jäsentämätöntä dataa, esimerkiksi taulukko täynnä tuhansia lukuarvoja ja tekstijonoja, mutta ei mitään käsitystä, mihin ne viittaavat.
Sovellukset ja datan hyödyntäminen
Big Dataa hyödynnetään esimerkiksi ennakoivassa analytiikassa, varastonhallinnassa, asiakaskäyttäytymisen analysoinnissa, reittien optimoinnissa, tai liiketoiminnan kehittämisessä. On ollut nähtävissä, että data-analytiikan toimialalle on syntynyt täysin uutta liiketoimintaa, missä yritys voi keskittyä laadukkaan datan myymiseen eri osapuolille.
Haasteita datan keräämiselle ja hyödyntämiselle voivat olla datan siiloutuminen, datan laadulliset poikkeamat, sekä datan saatavuus. Datan jalostaminen vaatii äärettömän paljon laskentatehoa, sekä luonnollisesti kerättyä dataa jalostettavaksi. Tästä syystä data keskittyy muutamalle globaalille jättiläiselle.
Datan keräämisen ja sen jalostamisen merkityksen tärkeyttä ei kuitenkaan voi liikaa korostaa. Yhdistelemällä eri datapisteitä voidaan löytää huomattavia kehityskohteita, niin prosessien hallintaan, laatuun, tai päätösten tekoon.
Pohdinta
Mistä tiedän mitä dataa kannattaa kerätä?
Kysymykseen voi olla hieman vaikea vastata yksiselitteisesti. Tavallaan dataa ei kannata kerätä keräämisen vuoksi, sillä datan määrä voi todellisuudessa kasvaa uskomattoman nopeasti ja kerätty data vaatii jatkuvasti lisää tallennuskapasiteettia. Datan siirtoon tarvitaan myös siirtokapasiteettia, mikä voi myös osaltaan muodostua kustannuskysymykseksi, kuten myös rajoittaen kriittisen informaation tarvitsemaa kaistaa. Ehkäpä olennaista on varmistaa, että kerätty data on mahdollisimman laadukasta ja kerääminen on johdonmukaista ja strategisesti perusteltua. Näin voidaan kerätystä datasta saada myöhemmin löytää uusi datapiste, jonka avulla tekoälymalli voi muodostaa luotettavia tuloksia.
Mitä tarkoittaa, että datan arvo kasvaa iän myötä?
Datan määrä ei sinällään tuo mitään arvoa. Kun dataa jalostetaan, muokataan, siivotaan ja lopulta yhdistetään muuhun dataan, sen arvo kasvaa. Mitä enemmän ja mitä kauemmin analysoitua dataa on saatu kerättyä, sitä hyödyllisemmäksi se muodostuu. Arvokkaammaksi.
Tekoäly
Kuvituskuva, lähde: tekoäly (2025)
Tekoäly tarkoittaa lyhyesti tiivistettynä tietojärjestelmien kykyä suorittaa tehtäviä, jotka vaativat inhimillistä älykkyyttä, kuten oppimista, päättelyä ja ongelmanratkaisua. Tekoälystä puhuttaessa mielletään helposti, että kyseessä on jokin generatiiviseen tekoälyyn pohjautuva sovellus, kuten laajoihin kielimalleihin (LLM) perustavat ChatGPT, tai Copilot. Tekoäly on kuitenkin todella paljon enemmän ja voi luoda huomattavia kehitysmahdollisuuksia.
Koneoppiminen
Tekoälyn perusta on käytettävissä olevan mallin kouluttaminen. Oli sitten kyseessä kuvien luominen, chat-sovellus, tai mobiiliruokalähetin vaeltaminen urbaanissa viidakossa, tarvitaan tekoälymallin koulutusta ja koneoppimista. Koneoppiminen on tekoälyn osa-alue, jossa algoritmit oppivat datasta. Koneoppimisen tekniikoita ovat ohjattu oppiminen (supervised learning), ohjaamaton oppiminen (unsupervised learning) ja vahvistusoppiminen (reinforcement learning). Tekoälymalli voidaan kouluttaa tietyllä käytettävissä olevalla oppidatalla, jonka jälkeen koneoppiminen voi tavallaan laajentaa käytettävissä olevaa opetusdataa.
