Työpajan 2 (15.2.2022) materiaalit
- ”Mitä seuraavaksi, AI-lähettiläs?”, lehtori Antti Tuomisto
- ”Mitä tekoälyllä voi (oikeasti) tehdä?”, erikoistutkija Paavo Nevalainen
- ”Kokemuksia AI-lähettiläspolulla”, projektitutkija Tanja Vähämäki
- ”Näin saat tekoälystä parhaan hyödyn irti”, Sam Salonen ja Miika Länsi-Seppänen, Telia Finland Oy
- Video1: pajan alkuosa
- Video2: pajan loppuosa
Työpajan 1 (2.11.2021) materiaalit
- Johdanto: tuunattu CRISP-DM ja datatikkataululla 100% osuvuutta, Lehtori Antti Tuomisto
- Datan ymmärtämisestä: Onko siellä sitä signaalia? Erikoistutkija Paavo Nevalainen
- Tauko ja Webropol-kyselyn avaaminen (linkki jaetaan tauon aluksi)
- Datakeissien esittely ja lähettiläskohtainen arviointi. Projektitutkija Tanja Vähämäki + lähettiläät
- AI-lähettiläs: väittämiä (1-4 asteikolla tms.), joissa arvioit keissejä omasta näkökulmastas
- Keskustelu, yhteenveto, jatkot
Taustaa
CRISP-DM (CRoss Industry Standard Process for Data Mining) on prosessimalli, jossa on kuusi vaihetta. Vaiheet kuvaavat dataprojektin vaiheet oli se sitten tekoälyä eli koneoppimista, data-analytiikkaa tms. Sen alkuperäinen tavoite on auttaa suunnittelemaan, organisoimaan ja toteuttamaan dataprojektisi. AI-lähettiläshankkeen tavoitteena on lisätä osaamista datan hyödyntämiseksi tekoäly- ja datatyökaluilla. Sovitimme CRISP-DM:n tähän tarkoitukseen, jolloin lopputuloksena on dataan sisältyvän potentiaalin hyödyntämisen ja keinojen parempi osaaminen käytännönläheisellä tavalla, esimerkkien kautta.
AI-lähettilästoiminta toteutetaan Varsinais-Suomessa seuraavasti (C1 jne… viittaa CRISP-DM-mallin kuuteen vaiheeseen):
Tuunatut AI-Ambassador-CRISP-DM -vaiheet
- Liiketoiminnan tarpeet – Mistä asiasta haluaisimme lisää ymmärrystä, mikä “mättää”, missä kilpailua, missä kehitystä, minne lisää kyvykkyyksiä?
- Datan ymmärrys 1 – Mitä dataa meillä on, mitä tarvitaan demoamiseen, visualisointiin?
- Datan ymmärrys 2 – Mitä data kertoo, mitä oikeasti on käytössä, miten sen saa muotoiltua tai muokattua ensimmäisiin pieniin demoihin? Ketkä ovat tahot datalähteiden hallinnassa ja valtuutuksissa?
- Ensimmäinen esitys ja kokeilu alkakoon – Mitä eka visualisointi kertoo, mitä ei, miksi? Mitä muuttujia voisi lisätä, mitä työkaluja/ratkaisuja käyttää? Miten kokeilu ja oppiminen keissistä jatkuu? Kenellä on osaamista juuri tässä asiassa?
- Oppimisen arviointi – Mikä malli opetti parhaiten osoittamaan tai visualisoimaan tekoälyn/datan hyödyt? Mitä uusia haasteita/kysymyksiä nousi esiin? Mitä muita teoreettisia lähestymistapoja vielä olisi? Kenellä muulla on sama ongelma?
- Hyödyntäminen ja jatkot – Miten edetään seuraavaan vaiheeseen? Mistä ja miten kumppanit jatkoon/toteutukselle?
Alla etenkin ensimmäisessä lähteessä hyvä esitys alkuperäisestä CRISP-mallista, joka siis tähtää tekoäly/dataprojektin toteuttamiseen. AI-lähettiläs-toimenpiteet tähtäävät tekoäly-/dataratkaisujen osaamisen parantamiseen ja erityisesti hyötyjen parempaan ymmärrykseen oikealla tavalla puhuttelevien esimerkkien avulla eri toimialoilla ja erilaisissa liiketoimintatilanteissa tarvelähtöisesti.
- CRISP-DM – Data Science Process Alliance (datascience-pm.com)
- Crisp DM methodology – Smart Vision Europe (sv-europe.com)
Lisätietoja: lehtori Antti Tuomisto, 040-7371533