Data-analyytikan avulla tehokkaampaan toimintaan

Data on nykyään yksi tärkeimmistä työvälineistä päätöksenteossa. Ennen dataa käytettiin suorittamisen seurantaan, mutta nykyään se auttaa ohjaamaan toimintaa älykkäämmin ja tehokkaammin. Dataa, koneoppimista ja tekoälyä voisi nykyistä enemmän valjastaa käytännön voimavaraksi. Dataa ja analytiikkaa voidaan hyödyntää toiminnan tukena useasta näkökulmasta. Analytiikan avulla voidaan esimerkiksi tehostaa toimintaa, kasvattaa kilpailukyä, parantaa asiakasymmärrystä ja ohjata päätöksentekoa. Datan arvo syntyy prosessoinnin kautta.

Suomessa alan osaajia ei kuitenkaan ole vielä joka kulmalla. Jukka Aho työskentelee LINKillä algoritmien ja data-analytiikan asiantuntijana. Tässä artikkelissa Jukka valottaa omaa uraansa ja mitä hänen työnsä nykyään sisältää.

Jukan työuran alkutahdit lyötiin lukkoon lukiossa. Kukkaan puhjennut ymmärrys matematiikasta, fysiikasta ja kemiasta ohjasi pyrkimään silloiseen Teknilliseen Korkeakouluun teknillisen fysiikan koulutusohjelmaan. Opiskelijaelämästä Jukka nautti laajalla skaalalla. Mukaan mahtui muun muassa kiltatoimintaa, harrastelijateatteria ja kuumailmapallolentoa. Ennen valmistumistaan hän ehti vielä käydä Ranskassa vaihdossa opiskelemassa tuotantotaloutta.

”Tutustuin LINKin nykyiseen teknologiajohtajaan Erkki Seppäläiseen 2000-luvun alussa, kun Erkki oli valokuitutehtaan kehityspäällikkönä ja sain tehtäväkseni diffuusiomallin kehittämisen kuvaamaan vesimolekyylien kulkua kvartsilasissa. Työ valokuidun parissa jatkui diplomityön merkeissä. Siirryin kehittämään erbium-seosteisen kuitulaserin simulointia ja valmistusta nykyisin nLight-nimellä tunnettuun yritykseen Lohjalle. Diplomityöni pohjalta valmistui kaupallinen kuitulaserien simulointiympäristö. Myös valmistusprosessiin ja tuotannonohjaukseen jäi kädenjälkeni. Tämän jälkeen jatkoin röntgenantureiden kehitykseen ja osallistuin kehitysprojektiin Detection Technology:ssä ”, kertoo Jukka

Luovaa ongelmanratkaisua monitieteellisissä haasteissa

Jukan ja Erkin urat kohtasivat uudestaan LINKillä reilu kuusi vuotta sitten, kun Jukka aloitti vanhempana erikoisasiantuntijana alanaan algoritmikehitys ja data-analyysi. Teknologiatiimissä syvällinen matemaattinen ja luonnontieteiden ymmärrys on tarpeen, kun ratkotaan asiakkaiden monitieteellisiä ongelmia. Jukkaa onkin kiinnostanut työssä tarve luovalle ongelmanratkaisulle. Usein aihepiiri on uusi, joten uusiin ilmiöihin ja teorioihin täytyy tutustua ja opiskella, jotta voi hyödyntää pohjalla olevaa osaamista. Monimutkaisia ongelmia, joiden hahmottaminen vaatii myös sinnikkyyttä ovat olleet mm. konenäköratkaisun kehittäminen valokuituaihion mittaamiseen. (Lue lisää referenssistä: Rosendahl Nextrom Oy/ Valokuituaihion mittalaite PIB )

Jukka kertoo: ”Erilaista data-analyysiä olen tehnyt mm. helikopterin värinöiden tulkinnassa, kun SharperShapen kaukokartoitus- ja kuvantamisratkaisua kehitettiin. Paikoituksen tarkkuutta kehitettiin vihivaunujen ohjaukseen ja onpa tullut mallinnettua frisbeenkin heittoa ja lentoa.” Näissä projekteissa Jukka on kehittänyt mallin, jota on testattu todellista dataa vasten. Tämän jälkeen kehitetty algoritmi on käännetty ohjelmointikoodiksi, joka on sitten ohjelmoitu varsinaiseen loppukäyttöön tarvittavalla ohjelmointikielellä.

Erilaisisa tuote- ja palvelukehitysprojekteissa Jukka on käyttänyt hyväkseen ja analysoinut suuria datamääriä. Tällöin dataa lähestytään tilastollisia menetelmin. Koska Jukka on analysoinut paljon luonnollista dataa ja erilaista mittausdataa, hän pyrkii luokittelemaan datan merkityksellisyyden mukaisiin luokkiin. Tämän jälkeen arvioidaan samoin tilastollisin menetelmin dataa eri luokissa, joilla voi olla erilaisia kriteereitä esimerkiksi luotettavuudelle (näytemäärä, kohina, outliers, jne.) tai luokka heijastelee tietynlaista populaatiota kaikesta datasta. Näistä tiedoista laaditaan taulukkomuotoisia koosteita, joissa eritellään havainnot, niihin mahdollisesti vaikuttavat tekijät sekä merkityksellisyys.

Koneoppiminen analyysin työkaluna

”Luokitteluun olen käyttänyt koneoppimista, jonka avulla saadaan tehokkaasti peruskuvioita näkyviin suuresta datamäärästä, jossa ei päällisin puolin välttämättä näy selviä ryhmiä tai yhteyksiä. Koneoppimiseen käytetyt algoritmit kehitän itse, jolloin minulla on suurempi vapaus hakea datasta esiin visualisoinnin kannalta tärkeitä asioita”, valaisee Jukka.

Tulosten visualisoinnissa Jukka pyrkii löytämään trendejä ja riippuvuuksia. Kuvaajat valitaan niin, että lukijan tai kuulijan on helppo hahmottaa mistä asiasta on kyse ja kuinka merkityksellinen havaittu riippuvuus tai tulos on. Toisinaan on tärkeää näyttää, että trendiä ei ole ja riippuvuutta ei olemassa olevan datan mukaan voida osoittaa.

Kristallipallo vs data-analyysi

Mitä sitten data-analyysillä tavoitellaan? Tähän Jukka vastaa: ”Tavoittelen data-analyysissä sellaisten riippuvuussuhteiden löytämistä, joiden avulla voidaan luoda skenaarioita ja parhaassa tapauksessa ennustaa tulevaisuuden kehitystä. Korrelaatioita ja riippuvuussuhteiden voimakkuutta arvioimalla voin hakea eri skenaarioille luottamusväliä ja arvioida ennustusten luotettavuutta”.

Vapaa-aikanaan Jukka ei suinkaan sukella datan syvyyksiin vaan viettää aikaa moottoripyöräilyn, lumilautailun, kuntosalin sekä ulkoilun merkeissä eikä veljenpojan kanssa mopon rassailukaan ole hullumpi ajanviettomuoto.

Jukka Aho työskentelee LINKillä Sr Algorithm Specialist -roolissa työkenttänään on mm. laaja skaala koneoppimista, data-analytiikkaa ja algoritmikehitystä.

Jukka Aho
Sr Algorithm Specialist