Koneoppimista hyödyntävä ohjelmistorobottikapasiteetin optimointi
Nevalainen, Essi (2017)
Nevalainen, Essi
Haaga-Helia ammattikorkeakoulu
2017
All rights reserved
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-201705025982
https://urn.fi/URN:NBN:fi:amk-201705025982
Tiivistelmä
Yksi automaation ja robotiikan kehityksen ilmentymä on palveluautomaatio, jota voidaan toteuttaa esimerkiksi ohjelmistorobotiikalla, koneoppimisella ja tekoälyllä. Ohjelmistorobotiikan tullessa yhä tiiviimmäksi ja yleisemmäksi osaksi tietoteknisiä ratkaisuja, tulee käytössä olevien ohjelmistorobottien määrä kasvamaan lähivuosina huomattavasti.
Ohjelmistorobotiikan yksi merkittävä kustannus tällä hetkellä ovat lisenssimaksut. Ohjelmistorobotiikan käyttäjille onkin oleellista kyetä hyödyntämään tehokkaasti hankkimiaan lisenssejä, eli toisin sanoen hyödyntää ohjelmistorobottien kapasiteetti optimaalisella tavalla. Yksi kapasiteetin optimointikeinoista on ohjelmistorobottityöntekijöiden tehokas työvuorosuunnittelu.
Opinnäytetyön tavoitteena on selvittää, voidaanko ennustavaa koneoppimista hyödyntää ohjelmistorobotiikan resurssien optimoinnissa. Lisäksi selvitetään, miten ohjelmistorobottiresurssien optimointia voidaan automatisoida. Työn ulkopuolelle on rajattu ohjelmistorobotin työtehtävien automaattisen sijoittelun tekevän työkalun toteuttaminen. Toiminnallisen opinnäytetyön tuotoksena syntyy ohjelmistorobottikapasiteetin käyttö- ja varaustarpeiden kuvaus, tehtäväluettelon malli sekä käyttö- ja varauskalenterin malli.
Työn teoriaosuudessa käsitellään ohjelmistorobotiikkaa teknologiana ja esitellään lyhyesti neljä ohjelmistorobotiikkatuotetta. Tämän jälkeen kuvataan kolme tunnistettua lisensointimallia. Lisäksi kerrotaan ohjelmistorobotiikan käyttöönoton hyvistä käytänteistä, sen nykytilasta ja tulevaisuudesta. Resurssien optimointia käsitellään ohjelmistorobottikapasiteetin näkökulmasta. Lisäksi vertaillaan ihmis- ja ohjelmistorobottiresurssien optimoinnin eroja. Tietoperusta päättyy koneoppimista käsittelevään lukuun, jossa avataan sen teoriaa, mahdollisuuksia ja esitellään Microsoft Azure Machine Learning -koneoppimisympäristö.
Opinnäytetyö on toteutettu toimeksiantona MOST Digital Oy:lle kevään 2017 aikana. Menetelminä ovat kirjallisuuskatsaus, asiantuntijahaastattelut sekä työpajamainen innovointi. Opinnäytetyön johtopäätöksenä on, että koneoppimista voidaan hyödyntää ohjelmistorobottikapasiteetin optimoinnissa. Lopuksi annetaan kehitysehdotuksia ja pohditaan tulosten ajankohtaisuutta ja tarpeellisuutta.
Ohjelmistorobotiikan yksi merkittävä kustannus tällä hetkellä ovat lisenssimaksut. Ohjelmistorobotiikan käyttäjille onkin oleellista kyetä hyödyntämään tehokkaasti hankkimiaan lisenssejä, eli toisin sanoen hyödyntää ohjelmistorobottien kapasiteetti optimaalisella tavalla. Yksi kapasiteetin optimointikeinoista on ohjelmistorobottityöntekijöiden tehokas työvuorosuunnittelu.
Opinnäytetyön tavoitteena on selvittää, voidaanko ennustavaa koneoppimista hyödyntää ohjelmistorobotiikan resurssien optimoinnissa. Lisäksi selvitetään, miten ohjelmistorobottiresurssien optimointia voidaan automatisoida. Työn ulkopuolelle on rajattu ohjelmistorobotin työtehtävien automaattisen sijoittelun tekevän työkalun toteuttaminen. Toiminnallisen opinnäytetyön tuotoksena syntyy ohjelmistorobottikapasiteetin käyttö- ja varaustarpeiden kuvaus, tehtäväluettelon malli sekä käyttö- ja varauskalenterin malli.
Työn teoriaosuudessa käsitellään ohjelmistorobotiikkaa teknologiana ja esitellään lyhyesti neljä ohjelmistorobotiikkatuotetta. Tämän jälkeen kuvataan kolme tunnistettua lisensointimallia. Lisäksi kerrotaan ohjelmistorobotiikan käyttöönoton hyvistä käytänteistä, sen nykytilasta ja tulevaisuudesta. Resurssien optimointia käsitellään ohjelmistorobottikapasiteetin näkökulmasta. Lisäksi vertaillaan ihmis- ja ohjelmistorobottiresurssien optimoinnin eroja. Tietoperusta päättyy koneoppimista käsittelevään lukuun, jossa avataan sen teoriaa, mahdollisuuksia ja esitellään Microsoft Azure Machine Learning -koneoppimisympäristö.
Opinnäytetyö on toteutettu toimeksiantona MOST Digital Oy:lle kevään 2017 aikana. Menetelminä ovat kirjallisuuskatsaus, asiantuntijahaastattelut sekä työpajamainen innovointi. Opinnäytetyön johtopäätöksenä on, että koneoppimista voidaan hyödyntää ohjelmistorobottikapasiteetin optimoinnissa. Lopuksi annetaan kehitysehdotuksia ja pohditaan tulosten ajankohtaisuutta ja tarpeellisuutta.