Lue esitys blogina osoitteessa https://www.provad.fi/blogi/
RPA&AI - Nykytila ja näkymiä [Esa Reilio, Provad T&T 2020 -klubi 30.3.2017]
Provadin Head of RPA Esa Reilio avasi Teknologia & Tunne 2020 -klubin puheenvuorollaan RPA:n ja AI:n nykytilasta ja näkymistä. Puheen kantava teemana oli teknologia ihmiskunnan ja liiketoiminnan kehityksen mahdollistajana.
Robotiikka ja tekoäly
Seuraavaksi megatrendiksi Esa ennustaa ihmiskeskeistä liiketoimintaa. Tämä trendi tarkoittaa sitä, että ihmisten harteilta poistetaan taakka tehdä asioita, joissa ihmiset eivät ole parhaimmillaan. Tietomassojen murskaaminen sekä rutiininomaiset tehtävät voidaan ulkoistaa teknologialle: roboteille ja tekoälylle.
Mitä nämä kaksi sitten ovat, ja miten ne eroavat toisistaan? Esa tiivistää asian näin:
RPA eli ohjelmistorobotiikka tuottaa kun on paljon tapahtumia. Se automatisoi rutiininomaisia työvaiheita väsymättä ja toistuvasti oikein.
AI eli tekoäly auttaa kun on paljon dataa. Se osaa tulkita dataa ja löytää asiayhteyksiä, joita ihminen ei helposti havaitse. AI:lla on myös kyky oppia, kun sillä on osaava opettaja.
Hyvä on, robotit ja tekoäly tulevat. Mikä oikeasti muuttuu?
1. Työ muuttuu
Ensimmäisten joukossa muuttuvat esimerkiksi toimittajan ja lääkärin työt. Jo nyt esimerkiksi urheilujournalismissa hyödynnetään robotteja ottelutilastojen haussa. Lääkäri puolestaan hyötyy teknologiasta, joka pystyy auttamaan lääkäriä oikean diagnoosin tekemisessä.
2. Muutosnopeus muuttuu
Paljon puhutaan siitä, että maailma muuttuu kiihtyvällä tahdilla. Vai muuttuuko?
Esan mukaan tietokoneiden laskentateho on tuplaantunut kahden vuoden välein vuodesta 1965 (ks. Mooren laki). Tämä kiihtyvä muutos on tulossa tiensä päähän, mutta samalla toinen on alkamassa. Datan määrä nimittäin kasvaa räjähdysmäisesti, eikä loppua näy. Samalla datan käsittelykyky kehittyy harppauksin. Tämä takaa kiihtyvän muutoksen myös tulevaisuudessa.
3. Muutos käytännössä
Käytännössä dataräjähdys on esimerkiksi sähköistä kaupankäyntiä, keskusteluita, sosiaalista mediaa, kuvia ja videoita, verkkoon kytkettyjä laitteita ja niiden antureita (IoT). Joku voisi myös käyttää sanaa digitalisaatio.
Tätä valtavaa datamäärää voidaan käsitellä reaaliaikaisella analytiikalla, joka mahdollistaa reagoinnin heti tiedon syntyhetkellä sekä tapahtumien ja käyttäytymisen ennakoinnin.
4. Miksi nyt?
Tämä valtaisa muutos on mahdollinen vasta nyt, koska datan käsittelyssä on tapahtunut mullistuksia, joiden pohjalta tietokone voi ottaa haltuun yhä monimutkaisempia kokonaisuuksia yhä tehokkaammin.
