3 aiADDVA tekoälyvalmennukset – esimerkki yritysvalmennuksesta

Tässä osassa käytetään esimerkkinä aiADDVA-projektin yritysvalmennusta. Liikkeelle lähdetään verkkokurssista (MOOC), jonka jälkeen jatketaan Moodle-valmennuksen pariin. Yrityskohtaisia ryhmävalmennuksia osallistujayrityksillä oli tässä projektissa mahdollisuus saada omiin tarpeisiinsa sovellettuina Moodle-valmennusten aikana tai sen jälkeen. Tekoälyvalmennuksen esimerkkiä voi soveltaa muunlaisiin yritysvalmennuksiin ottamalla esimerkkiä yritysvalmennusten rakenteesta. Sen pohjalta voit suunnitella ja toteuttaa valmennusta muistakin sisällöistä. Osan lopusta löydät muistilistan Moodlessa toteutettavan kurssin suunnittelusta.

Tekoälyä valmistavaan teollisuuteen verkkokurssi 

Koneoppimisaiheinen verkkokurssi (MOOCit) on suunniteltu tarjoamaan opiskelijoille selkeä käsitys tekoälystä, sen matemaattisista mekanismeista ja algoritmeista sekä tarjoamaan mahdollisuuden soveltaa tekoälyä käytännön tehtävissä. Kurssin tavoitteena on myös auttaa opiskelijoita arvioimaan tekoälyn suorituskykyä mittaavia mittareita. 

Kurssi on suunniteltu houkuttelevaksi ja informatiiviseksi. Siinä korostetaan tekoälyn laajoja käyttömahdollisuuksia, samalla kun se tuo esiin tarpeen erottaa oleellinen informaatiotulvan keskellä. Kurssi on itsenäisesti suoritettava, ja sen tavoitteena on selventää tekoälyn käsitettä, tarjota ymmärrystä matemaattisista mekanismeista ja antaa mahdollisuus käytännön sovelluksiin.  

Koneoppimisaiheisen verkkokurssin tuottaminen TIM-alustalla oli tehokas ja monipuolinen prosessi. Alusta tarjosi kattavan työkalupakin, joka mahdollisti kurssin rakenteen joustavan suunnittelun. Kurssin sisältö kattaa laajan valikoiman aiheita, mukaan lukien tekoälyn käsite, matemaattiset perusteet, algoritmit, sovellukset ja mittarit. Kurssin osat rakentuvat loogisesti toistensa päälle, mikä auttaa oppijoiden järjestelmällistä etenemistä. 

Kurssin tuottamisen aikana kerättiin myös aiheeseen liittyvää sanastoa, joka toimii oppijoiden apuna mahdollisissa epäselvyyksissä. Kurssi pyrittiin tekemään mahdollisimman vuorovaikutteiseksi ja oppimista tukevaksi TIM-alustan tarjoamien työkalujen avulla. 

Kurssi muodostuu 14 eri osasta, joista neljä ensimmäistä ovat suunniteltu tarjoamaan yleistajuisempi käsitys tekoälystä ja sen soveltamisesta valmistavassa teollisuudessa. Niiden jälkeen tulevat 10 teknisempää osaa. Käymme seuraavassa läpi osat ja niiden sisällöt. 

Yleiset osat:

1. Tekoälyn taustaa: Tässä osassa syvennetään ymmärrystä tekoälyn historiasta ja keskitytään oleellisten käsitteiden selventämiseen sekä esimerkkien tarkasteluun. Tavoitteena on poistaa turhaa hypeä ja tarjota taustatietoa tekoälyn kehityksestä. 
2. Koneoppimisen tavat: Osio keskittyy koneoppimisen eri menetelmiin ja niiden sovelluksiin valmistavassa teollisuudessa. Kurssi pyrkii tarjoamaan ymmärryksen siitä, miten tietokoneet voivat itsenäisesti oppia monenlaisia tehtäviä. 
3. Data: Tässä osassa keskitytään datan merkitykseen ja sen käsittelyyn tekoälysovelluksissa. Käymme läpi datan keräämisen, eri datatyypit ja sen oikeanlaisen käsittelyn merkityksen koneoppimisen kannalta. 
4. Soveltaminen: Siirrytään tekoälyn teoreettisesta pohdinnasta käytännön soveltamiseen valmistavassa teollisuudessa. Tässä osiossa käsitellään, miten kehittää tekoälysovelluksia, niiden arviointia ja otetaan esille hyviä käytäntöjä kehitysprosessissa. 