Tekoälyn hyödyt ja haasteet
Tekoäly mahdollistaa tehokkaan moniajon, tasalaatuisen työn ja suurien tietomassojen nopean käsittelyn. Ihmiset kuitenkin päihittävät tekoälyn yhä monissa inhimillistä harkintaa vaativissa taidoissa. Niitä ovat esimerkiksi intuitio ja luovuus. Puhumattakaan siitä, että ihmisaivot toimivat hyvin energiatehokkaasti verrattuna nykyisiin tekoälyratkaisuihin, jossa datakeskukset vaativat suunnattoman paljon energiaa.
Tulevaisuuden näkymät
Tekoälyn sovellukset tavallaan arkipäiväistyvät ja eri sovellukset sulautuvat koneisiin ja laitteisiin. Ennakkoon koulutettu tekoälymalli on ohjelmoitu sulautettuun järjestelmään ja mahdollistaa nopean käyttöönoton eri kohteissa. Käytännön sovelluksena esimerkiksi ikkunatehtaan muotoon jyrsityn reunalistan laaduntarkkailu, jossa 3D-kamerat tunnistavat muotovirheet läpi kulkevasta profiilista. Samanlainen järjestelmä voitaisiin ottaa käyttöön toisessa yrityksessä vaikkapa teräsprofiilin tarkkailuun 15 minuutin käyttöönotolla.
Yksi sulautettujen sovellusten yleistymiseen vaikuttava teknologia on reunalaskenta (Edge Computing). Reunalaskenta tuo laskennan ja datan käsittelyn koneelle tai laitteelle. Tekoäly, IoT ja Big Data yhdistyvät käytännössä siis yhä tiiviimmin. Datan määrä kasvaa entisestään, kuten myös tarve datan analysoinnille nopeutuu. Reunalaskenta vähentää tiedonsiirron tarvetta ja mahdollista nopeammat reagoinnit analysoidun datan perusteella, esimerkiksi autonomiset ajoneuvot.
Digitaalinen kaksonen (digital twins) on teknologia virtuaalisten mallien hyödyntämiseen. Tämä tarkoittaa, että esimerkiksi tuotantosolu mallinnetaan 3D-ympäristöön, jossa voidaan testata erilaisia robotiikka- ja automaatioratkaisuja simulointien kautta. Optimiratkaisun löydyttyä simuloinnin avulla voidaan tuotantosolu muodostaan mallin mukaiseksi ja jopa tuoda simuloinnissa luodut ohjelmat tuotantolaitteille. Tekoälymalleja voidaan kouluttaa virtuaalisessa ympäristössä lukuisia kertoja huomattavan nopeasti. Näin uusi koulutettu tekoälymalli voidaan saada koneelle, laitteelle tai sovellukseen todella nopeasti, jopa tunneissa.
Pohdinta
Miten tekoälyn kehitys vaikuttaa työtehtäviin tulevaisuudessa – korvaako vai täydentääkö?
Tekoäly pikemminkin muuttaa työn luonnetta. Rutiininomaiset ja toistuvat tehtävät voidaan automatisoida, jolloin ihmiset voivat keskittyä luovuutta, empatiaa ja kriittistä ajattelua vaativiin tehtäviin.
Voiko tekoälyyn luottaa päätöksenteossa?
Tekoäly toimii datan pohjalta, juuri siitä, mitä on käytetty tekoälymallin opettamiseen. Siksi on tärkeää tunnistaa mitä dataa käytetään ja millä tavoin malli hyödyntää dataa. Läpinäkyvyys tekoälymallien toiminnasta lisää luotettavuutta ja ymmärrystä. Generatiivisen tekoälyn haastavia yleisiä piirteitä on mahdollisuus hallusinaatioon, eli vastausten keksimiseen, sekä variaatiot toistoissa. Ymmärtämällä ja tunnistamalla tekoälyn toimintamallit voidaan olennaisesti luoda luotettavampia tuloksia.
