Onko koneoppiminen nykyajan Nostradamus?

Onko koneoppiminen nykyajan Nostradamus?

 

Oletko kuullut ikinä Nostradamuksen nimeä? Michel de Nostredame oli ranskalainen apteekkari, lääkäri ja astrologi, jonka sanotaan ennustaneen häntä edeltäneiden vuosisatojen tapahtumia. Michelin ennustuksista voi olla montaa mieltä, mutta hän toimikoon anekdoottina tämän päivän keskustelulle koneoppimisesta ja tekoälystä.

Onko tiedon avulla mahdollista ennustaa tulevaa?

Proaktiivinen vai reaktiivinen?

Maailmamme pyörii tiedon ympärillä ja miten tietoa hyödynnetään. Arvioiden mukaan maailmamme tuottaa 2,5 triljoonaa tavua tietoa joka päivä. Luku on tähtitieteellinen ja sen odotetaan vähintään tuplaantuvan IOT:n kautta. Jatkossa kodeistamme ja ympäristöistämme tulee digitaalisempia. Jääkaappi, leivänpaahdin, valaistus, patterit, lämmitys, kukkien kastelu ja etc. Internettiin kytkettyjen laitteiden määrä tulee kasvamaan räjähdysmäisesti kotonasi. Oletuksena 4 henkisellä perheellä on seuraavat laitteet kotona:

  • 4 älypuhelinta
  • 1-2 tablettia
  • 3 tietokonetta (kannettava tai pyötäkone)
  • Älytelevisio
  • Pelikonsoli

Kaikesta tästä datasta huolimatta maailmamme elää reaktiivisesti. Toimimme vasta kun jotain on tapahtunut. On kyse ihmisen terveydestä tai laitteista mitä käytämme, niin aloitamme toiminnan vasta sitten kun jotain on tapahtunut. Nostradamuksen mukaan maailma kulkee sykleissä ja sen takia tulevia tapahtumia on mahdollista ennustaa. Martin Armstrong kehitti algoritmin, jonka avulla talouden notkahdukset voitiin ennustaa tarkasti. Talouden notkahdukset tai ympäröivän kaaoksen kun pukee tiedon muotoon, niin voimmeko nähdä toistuvia kuviota?

Kaaos vai ennustettavuus?

Tiedon kerääminen ilman analyysia ja prosessointia on turhaa. Mitä hyötyä on jääkapin kerätä tietoa sen sisällöstä, jos tällä tiedolla ei tuoteta jotain hyödyllistä? Logistiikassa huonon laadun takana on yleensä prosessivirhe, joka aiheuttaa ongelmia. Jos prosessista ei saada tietoa, niin ongelmaa ei voida korjata. Onko siis kaikki loppupeleissä vain kaaosta, josta emme voi koskaan luoda ennustettavaa mallia?

Olemme nyt astumassa maailmaan, jossa ihmisen ylivertainen päättelykyky tulee luovuttamaan palkintokorokkeen ensimmäisen sijan tekoälylle ja koneoppimiselle. Tämä on hyvä asia.

Olemme ihmisenä alttiita tunteiden ohjaukselle, jossa ohitamme päätöksen yhteydessä jopa vedenpitävän tiedon. Viime vuonna saimme lukea tekoälyn pystyneen ennustamaan syövän n 20% paremmin kuin ihmislääkäri. Tekoälyn tuominen terveydenhuollon piiriin tulee olemaan vallankumous, jossa sairauksien ennakointi tulee muokkaamaan meidän tapaa käsitellä sairauksia.

Relevanttia tietoa

Palataan takaisin tiedon keräämiseen. Alalla kuulee usein sanan ”big data” ja mielestäni se on jo vanhentunut. Oikeampi termi tälle on relevantti data, jolla symbolisoin oikean tiedon keräämistä. Tiedon keräämisen suunnittelussa tulisi ottaa hyvinkin tarkasti huomioon, että dataa ei kerätä vain datan keräämisen vuoksi vaan että sillä on selkeä tavoite ja syy. Hyvänä esimerkinä meillä toimii tapahtumien IOT-alusta Event Cloud. Event Cloud kerää osallistujista tietoa ilmoittautumisesta tapahtumaan asti. Ilmoittautumisen yhteydessä tapahtuman järjestäjä määrittelee lomakkeen kentät, joita tarvitaan tapahtuman järjestämiseen. GDPR:n jälkeen tämä on todella oleellista, jotta tietovarannot eivät täyty tiedoista millä kukaan ei tee mitään. Kevään aikana tuomme Googlen machine learningin mukaan Event Cloudiin. Visiona meillä on, että tapahtuman järjestäjä saa rikkaan tietovarastomme ansiosta ennustettavuutta tapahtumiinsa. Esimerkkinä toimikoon sähköpostin lähetys.

  • Milloin on aika lähettää kutsuviesti?
  • Milloin on oikea aika aloittaa ilmoittautumisen kerääminen?
  • Milloin on oikea aika laittaa muistutus?

Ilman konkreettista dataa sekä analysointia yllä olevat kohdat jäävät täysin arvailun varaan. Rikkaan tietovaraston avulla arvailun määrää vähennetään ja tapahtumien järjestäminen muuttaa reaktiivisesta proaktiiviseksi. Proaktiivinen toiminta vähentää aina kustannuksia, koska reagointi pakottaa toimijan tekemään muutoksia joiden lopputulosta ei voi ennustaa.

Takaisin Micheliin

Nostradamuksen ennustukset olivat kryptisia ja niiden tulkinta jäi aina lukijan varaan. Koneoppimisen kautta aloitamme tien kohti ennustettavuutta ja sitä kautta kohti reaktiivista maailmaa. DNA-testien avulla voimme saada tietoa omasta terveydestämme, jotta osaamme reagoida mahdollisiin perinnöllisiin sairauksiin. Jääkaappimme osaa jatkossa kertoa milloin eri tuotteet menevät vanhaksi, jotta voimme vähentää ruokahävikkiä. Kun koneemme oppivat tuottamaan laadukasta tietoa on meillä ihmisillä entistä tärkeämpi rooli. Meidän tulee osata hyödyntää uutta tietoa vielä paremmin kuin olemme tehneet tähän asti.

Meidän haasteemme on oppia ja soveltaa uutta tietoa.

Huomaatko koskaan esim väittelyn yhteydessä, että asenteesi tai ajatuksesi eivät vastaa nykyaikaa? Itse olen joutunut pysähtymään useasti tämän kanssa. Olemme tapojemme orjia ja välillä on helppo sanoa, että minulla on niin kiire. Kiire on usein se tekosyy, jotta voin pysyä omassa kuplassani.

 

Jaa sivu
  • 2
  •  
  •  
  •  

About The Author

Olen mFabrikilla Studio Julmahuvin Die Kühe eli ratkaisija. Ratkaisen ja autan teitä onnistumaan digitalisaatiossa ihan konkreettisilla teoilla ja ehkä muutamilla hulluila visioilla. Saatte minusta end to end -kaverin, joka ei hylkää teitä edes lyhyellä varoitusajalla tulevissa pyynnöissä. Soita, laita sähköpostia tai vaikka savumerkkejä, olen kiva tyyppi. Rakastan kissoja ja musiikin tekemistä.