Koneoppimisen hyödyntäminen auton vauriokorjausajan ennustamisessa

Abstract

Tämän tutkimuksen tavoitteena ja tarkoituksena on selvittää, voidaanko koneoppimista ja eri koneoppimismalleja hyödyntää auton vauriokorjausajan ennustamisessa vauriolaskenta datasta. Tutkimuksessa hyödynnetään toimeksiantajan tuottaman vauriolaskentaohjelmisto CABASin tietokantoja, jota vakuutusyhtiöt sekä autovauriokorjaamot hyödyntävät ajoneuvovaurioiden korjauskustannusten laskennassa. Tutkimuksen tavoitteita ja tarkoitusta ohjaavat tutkimuskysymykset, voidaanko koneoppimista hyödyntää auton vauriokorjausajan ennustamiseen ja mikä koneoppimisen malli soveltuisi tähän tehtävään parhaiten tarjoten kysymyksiin vastaukset.

Tutkimustyön toimeksiantaja on työnantajani CAB Group AB. CAB tuottaa korjauskustannuslaskenta sekä muita rinnakkaisohjelmistoja vakuutus-, ajoneuvo-, sekä rakennustoimialoille ollen samalla markkinajohtaja omassa segmentissään Pohjoismaissa ja Baltiassa.

Tutkimustyö toteutetaan tutkimuksellisena kehittämistoimintana. Tämä tarkoittaa sitä, että kehittämistoiminnan ja tutkimuksen suhdetta tullaan hahmottamaan siten, että kehittämisessä tullaan soveltamaan yleisesti tutkimuksen tietoa. Tässä yhtälössä tutkimus tuottaa uutta tietoa ja asioita, joita sitten sovelletaan käytäntöön. Tutkimuksen rakenne etenee yleisesti ihmisen älykkyyden käsittelystä tekoälyyn ja tekoälyn yhteen alalajiin koneoppimiseen. Tutkittava aihe on regressio-ongelma, jota käsitellään kolmella eri koneoppimisalgoritmilla, jotka ovat Multiple Linear Regression model, Random Forest Regressor ja Decision Tree Regression model.

Tutkimuksessa saavutettujen tulosten perusteella näyttää siltä, että tulos ei ole vielä sellaisenaan tuotantokelpoinen, mutta edistää asian kehitystä, jotta kehitystyö voi jatkua toimeksiantajalla tulevaisuudessa. Koneoppimista voidaan hyödyntää jatkossa vastaavan ongelman selvittämiseksi, kunhan käytettävä data on laadultaan parempaa ja soveltuu tehtävään paremmin kuin nyt tutkimuksessa käytetty. Yhtenä kehitysehdotuksena toimeksiantajalle on datan tarkempi luokittelu, joka mahdollistaa tulevaisuudessa luokittelu algoritmien käytön, joilla saavutetaan oletuksena parempia tuloksia koneoppimismalleissa.

The purpose of this thesis was to collect information on whether machine learning and different machine learning models can be used in predicting the vehicle´s damage repair time from damage calculation data. The research uses the databases of CABAS, the damage calculation software produced by the client, which are used by wide range of insurance companies and car damage repair shops in calculating the repair costs of vehicle damage. The goals and purpose of the research are guided by the research questions, whether machine learning can be used to predict the car's damage repair time and which machine learning model would be best suited for this task, supplying the answers to the questions.

The client of the research work is my employer CAB Group AB.

The research work is conducted as a research and development activity. This means that the relationship between development activities and research will be defined in such a way that research knowledge will be applied in development. In this equation, research produces added information and issues, which are then applied in practice. The structure of the research progresses from the processing of human intelligence to artificial intelligence and to one subspecies of artificial intelligence, machine learning. The research topic is a regression problem, which are managed with three different machine learning algorithms, which are Multiple Linear Regression model, Random Forest Regressor and Decision Tree Regression model.

Based on the results achieved in the research, the result is not yet suitable for production as such, but it promotes the development of the matter so that the development work can continue for the client in the future.

Machine learning can be used to solve a similar problem in the future, if the data used is better quality and better suited to the task than the one currently used in the study. One development proposal for the client is a more correct classification of the data, which enables the use of classification algorithms in the future, which by default achieve better results in machine learning models.