Tekniset osat:

1. Python-ohjelmointi: Osiossa perehdytään Python-ohjelmointikieleen ja sen tärkeyteen koneoppimisen kannalta, mukaan lukien oleelliset kirjastot. 
2. Matemaattiset perusteet: Tässä osassa tarkastellaan koneoppimisen taustalla olevia matemaattisia perusteita. Osallistujille tarjotaan mahdollisuus päivittää ja syventää matemaattisia taitojaan, jotka ovat keskeisiä koneoppimisen ymmärtämisessä. 
3. Datan esikäsittely: Käydään läpi datan esikäsittelyn merkitystä ja tekniikoita scikit-learn-kirjaston avulla. Osallistujat oppivat, kuinka käsitellä ja puhdistaa dataa tehokkaasti. 
4. Luokittelu ja regressio I: Tässä osassa käsitellään ohjatun oppimisen yleisiä menetelmiä, kuten datan luokittelua ja regressiota. Käydään läpi algoritmeja, kuten K:n lähimmän naapurin menetelmä ja tukivektorikone, ja niiden käyttöä. 
5. Luokittelu ja regressio II: Tutustutaan muihin luokittelu- ja regressioalgoritmeihin, kuten päätöspuihin, satunnaismetsiin ja Naiivi Bayes -luokitteluun. 
6. Aikasarjat: Osio keskittyy aikasarjoihin ja niiden perusominaisuuksiin, jotka ovat olennaisia monissa valmistavan teollisuuden sovelluksissa. 
7. Klusterointi: Ohjaamattoman oppimisen näkökulmasta tarkastellaan datan klusterointia ja sen merkitystä tietorakenteiden löytämisessä. 
8. Poikkeaman tunnistaminen: Koneoppimisen alalajina perehdytään poikkeamien tunnistamiseen ja pyritään ymmärtämään normaalista poikkeavien datapisteiden havaitsemista. 
9. Neuroverkot I: Osallistujat tutustuvat neuroverkkoihin, keskittyen aiheisiin kuten perceptronit ja konvoluutio. 
10. Neuroverkot II: Osio käsittelee edistyneempiä neuroverkkoja, kuten autoenkoodereita ja Yolo-verkkoja, ja niiden sovelluksia. 

Asioita, joita on hyvä korostaa tekoälyn käyttöä harkitseville. Tekäly tarjoaa: 

• Syvällisen käsityksen tekoälysovellusten taustasta ja toimintaperiaatteista. 
• Valmiudet tehokkaaseen datan käsittelyyn ja analysointiin, mikä on keskeistä tekoälysovellusten kehittämisessä. 
• Mahdollisuuden päivittää ja vahvistaa matemaattisia taitoja, jotka ovat olennaisia koneoppimisen ymmärtämisessä. 
• Tarvittavan taidon Python-ohjelmoinnissa ja koneoppimisen kirjastojen käytössä käytännön sovelluksissa. 
• Ymmärryksen eri koneoppimisen menetelmistä ja niiden sovelluksista valmistavassa teollisuudessa. 
• Kyvyn toteuttaa ja arvioida tekoälyprojekteja. 
• Tiedon siitä, miten hyödyntää poikkeamien tunnistamista ja neuroverkkoja teollisuussovelluksissa. 

Nämä tiedot ja taidot ovat välttämättömiä tehokkaan ja kannattavan tekoälyn hyödyntämisen kannalta valmistavassa teollisuudessa. Tekoälyn tehokas käyttö voi parantaa prosessien tehokkuutta, lisätä tuotteen laatua ja auttaa ennakoimaan huoltotarpeita. Siksi näiden tietojen jakaminen on tärkeää niille, jotka harkitsevat tekoälyn integroimista valmistusprosesseihinsa. 

Moodle-tekoälyvalmennuss

Verkkokurssin lisäksi osallistujilla oli tässä esimerkkivalmennuksessa käytössään tekoälyn valmennuspolun materiaali, joka oli rakennettu Moodle-oppimisympäristöön.  Tekoälyvalmennus Moodlessa oli itsenäisesti suoritettava kokonaisuus, joka koostui kolmesta osiosta.  