Kuvituskuva, lähde: tekoäly (2025)
Moderni robotiikka
Moderni robotiikka on kehittyvä ala, joka yhdistää tekoälyn, koneoppimisen ja automaation tuottavuuden, turvallisuuden ja tehokkuuden parantamiseksi eri toimialoilla. Modernin robotiikan sovellukset ulottuvat esimerkiksi teollisuudesta palveluihin, terveydenhuoltoon, logistiikkaan, tai vaikka viihteeseen.
Suomessa robotiikan ja automaation kehittäminen on nostettu kansalliseksi tavoitteeksi. Robotiikka-tilastojen valossa Suomi välttämättä kuitenkaan ole lunastanut tavoitteita, joten tilaa kehitykselle ja uusille robotisointikohteille kyllä varmasti on. Voiko olla, etteivät perinteiset investointistrategiat päde uusien teknologioiden osalta investoinnin kannattavuuden tarkastelussa?
Modernin robotiikan erityispiirteet
Modernit robotit yhdistävät tekoälyä ja koneoppimista prosessien kehittämiseen hyödyntäen kerättyä dataa. Modernit robotit ovat ketterämpiä, kykenevät oppimaan ja jakamaan tietoa muiden laitteiden kanssa. Modernit robotit on suunniteltu toimimaan yhteistyössä ihmisten kanssa.
Moderni mobiilirobotti välttämättä tarkoita enää ainoastaan pyörillä kulkevaa robottia. Robotti voi liikkua vedessä, ilmassa, tai vaikka seinällä. Moderni robotti voi esteen havaitessaan vaihtaa kulkumuotoaan renkailta ja nousta seisomaan.
Verkostossa toimiessaan robotteja voidaan hallinnoida keskitetysti ja esimerkiksi opetusdata voidaan viedä yhdellä kertaan jokaiselle verkoston laitteelle. Esimerkiksi moderni mobiilirobotti voi viestiä muuttuneesta optimoidusta reitistä, jolloin muut mobiilirobotit ”oppivat” uuden reitin reaaliaikaisesti.
Pohdinta
Miten robotiikan käyttöönotto vaikuttaa työntekijöiden rooliin logistiikassa?
Robotiikka voi vapauttaa työntekijät rutiininomaisista ja fyysisesti raskaista tehtävistä, jolloin he voivat siirtyä tuottavampiin ja mielekkäämpiin töihin. Samalla tarvitaan koulutusta ja sopeutumista uusiin työtehtäviin. Moderni robotiikka ei tarvitse kiinteitä paikkoja tai erityisiä turva-alueita, joka edesauttaa käyttöönottoja eri kohteissa.
Mitkä ovat modernin robotiikan keskeiset erot perinteisiin robotteihin verrattuna?
Modernit robotit hyödyntävät tekoälyä ja koneoppimista, osaavat liikkua ketterämmin, kommunikoivat ja aistivat ympäristöään, sekä työskentelevät yhteistyössä ihmisten kanssa. Tarttujat ja muut komponentit ovat myös kehittyneitä ja monipuolistuneita
Ainetta lisäävä valmistus, eli 3D-tulostus
Kuvituskuva, lähde: tekoäly (2025)
Ainetta lisäävä valmistus (Additive Manufacturing, AM) tunnetaan myös yleisimmin nimellä 3D-tulostus. Se on nimensä mukaisesti valmistusmenetelmä, jossa fyysinen objekti valmistetaan kerros kerrokselta suoraan digitaalisesta 3D-mallista. Tämä eroaa perinteisistä valmistusmenetelmistä, kuten koneistuksesta, jossa materiaalia poistetaan tai muovataan haluttuun muotoon pääsemiseksi.
3D-tulostus menetelmänä
Yksi 3D-tulostuksen eduista on varmastikin suunnittelun vapaus. 3D-tulostus mahdollistaa rakenteiden optimoinnin keveyden, lujuuden tai toiminnallisuuden mukaan, mikä on erityisen hyödyllistä lukuisissa sovelluskohteissa. Voidaan simuloida optimivirtaus prosessituotteille ja valmistaa tuote simulointimallin ympärille.
