Tekoäly tutuksi – reality check tekoälyn todellisiin kykyihin

Koneoppimis- ja tekoälyratkaisut yleistyvät vauhdilla kaikilla toimialoilla. Sekä yksityisellä että julkisella puolella on herätty tähän ”vallankumoukseen”, joka näkyy tahtotilana investoida merkittävästi alan ratkaisujen kehittämiseen. Yritykset näkevät tekoälyn ohittamattomana kilpailutekijänä ja julkinen puoli arvelee kurovansa kestävyysvajetta umpeen sen avulla.

Useimille meistä tekoäly ja koneoppiminen on kuitenkin uutisia itseajavista autoista, älykkäistä peleistä, kuvantunnistuksesta tai kuinka tekoäly vie työpaikat ja murskaa ihmiskunnan.

Tässä koulutuksessa tehdään ns. reality check tekoälyn todellisiin kykyihin nyt ja lähivuosina. Samalla käydään lävitse, että mihin tekoälyn kehittäminen perustuu ja miten käytännössä tehdään koneoppimismalleja.

Koulutus sopii kaikille tekoälystä ja koneoppimisesta kiinnostuneille. Taustaa matematiikasta, tilastotieteestä tai ohjelmoinnista ei tarvita. Koulutus ei myöskään tee kenestäkään tekoälymestaria, mutta saattaa antaa kipinän lähteä ehkä maailman mielenkiintoisimmalle urapolulle. Suurimmalle osalle osallistujista hyötynä on ymmärtää tekoälyn mahdollisuudet ja miten se käytännössä toimii.
Koulutuksen jälkeen tiedät tekoälystä ja koneoppimisesta enemmän kuin 99.5%:ia ihmiskunnasta. 

Ensimmäisen päivän sisältö

• Mitä on koneoppiminen ja tekoäly?
• Käytännön esimerkkejä ja kokemuksia aihealueen ratkaisuista
• Koneoppimisen peruskonseptit, esim.
  • ratkaistavan haasteen (liiketoimintaongelman) määrittely
  • supervised / unsupervised / reinforcement learning
  • eri tyyppiset ennusteongelmat (regression, classification)
  • training / testing / validation datajaottelu
  • ennustemallien ylisovitus, ristiinvalidointi, …
  • katsaus menetelmiin (random forest, neural network / deep learning, gradient boosted trees..)
• Datan jalostus koneoppimiseen soveltuvaksi
  • datan rakenne ja formaatti
  • data-analyysin suorittaminen
  • datan visualisointi
  • datan muunnokset (esim. normalisointi, stadardisointi)
  • datan jalostaminen ja rikastaminen
• Hands-on harjoitukset RapidMinerilla (ilmaisversio)
  • datan sisäänluku ja esikäsittely
  • aineiston visualisointi
  • korrelaatioiden tutkiminen aineistosta
  • aineiston valmistelu ja jakaminen osiin
  • yksinkertaisten ennustemallien muodostus eri menetelmillä (esim. random forest ja deep learning)
  • yksinkertaisten klusterointimallien muodostus eri mentelmillä (esim. K-means, K-medoids)
  • muuttujien valinnan toteutus
  • ristiinvalidoinnin toteutus
  • tulosten tulkinta
• Yhteenveto päivästä

Koulutettavien lähtötasosta ja nopeudesta riippuen päivän sisältöä voidaan supistaa ja keskittyä tietyille osa-alueille.

Toisen päivän sisältö

• Harjoitustyö 1 + läpikäynti (classification -luokitteluongelman ennustaminen)
• Harjoitustyö 2 + läpikäynti (regressio -ennusteongelman ennustaminen)
• Harjoitustyö 3 + läpikäynti (klusterointi – datan klusterointi/segmentointi keskenään samankaltaisiin ryhmiin)

Toinen päivä on siis kokonaan varattu harjoitustöille ja keskusteluille. Kouluttaja tai kouluttajat ovat jatkuvasti paikalla auttamassa eteenpäin tehtävissä, mutta eivät tarjoamassa valmiita ratkaisuja.

Koulutus eri versioineen on vedetty lävitse n. 30 kertaa kahden vuoden aikana. Asiakaskunta on pääasiassa koostunut eri sektoreilta  (esim. rahoitus, teollisuus, tietoliikenne, ohjelmistojen kehitys) olevista yrityksistä.