Koneoppimisen hyödyntäminen ohjelmistorobotiikassa
Toijanaho, Riku (2020)
2020
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2020120325865
https://urn.fi/URN:NBN:fi:amk-2020120325865
Tiivistelmä
Tässä opinnäytetyössä tutkitaan koneoppimista ohjelmistorobotin kykyjen jatkajana. Tavoitteena on poistaa automatisoinnin esteitä ihmisen päättelyä vaativista prosessivaiheista. Tutkimuksen näkökulma on vähän koodausta vaativien datatiedeohjelmien hyödyntäminen ilman syvällisiä alan tietoja.
Opinnäytetyössä tutkittavana kehitystyönä on käytännössä toteutetut koneoppimisen mallit, joita tarkastellaan löyhästi konstruktiivisella tutkimusotteella.
Opinnäytetyön tietoperustassa perehdytään datatieteeseen, datatiedeprosessiin, ominaisuuksien suunnitteluun ja koneoppimiseen, jotka määrittelevät opinnäytetyön viitekehyksen. Tämän jälkeen tarkastellaan helppokäyttöisiä datatiedeohjelmia ja arvioidaan niiden soveltuvuutta.
Koneoppimisen käytännön hyödyntämistä tutkittiin neljällä erilaisella datatieteen tehtävällä, joista yksi oli todellinen liiketoimintatapaus ja kolme muuta potentiaalisia hyödyntämiskohteita. Opinnäytetyön aikataulussa yksikään koneoppimisen malli ei ehtinyt tuotantoon.
Azuren ML Studiolla tehdyt koneoppimisen mallit ovat eläkepäätöksen ennustaminen luokittelulla, liikennevahinkojen ennustaminen regressiolla, vahingoittuneen ruumiinosan päättely tekstianalytiikalla ja RPA-prosessien poikkeusten tunnistaminen.
Mielestäni tehdyt mallit osoittavat, että koneoppimista pystytään hyödyntämään ohjelmistorobotiikassa ilman syvällisiä alan taitoja ja tietoja. Mallit eivät todennäköisesti ole parhaimpia mahdollisia, mutta käyttökelpoisia.
Koneoppimisen hyödyntämisen isoin kysymys on mielestäni, pystytäänkö koneoppimista hyödyntämään kannattavasti kustannushyötynäkökulmasta? Kustannuksia syntyy mallinnuksesta, mallin käytöstä, ylläpidosta, mallin uudelleen koulutuksesta, infrasta ja ohjelmista. Kaikki nämä pitää laskea ja lisätä kustannushyötylaskelmiin. Vähäinen osaaminen ei ole este, mutta lisää kustannuksia.
Opinnäytetyössä tutkittavana kehitystyönä on käytännössä toteutetut koneoppimisen mallit, joita tarkastellaan löyhästi konstruktiivisella tutkimusotteella.
Opinnäytetyön tietoperustassa perehdytään datatieteeseen, datatiedeprosessiin, ominaisuuksien suunnitteluun ja koneoppimiseen, jotka määrittelevät opinnäytetyön viitekehyksen. Tämän jälkeen tarkastellaan helppokäyttöisiä datatiedeohjelmia ja arvioidaan niiden soveltuvuutta.
Koneoppimisen käytännön hyödyntämistä tutkittiin neljällä erilaisella datatieteen tehtävällä, joista yksi oli todellinen liiketoimintatapaus ja kolme muuta potentiaalisia hyödyntämiskohteita. Opinnäytetyön aikataulussa yksikään koneoppimisen malli ei ehtinyt tuotantoon.
Azuren ML Studiolla tehdyt koneoppimisen mallit ovat eläkepäätöksen ennustaminen luokittelulla, liikennevahinkojen ennustaminen regressiolla, vahingoittuneen ruumiinosan päättely tekstianalytiikalla ja RPA-prosessien poikkeusten tunnistaminen.
Mielestäni tehdyt mallit osoittavat, että koneoppimista pystytään hyödyntämään ohjelmistorobotiikassa ilman syvällisiä alan taitoja ja tietoja. Mallit eivät todennäköisesti ole parhaimpia mahdollisia, mutta käyttökelpoisia.
Koneoppimisen hyödyntämisen isoin kysymys on mielestäni, pystytäänkö koneoppimista hyödyntämään kannattavasti kustannushyötynäkökulmasta? Kustannuksia syntyy mallinnuksesta, mallin käytöstä, ylläpidosta, mallin uudelleen koulutuksesta, infrasta ja ohjelmista. Kaikki nämä pitää laskea ja lisätä kustannushyötylaskelmiin. Vähäinen osaaminen ei ole este, mutta lisää kustannuksia.