Toinen olennainen etu on monimutkaisten geometrioiden, sisäisten rakenteiden ja toiminnallisten osien valmistamisen ilman erillisiä työkaluja tai muotteja. Tämä tuo etuutta niin kustannusten, kuten myös läpimenoaikojen osalta 3D-tulostuksen eduksi. 3D-tulostus on erityisen hyödyllinen prototyyppien valmistuksessa, yksilöllisissä tuotteissa ja pienissä tuotantosarjoissa.
Kolmas mielenkiintoinen ja potentiaalinen hyötynäkökulma tulee materiaalien kulutuksen ja varastojen kautta. 3D-tulostuksella on mahdollisuus saavuttaa merkittäviä materiaalisäästöjä ja sitä kautta vähentää myös hiilijalanjälkeä. Digitaaliset varastot voivat osaltaan laskea huomattavasti esimerkiksi varastoitavien varaosien tarvetta tuoden selkeitä kustannussäästöjä varastoinnissa.
Aivan sellaisenaan perinteisellä tavalla valmistettavat osat eivät välttämättä sovellu 3D-tulostukseen kustannusmielessä. 3D-tulostuksen hyödyt tulevat parhaiten esiin suunnittelun kautta esimerkiksi vähentää valmiin kokoonpanon osien lukumäärää, tai optimoimalla tuotteen toiminnallisuuksia. Yksi 3D-tulostuksen haasteista eritoten metallien tulostuksessa on lämpötilan hallinta ja materiaalin homogeenisuus.
Pohdinta
Mitä mahdollisuuksia 3D-tulostus avaa tuotteiden suunnitteluun?
3D-tulostus tarjoaa suunnitteluun vapautta, sillä se mahdollistaa rakenteiden optimoinnin esimerkiksi keveyden, lujuuden tai toiminnallisuuden mukaan. Monimutkaisia geometrioita ja sisäisiä rakenteita voidaan valmistaa ilman muotteja tai erikoistyökaluja, mikä nopeuttaa kehitysprosessia ja vähentää kustannuksia. Toiminnalliset rakenteet voivat puolestaan vähentää tuotteen komponenttien lukumäärää ja siten nopeuttaa ja yksinkertaistaa tuotteiden loppukokoonpanoa. Yhteenvetona voidaan todeta, että ainetta lisäävä valmistus ei ole pelkästään vaihtoehto perinteisille menetelmille, vaan se edustaa laajempaa muutosta kohti ketterämpää, kestävämpää ja asiakaslähtöisempää tuotantomuotoa.
Miten digitaaliset varastot vaikuttavat toimitusketjuihin?
Digitaaliset varastot mahdollistavat varaosien ja tuotteiden säilyttämisen digitaalisessa muodossa, jolloin fyysistä varastointia ei tarvita yhtä paljon. Tämä voi vähentää varastointikustannuksia ja parantaa toimitusketjun joustavuutta. Osia voidaan tulostaa tarpeen mukaan, mikä tukee ketterämpää ja asiakaslähtöisempää tuotantoa sekä lyhentää toimitusaikoja. Digitaalinen varasto voi myös mahdollistaa esimerkiksi varaosan valmistamisen lähellä kohdetta, joka nopeuttaa varaosan toimitusta merkittävästi.
Miten 3D tulostus vaikuttaa materiaalin käyttöön?
Koska valmistus tapahtuu kerros kerrokselta vain tarvittavasta materiaalista. Tämä johtaa merkittäviin materiaalisäästöihin, jotka puolestaan vähentävät hiilijalanjälkeä ja tukevat kestävää kehitystä. Vähemmän hukkaa tarkoittaa myös taloudellisia säästöjä ja tehokkaampaa resurssien käyttöä.
Materiaalintuottaja: Pasi Poutianen, lehtori, Jamk
Materiaalista suoritettu
Materiaalista suoritettu