• Tekoälyn perusteita 
• Tekoälyvalmennus keskitaso 
• Tekoälyvalmennus soveltava taso 

Osiot sisälsivät videoituja esimerkkejä erilaisista tekoälysovelluksista ja opiskelijat seurasivat videoilla olevia esimerkkejä omilla koneilla. Osallistuja sai valita lähtötasonsa mukaan, mistä osiosta aloitti opiskelun. Hänellä oli myös mahdollisuus suorittaa eri osioiden harjoituksia kiinnostuksensa mukaan. Tähän valintaan osallistujat saivat ohjausta ja valmennusta yrityskohtaisissa tapaamisissa eli aloituspalavereissa, joissa tekoälyvalmennusta heille esiteltiin ja sen osia sekä etenemismallia selvennettiin. 

Tekoälyvalmennus oli pääasiallisesti aiADDVA-projektiin osallistuvien yritysten henkilökunnalle ja johdolle suunnattu kokonaisuus verkossa. Yritysten osallistujien lisäksi Jamkin ja Jyväskylän yliopiston henkilöstö voi osallistua aiADDVA-valmennuspolun valmennukseen. 

Moodlessa toteutetun verkkovalmennuksen tavoitteena oli antaa osallistujille ymmärrystä tekoälystä ja sen erilaisista sovelluksista käytännön esimerkkien ja itsenäisten tehtävien kautta. Kurssin suorittamisen jälkeen osallistujilla oli kurssin tavoitteiden mukaan perustiedot tekoälysovellusten mahdollisuuksista, käyttökohteista ja myös osaamista tehdä itse omia yksinkertaisia tekoälysovelluksia. 

Verkkovalmennuksessa toteutettiin esimerkiksi seuraavanlaisia tekoälysovelluksia: 

• Talon myyntihintaa ennustava tekoäly. 
• Tekoälyalgoritmi, joka tunnistaa keuhkoröntgenkuvasta mahdollisen keuhkokuumeen. 
• Koneoppimismalli, joka ennustaa valmistettavan tuotteen laatua tuotantoprosessista mitattujen suureiden avulla. Mallin avulla ratkaistiin myös yksinkertainen tuotantoprosessin optimointiongelma. 

Moodle-työtilan ensimmäinen osio ei vaatinut osallistujalta lainkaan esitietovaatimuksia. Sen harjoitustehtävät ratkaistiin Excel-ohjelmalla. Osioissa 2 ja 3 työskenneltiin sen sijaan Python-ohjelmointikielellä. Osallistuja voi halutessaan asentaa paikallisen ohjelmointiympäristön omalle tietokoneelleen tai vaihtoehtoisesti hän voi suorittaa harjoitukset Google Colab -ympäristössä, joka toimii tavallisella verkkoselaimella. Valmennuspolun materiaaliin sisältyi Pythonin alkeiden opiskelu. Lisäksi mukana oli soveltavia harjoitustehtäviä, joiden sisältö oli pyritty suunnittelemaan nimenomaan valmistavan teollisuuden näkökulmasta. Aihepiireihin kuului mm. kuvaluokittelu neuroverkkojen avulla sekä tuotantoprosessin laadun ennustaminen ja optimointi. 

Moodle-tekoälyvalmennuksesta ryhmävalmennukseen 

Valmennuspolun materiaali koostui videoluennoista, ohjatuista harjoituksista, itsenäisesti suoritettavista harjoituksista sekä testeistä, joiden avulla osallistuja voi testata oppimistaan. Ohjatuissa harjoituksissa osallistuja ratkaisi annetun tehtävän matkimalla videoesimerkissä esitettyä suoritusta. Itsenäiset harjoitustehtävät hän suoritti itse, ja saa palauttamastaan ratkaisusta palautteen valmentajalta. 

Valmennuspolun lopussa yrityksillä oli mahdollisuus osallistua ryhmävalmennukseen, jossa on mahdollisuus rakentaa jonkin tekoälysovelluksen Proof of Concept -versio yrityksen omiin tarpeisiin. Kehityksessä käytettiin hyväksi yrityksen omaa dataa, mikäli mahdollista. Ryhmävalmennus järjestettiin tyypillisesti puolen päivän mittaisena työpajatyöskentelynä.  

Ryhmävalmennuksia voisi yritysvalmennuksissa yleensä pitää jo valmennuspolun aikana yritysten kanssa sovittuina jaksoina. Siitä voisi olla hyötyä ja se voisi innostaa osallistujia valmennuspolulle, kun asioita ensin avattaisi heidän omalla datallaan ja yritykseen soveltuen. 

