MLOpsin hyödyntäminen osana tuotteen hyväksyntäprosessia
Virtala, Jussi (2022)
Virtala, Jussi
2022
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2022121228125
https://urn.fi/URN:NBN:fi:amk-2022121228125
Tiivistelmä
Dokumenttien käsittelyn automatisoinnista on digitalisaation myötä tullut trendi. Tässä opinnäytetyössä suunniteltiin Nokian Renkaille datan ja metadatan kerääminen pdf-muotoisesta hyväksyntädokumentista Machine Learning Operations (MLOps) -toimintamallia hyödyntäen.
Tutkimuksellisena viitekehityksenä toimi konstruktiivinen tutkimus. Opinnäytetyön tutkimuskysymyksiksi valittiin: mihin hyvin suunniteltu koneoppimisohjelma pohjautuu, mitä tulee ottaa huomioon ohjelman eri vaiheissa sekä mikä on tarkoituksenmukaisin vaihtoehto projektin sovellukseksi.
Opinnäytetyön tuloksena syntyi Platform as a Service -ympäristössä Power Automate -sovelluksella toteutettu ohjelma, joka hyödyntää dokumentin tietojen automaattisen lukemiseen tarkoitettua AIBuilder-osiota. Ohjelma sisältää moduulit lukemiseen ja luetun tiedon koostamiseen manuaalista syöttöä helpottavaan koontitiedostoon. Ohjelman täysautomatisointi jätettiin jatkokehitykseen.
Hyvin suunniteltu koneoppimisohjelma pohjautuu riittävään tarkoituksenmukaiseen koulutusdataan, huolella valittuihin hyperparametreihin ja algoritmeihin, jatkuvaan koneoppimismallin suoriutumiskyvyn seuraamiseen sekä mallin onnistuneeseen integrointiin tuotannossa. Tämä voitiin todeta toteutuneen projektin käytännön opetusten kautta, sekä opinnäytetyössä esitellyn teorian ja MLOpsin toimintamallin perusteella.
Oleellisinta ohjelman tuotannon eri vaiheissa on pitää jatkuvasti mielessä, mitä tarkoitusta varten ohjelmaa, jossa koneoppimismallia hyödynnetään, ollaan tekemässä ja mikä on automatisoitavan liiketoiminnan prosessin kannalta oleellisinta. Tässä tapauksessa pyrittiin vähentämään dokumentin käsittelyyn kuluvia resursseja ja potentiaalisia syöttövirheitä, mikä onnistui tehdyn ohjelman avulla hyvällä tasolla.
Tarkoituksenmukaisimmaksi työkaluksi valikoitui lopulta edellä mainittu Power Automate -low-code-ratkaisu. Tähän päädyttiin siksi, että työkalu kykeni hyödyntämään olemassa olevia järjestelmäintegraatioita sekä tarjoamaan loppukäyttäjälle tutussa ympäristössä ylläpitotaakaltaan kevyen ratkaisun.
Tutkimuksellisena viitekehityksenä toimi konstruktiivinen tutkimus. Opinnäytetyön tutkimuskysymyksiksi valittiin: mihin hyvin suunniteltu koneoppimisohjelma pohjautuu, mitä tulee ottaa huomioon ohjelman eri vaiheissa sekä mikä on tarkoituksenmukaisin vaihtoehto projektin sovellukseksi.
Opinnäytetyön tuloksena syntyi Platform as a Service -ympäristössä Power Automate -sovelluksella toteutettu ohjelma, joka hyödyntää dokumentin tietojen automaattisen lukemiseen tarkoitettua AIBuilder-osiota. Ohjelma sisältää moduulit lukemiseen ja luetun tiedon koostamiseen manuaalista syöttöä helpottavaan koontitiedostoon. Ohjelman täysautomatisointi jätettiin jatkokehitykseen.
Hyvin suunniteltu koneoppimisohjelma pohjautuu riittävään tarkoituksenmukaiseen koulutusdataan, huolella valittuihin hyperparametreihin ja algoritmeihin, jatkuvaan koneoppimismallin suoriutumiskyvyn seuraamiseen sekä mallin onnistuneeseen integrointiin tuotannossa. Tämä voitiin todeta toteutuneen projektin käytännön opetusten kautta, sekä opinnäytetyössä esitellyn teorian ja MLOpsin toimintamallin perusteella.
Oleellisinta ohjelman tuotannon eri vaiheissa on pitää jatkuvasti mielessä, mitä tarkoitusta varten ohjelmaa, jossa koneoppimismallia hyödynnetään, ollaan tekemässä ja mikä on automatisoitavan liiketoiminnan prosessin kannalta oleellisinta. Tässä tapauksessa pyrittiin vähentämään dokumentin käsittelyyn kuluvia resursseja ja potentiaalisia syöttövirheitä, mikä onnistui tehdyn ohjelman avulla hyvällä tasolla.
Tarkoituksenmukaisimmaksi työkaluksi valikoitui lopulta edellä mainittu Power Automate -low-code-ratkaisu. Tähän päädyttiin siksi, että työkalu kykeni hyödyntämään olemassa olevia järjestelmäintegraatioita sekä tarjoamaan loppukäyttäjälle tutussa ympäristössä ylläpitotaakaltaan kevyen ratkaisun.