Lue koko esitys blogina osoitteessa https://www.provad.fi/blogi/
3. Intro
Työhistoria
• Oy Alko AB (kesäjuomat koko suvulle) 1977-1980
• KONE Oyj 1981 – 2007 (R&D ym)
• Yrittäjä 2008-2017 (Aalto Yliopisto/MIND, Konenäkö-start-up)
• Provad Oy 2017
Ensikosketus tekoälyyn hisseissä jo 1980-luvulla
• Laitteistot, muistikapasiteetti, laskentateho
Oppivia algoritmeja ja konenäköä 2010-luvulla
• Open innovation
• Yliopistoyhteistyö, EU-hankkeet
Esa Reilio
Head of RPA
+358 40 502 6762
esa.reilio@provad.fi
4. Liiketoiminnan paradigmat 30 vuotta
Prosessi
(MRP)
Yritys
(ERP)
Arvoketju
(SCM)
Asiakkaat ja
kumppanit
(www)
Ihminen
(RPA/AI)
1985 1995 2005 2015 2025
6. RPA - Robotic Process Automation
Parantaa työn tuottavuutta
automatisoidaan asiakaskokemuksen kannalta vähämerkitykselliset välivaiheet
Tekee parempaa laatua nopeammin:
robotti tekee tärkeät asiat väsymättä ja toistuvasti oikein
Työtehtävä on altis robotisoitavaksi, jos
se on työläs ja usein toistuva
työtapa on tunnettu
pelisäännöt tiedetään
ratkaisu ei ”karkaa alta” eli ongelma ei muutu työn edetessä
7. AI - Artificial Intelligence (Tekoäly)
Kun dataa on tarpeeksi, AI:
hallitsee nopeasti isot tietomäärät
osaa tulkita myös vapaamuotoista dataa (tyypillistä ihmiseltä - ihmiselle kommunikaatiota)
ei unohda (käskemättä)
etsii asiayhteydet, joita ihminen ei helposti havaitse
on tunteeton, ei ennakko-odotusta (confirmation bias), faktuaalinen
oppii, kun on viisas opettaja (data ja ekspertti, Q&A)
uusi data kasvattaa aiemman arvoa
AI on
Väsymätön oppilas
Nopea päättelijä
8. RPA tuottaa kun on paljon tapahtumia
AI auttaa kun on paljon dataa
10. Työ muuttuu
5 työtä, joiden roolin robotit muuttavat
1. Keskijohto
2. Myyjä
3. Toimittaja
4. Kirjanpitäjä
5. Lääkäri
Lähde: Shelly Palmer, CEO at The Palmer Group @LinkedIn: ”The 5 Jobs Robots Will Take First”
https://www.linkedin.com/pulse/5-jobs-robots-take-first-shelly-palmer
13. Mitä muutos on käytännössä
Dataräjähdys
– sähköiset transaktiot
– sosiaalinen media
– kuvat ja videot
– laiteanturit ja IoT
– henkilökohtaiset anturit, älyvaatteet
Nopea analytiikka (reaaliaikaisuus)
– määrämuotoisen ja vapaamuotoisen tiedon yhdisteet
– tietoon voidaan reagoida heti sen syntyhetkellä
– tapahtumien ja käyttäytymisen ennakointi ajoissa
14. Miksi muutos on mahdollinen vasta nyt
Esimerkkejä
• Laskentateho GPU vs. CPU, MythBusters –vertailu:
https://www.youtube.com/watch?v=-P28LKWTzrI
• Oppivat neuroverkot, esim. Googlen deepMind -neuroverkko oppi Atari-Breakout virtuoosiksi
https://youtu.be/V1eYniJ0Rnk?t=35s
• Ja kehitys kehittyy, vaikka aina ei päästä ihan Strömsöö’hön
https://creators.vice.com/en_us/article/meet-the-artist-using-ritual-magic-to-trap-self-driving-cars
• Eikä tässä vielä kaikki (kvanttitietokone)
https://dynamic.hs.fi/2017/gifs/QUBIT.gif
• Digitaaliset tunteet, empatia ja aivotutkimus
https://vimeo.com/207169520 (biosig)
15. Kotitehtävä illaksi
Build Neural Character Language Models with CNTK
This example demonstrates how to build a neural character language model with CNTK using regular
plaintext data fed in using the numpy interface.
A neural language model uses a recurrent neural network to predict words (or characters) with a richer
context than traditional n-gram models allow. In this implementation, a character is run through an LSTM
and the output is then put through a fully-connected layer to predict the next output character. The
model can learn to be extremely expressive as the context is progressively built-up with each letter run
through the RNN. For even more expressiveness, we allow a stack of LSTMs where the output of each layer
is put through the next layer as its input.
This example is inspired by Andrej Karpathy's blog post "The Unreasonable Effectiveness of Recurrent Neural Networks" at
http://karpathy.github.io/2015/05/21/rnn-effectiveness/
16. Noh, ei vaan!
Antakaa meidän hoitaa detaljit, mietitään yhdessä lisäarvoa ja liiketoimintaa
17. Keskusteltavaa illaksi
Mistä saamme eniten arvoa TIEDOLLE/DATALLE?
1. Mistä pitäisi olla enemmän tietoa?
2. Mitä jos tietoa olisi rajattomasti heti eikä mikään
unohtuisi?
3. Mitä asiakkaan käyttäytymismallia on vaikea
ymmärtää, missä tulee yllätykset?
4. Mitä pitäisi osata tiedoista päätellä ja kertoa?