Keväällä 2023 erään yrityksen ryhmävalmennuksessa rakennettiin esimerkiksi tekoäly, joka osaa tunnistaa kuvassa näkyvän tuotteen tyypin. Tällaista sovellusta voidaan käyttää tuotteiden automaattiseen lajitteluun. Sovelluksen ytimessä oleva neuroverkko koulutettiin yrityksen itse keräämän kuva-aineiston avulla. Jamkin asiantuntijat kirjoittivat ohjelmakoodin rungon (templaten), mutta varsinainen koneoppimisalgoritmin koulutus suoritettiin työpajassa yhdessä yrityksen osallistujien kanssa. 

Ryhmävalmennukset pyrittiin aiADDVA-projektissa järjestämään valmennuksen loppuvaiheessa, kun osallistujat olivat jo suorittaneet harjoituksia Moodle-työtilan materiaalin avulla, ja tekoälyn peruskäsitteet olivat heille tuttuja. Ryhmävalmennuksen käytännön toteutus vaihteli kasvotusten tapahtuneesta työpajatyöskentelystä Teamsin kautta tehtyihin esityksiin, joissa yritysvalmentajien johdolla keskusteltiin yrityksen datan avulla tehdyistä analyyseista ja malleista. 

Ryhmävalmennuksena järjestettiin myös 14.9.2023 Käytännön kokemuksia yritysten tekoälyprojekteista -seminaari. Tekoälytapahtumaan kutsuttiin yritysten edustajia kertomaan, millä tavalla tekoälyä on konkreettisesti hyödynnetty yrityksessä. Tapahtumassa kuultiin aitoja yritysesimerkkejä ja asiantuntijoita, jotka jakoivat käytännönläheisiä vinkkejä kokemuksistaan tekoälyprojektien parissa. Missä onnistuttiin ja mitä olisi voinut tehdä toisin. Tapahtumassa oli mahdollisuus myös verkostoitua tekoälyasiantuntijoiden kanssa ja keskustella konkreettisista toimista, jolla yritys pääsee eteenpäin datan hyödyntämisessä ja tekoälyprojekteissa.  

Esimerkiksi AFRY Finland Oy:n Markku Lauttamus kertoi kokemuksia konenäköprojektin läpiviemisestä. Yrityksen konenäköratkaisun hankintaan kuuluu useita vaiheita, kuten vaatimusmäärittely, menetelmäselvitys- ja testausvaihe, tekninen vaatimusmäärittely ja suunnittelu. On tärkeää valita järjestelmäkumppani huolellisesti, sillä he vastaavat konenäköjärjestelmästä sen koko elinkaaren ajan. Myös JR-Toolsin edustaja osallistui seminaariin. Seminaarissa verkostoituessaan yritys sai ymmärryksen ja osaamisen lisäksi potentiaalisia kumppaneita tekoälyprojektin käytännön toteutukseen tulevaisuudessa. 

Tekoälyn valmennuspolku antoi yritykselle ymmärrystä, millaisissa ongelmissa tekoälyä voisi hyödyntää. Lisäksi käytännönläheisten ryhmävalmennuksien kautta yritykselle syntyi valmius jatkaa tekoälysovellusten kehittämistä joko itse tai ulkopuolisen asiantuntijan avulla.  

Mitä asioita yritysvalmentajan on otettava huomioon valmennuksen suunnittelussa? 

• Valmennuksen aihealue, laajuus ja osat? 
• Valmentajan työaikaresurssi (suunnittelu ja toteutus) 
• Miten tsekkauspalaverit ja ryhmävalmennukset toteutetaan ja paljonko ne vievät yritysvalmentajan työaikaa? 
• Mitkä ovat osallistujien lähtötasovaatimukset? 
• Mihin oppimisympäristöön oppimismateriaali kootaan? 
• Kuinka moneen osaamistasoon materiaali jaetaan? 
• Millä työkaluilla työskennellään (Excel, Python, jne.)? 
• Jos valmennuksessa kirjoitetaan ohjelmointikieltä (esim. Python), opetetaanko ohjelmointikielen syntaksin perusteet osana valmennusta? Entä työskennelläänkö paikallisessa ohjelmointiympäristössä tai esim. Google Colabissa? 
• Miten valmennettavien itsenäistä opiskelua seurataan (esim. palautettavat harjoitustehtävät, monivalintatentit tms.)? 
• Saavatko osallistujat suorituksistaan palautteen?