Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

RPA ja AI - Nykytila ja näkymiä - Esa Reilio, Provad TT2020 30-03-2017

320 views

Published on

Lue esitys blogina osoitteessa https://www.provad.fi/blogi/

RPA&AI - Nykytila ja näkymiä [Esa Reilio, Provad T&T 2020 -klubi 30.3.2017]

Provadin Head of RPA Esa Reilio avasi Teknologia & Tunne 2020 -klubin puheenvuorollaan RPA:n ja AI:n nykytilasta ja näkymistä. Puheen kantava teemana oli teknologia ihmiskunnan ja liiketoiminnan kehityksen mahdollistajana.

Robotiikka ja tekoäly

Seuraavaksi megatrendiksi Esa ennustaa ihmiskeskeistä liiketoimintaa. Tämä trendi tarkoittaa sitä, että ihmisten harteilta poistetaan taakka tehdä asioita, joissa ihmiset eivät ole parhaimmillaan. Tietomassojen murskaaminen sekä rutiininomaiset tehtävät voidaan ulkoistaa teknologialle: roboteille ja tekoälylle.

Mitä nämä kaksi sitten ovat, ja miten ne eroavat toisistaan? Esa tiivistää asian näin:
RPA eli ohjelmistorobotiikka tuottaa kun on paljon tapahtumia. Se automatisoi rutiininomaisia työvaiheita väsymättä ja toistuvasti oikein.

AI eli tekoäly auttaa kun on paljon dataa. Se osaa tulkita dataa ja löytää asiayhteyksiä, joita ihminen ei helposti havaitse. AI:lla on myös kyky oppia, kun sillä on osaava opettaja.

Hyvä on, robotit ja tekoäly tulevat. Mikä oikeasti muuttuu?

1. Työ muuttuu
Ensimmäisten joukossa muuttuvat esimerkiksi toimittajan ja lääkärin työt. Jo nyt esimerkiksi urheilujournalismissa hyödynnetään robotteja ottelutilastojen haussa. Lääkäri puolestaan hyötyy teknologiasta, joka pystyy auttamaan lääkäriä oikean diagnoosin tekemisessä.

2. Muutosnopeus muuttuu
Paljon puhutaan siitä, että maailma muuttuu kiihtyvällä tahdilla. Vai muuttuuko?
Esan mukaan tietokoneiden laskentateho on tuplaantunut kahden vuoden välein vuodesta 1965 (ks. Mooren laki). Tämä kiihtyvä muutos on tulossa tiensä päähän, mutta samalla toinen on alkamassa. Datan määrä nimittäin kasvaa räjähdysmäisesti, eikä loppua näy. Samalla datan käsittelykyky kehittyy harppauksin. Tämä takaa kiihtyvän muutoksen myös tulevaisuudessa.

3. Muutos käytännössä
Käytännössä dataräjähdys on esimerkiksi sähköistä kaupankäyntiä, keskusteluita, sosiaalista mediaa, kuvia ja videoita, verkkoon kytkettyjä laitteita ja niiden antureita (IoT). Joku voisi myös käyttää sanaa digitalisaatio.
Tätä valtavaa datamäärää voidaan käsitellä reaaliaikaisella analytiikalla, joka mahdollistaa reagoinnin heti tiedon syntyhetkellä sekä tapahtumien ja käyttäytymisen ennakoinnin.

4. Miksi nyt?
Tämä valtaisa muutos on mahdollinen vasta nyt, koska datan käsittelyssä on tapahtunut mullistuksia, joiden pohjalta tietokone voi ottaa haltuun yhä monimutkaisempia kokonaisuuksia yhä tehokkaammin.

