Tekoäly siivousalan kilpailutuksessa : itseoppivan tekoälysovelluksen Proof of Concept -toteutus
Marin, Ari (2025)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202503144288
https://urn.fi/URN:NBN:fi:amk-202503144288
Tiivistelmä
Tämän opinnäytetyön tavoitteena oli kehittää itseoppivan tekoälysovelluksen Proof of Concept (PoC) -toteutus siivousalan kilpailutusprosessien tueksi. Työssä tutkittiin, kuinka historiallisten tietojen perusteella voidaan ennustaa siivoussopimusten kannattavuutta ja miten koneoppimismallia voidaan hyödyntää päätöksenteon tukena.
Työssä toteutettiin koneoppimisputki, joka automatisoi datan esikäsittelyn, mallin koulutuksen ja hyperparametrien optimoinnin. Eri koneoppimismalleja testattiin, ja XGBoost valikoitui lopulliseksi malliksi sen suorituskyvyn ja yleistettävyyden perusteella. Mallin arviointi osoitti, että se kykenee tunnistamaan kannattavat ja kannattamattomat sopimukset historiallisten tietojen pohjalta. Käytettävissä olleen datan ja päätöksenteon hetkellä saatavilla olevan tiedon välinen ero rajoitti kuitenkin mallin käyttökelpoisuutta kilpailutustilanteissa. Malli päivittyy uusilla tiedoilla eräajona, mutta ei tue jatkuvaa itseoppimista.
Jatkokehityksessä tulisi keskittyä mallin sovellettavuuden parantamiseen ja sen kykyyn mukautua uusien sopimusten ennustamiseen realistisessa liiketoimintaympäristössä. Erityisesti tulisi tarkastella datan saatavuutta päätöksenteon hetkellä sekä kehittää menetelmiä, joiden avulla malli voisi hyödyntää vain ennustetilanteessa käytettävissä olevaa tietoa. Tämä työ tarjoaa perustan tekoälyn hyödyntämiselle siivousalan kilpailutuksessa ja resurssienhallinnassa. The objective of this thesis was to develop a Proof of Concept (PoC) implementation of a self-learning AI application to support procurement processes in the cleaning industry. The study examined how historical data can be utilized to predict contract profitability and how machine learning models can assist in decision-making.
A machine learning pipeline was implemented to automate data preprocessing, model training, and hyperparameter optimization. Several machine learning models were tested, and XGBoost was selected as the final model due to its strong performance and generalizability. The model evaluation demonstrated its ability to distinguish between profitable and unprofitable contracts based on historical data. However, discrepancies between the data available for training and the data accessible at the time of decision-making limited its applicability in procurement scenarios. The model updates with new data in batch processing but does not support continuous self-learning.
Future development should focus on enhancing the model’s applicability and its ability to adapt to new contract predictions within a realistic business environment. In particular, it is crucial to analyze data availability at the decision-making stage and develop methods that ensure the model relies only on information accessible during procurement. This study provides a foundation for leveraging AI in procurement and resource management within the cleaning industry.
Työssä toteutettiin koneoppimisputki, joka automatisoi datan esikäsittelyn, mallin koulutuksen ja hyperparametrien optimoinnin. Eri koneoppimismalleja testattiin, ja XGBoost valikoitui lopulliseksi malliksi sen suorituskyvyn ja yleistettävyyden perusteella. Mallin arviointi osoitti, että se kykenee tunnistamaan kannattavat ja kannattamattomat sopimukset historiallisten tietojen pohjalta. Käytettävissä olleen datan ja päätöksenteon hetkellä saatavilla olevan tiedon välinen ero rajoitti kuitenkin mallin käyttökelpoisuutta kilpailutustilanteissa. Malli päivittyy uusilla tiedoilla eräajona, mutta ei tue jatkuvaa itseoppimista.
Jatkokehityksessä tulisi keskittyä mallin sovellettavuuden parantamiseen ja sen kykyyn mukautua uusien sopimusten ennustamiseen realistisessa liiketoimintaympäristössä. Erityisesti tulisi tarkastella datan saatavuutta päätöksenteon hetkellä sekä kehittää menetelmiä, joiden avulla malli voisi hyödyntää vain ennustetilanteessa käytettävissä olevaa tietoa. Tämä työ tarjoaa perustan tekoälyn hyödyntämiselle siivousalan kilpailutuksessa ja resurssienhallinnassa.
A machine learning pipeline was implemented to automate data preprocessing, model training, and hyperparameter optimization. Several machine learning models were tested, and XGBoost was selected as the final model due to its strong performance and generalizability. The model evaluation demonstrated its ability to distinguish between profitable and unprofitable contracts based on historical data. However, discrepancies between the data available for training and the data accessible at the time of decision-making limited its applicability in procurement scenarios. The model updates with new data in batch processing but does not support continuous self-learning.
Future development should focus on enhancing the model’s applicability and its ability to adapt to new contract predictions within a realistic business environment. In particular, it is crucial to analyze data availability at the decision-making stage and develop methods that ensure the model relies only on information accessible during procurement. This study provides a foundation for leveraging AI in procurement and resource management within the cleaning industry.