Lue koko esitys blogina osoitteessa https://www.provad.fi/blogi/

Published in: Technology
  • Be the first to comment

RPA ja AI - Nykytila ja näkymiä - Esa Reilio, Provad TT2020 30-03-2017

  1. 1. Teknologia & Tunne 2020 RPA/AI nykytila ja näkymiä
  2. 2. Intro Työhistoria • Oy Alko AB (kesäjuomat koko suvulle) 1977-1980 • KONE Oyj 1981 – 2007 (R&D ym) • Yrittäjä 2008-2017 (Aalto Yliopisto/MIND, Konenäkö-start-up) • Provad Oy 2017 Ensikosketus tekoälyyn hisseissä jo 1980-luvulla • Laitteistot, muistikapasiteetti, laskentateho Oppivia algoritmeja ja konenäköä 2010-luvulla • Open innovation • Yliopistoyhteistyö, EU-hankkeet Esa Reilio Head of RPA +358 40 502 6762 esa.reilio@provad.fi
  3. 3. Liiketoiminnan paradigmat 30 vuotta Prosessi (MRP) Yritys (ERP) Arvoketju (SCM) Asiakkaat ja kumppanit (www) Ihminen (RPA/AI) 1985 1995 2005 2015 2025
  4. 4. RPA & AI Käsitteet
  5. 5. RPA - Robotic Process Automation Parantaa työn tuottavuutta  automatisoidaan asiakaskokemuksen kannalta vähämerkitykselliset välivaiheet Tekee parempaa laatua nopeammin:  robotti tekee tärkeät asiat väsymättä ja toistuvasti oikein Työtehtävä on altis robotisoitavaksi, jos  se on työläs ja usein toistuva  työtapa on tunnettu  pelisäännöt tiedetään  ratkaisu ei ”karkaa alta” eli ongelma ei muutu työn edetessä
  6. 6. AI - Artificial Intelligence (Tekoäly) Kun dataa on tarpeeksi, AI:  hallitsee nopeasti isot tietomäärät  osaa tulkita myös vapaamuotoista dataa (tyypillistä ihmiseltä - ihmiselle kommunikaatiota)  ei unohda (käskemättä)  etsii asiayhteydet, joita ihminen ei helposti havaitse  on tunteeton, ei ennakko-odotusta (confirmation bias), faktuaalinen  oppii, kun on viisas opettaja (data ja ekspertti, Q&A)  uusi data kasvattaa aiemman arvoa AI on  Väsymätön oppilas  Nopea päättelijä
  7. 7. RPA tuottaa kun on paljon tapahtumia AI auttaa kun on paljon dataa
  8. 8. Mikä muuttuu?
  9. 9. Työ muuttuu 5 työtä, joiden roolin robotit muuttavat 1. Keskijohto 2. Myyjä 3. Toimittaja 4. Kirjanpitäjä 5. Lääkäri Lähde: Shelly Palmer, CEO at The Palmer Group @LinkedIn: ”The 5 Jobs Robots Will Take First” https://www.linkedin.com/pulse/5-jobs-robots-take-first-shelly-palmer
  10. 10. Muutosnopeus: Mooren laki vuodesta 1965
  11. 11. Mitä seuraavaksi?
  12. 12. Mitä muutos on käytännössä Dataräjähdys – sähköiset transaktiot – sosiaalinen media – kuvat ja videot – laiteanturit ja IoT – henkilökohtaiset anturit, älyvaatteet Nopea analytiikka (reaaliaikaisuus) – määrämuotoisen ja vapaamuotoisen tiedon yhdisteet – tietoon voidaan reagoida heti sen syntyhetkellä – tapahtumien ja käyttäytymisen ennakointi ajoissa
  13. 13. Miksi muutos on mahdollinen vasta nyt Esimerkkejä • Laskentateho GPU vs. CPU, MythBusters –vertailu: https://www.youtube.com/watch?v=-P28LKWTzrI • Oppivat neuroverkot, esim. Googlen deepMind -neuroverkko oppi Atari-Breakout virtuoosiksi https://youtu.be/V1eYniJ0Rnk?t=35s • Ja kehitys kehittyy, vaikka aina ei päästä ihan Strömsöö’hön https://creators.vice.com/en_us/article/meet-the-artist-using-ritual-magic-to-trap-self-driving-cars • Eikä tässä vielä kaikki (kvanttitietokone) https://dynamic.hs.fi/2017/gifs/QUBIT.gif • Digitaaliset tunteet, empatia ja aivotutkimus https://vimeo.com/207169520 (biosig)
  14. 14. Kotitehtävä illaksi Build Neural Character Language Models with CNTK This example demonstrates how to build a neural character language model with CNTK using regular plaintext data fed in using the numpy interface. A neural language model uses a recurrent neural network to predict words (or characters) with a richer context than traditional n-gram models allow. In this implementation, a character is run through an LSTM and the output is then put through a fully-connected layer to predict the next output character. The model can learn to be extremely expressive as the context is progressively built-up with each letter run through the RNN. For even more expressiveness, we allow a stack of LSTMs where the output of each layer is put through the next layer as its input. This example is inspired by Andrej Karpathy's blog post "The Unreasonable Effectiveness of Recurrent Neural Networks" at http://karpathy.github.io/2015/05/21/rnn-effectiveness/
  15. 15. Noh, ei vaan! Antakaa meidän hoitaa detaljit, mietitään yhdessä lisäarvoa ja liiketoimintaa
  16. 16. Keskusteltavaa illaksi Mistä saamme eniten arvoa TIEDOLLE/DATALLE? 1. Mistä pitäisi olla enemmän tietoa? 2. Mitä jos tietoa olisi rajattomasti heti eikä mikään unohtuisi? 3. Mitä asiakkaan käyttäytymismallia on vaikea ymmärtää, missä tulee yllätykset? 4. Mitä pitäisi osata tiedoista päätellä ja kertoa?
  17. 17. Kiitos! Jatketaan keskusteluja illalla! Esa Reilio Head of RPA +358 40 502 6762 esa.reilio@provad.fi

×