Amii laajentaa tekoälyn käyttöönottoa koskevaa kumppanuuttaan tukeakseen 25:tä uutta yritystä

Amii eli Alberta Machine Intelligence Institute laajentaa yhteistyötään Kanadan alueellisen talouskehitysviraston PrairiesCanin kanssa auttaakseen 25:tä uutta pientä ja keskisuurta yritystä kehittämään käytännön tekoälyosaamista. Lokakuun 27. päivänä julkaistussa ilmoituksessa kerrottiin 2,5 miljoonan Kanadan dollarin lisärahoituksesta liittovaltiolta, mikä nostaa hankkeen liittovaltion kokonaisrahoituksen 5,6 miljoonaan Kanadan dollariin.

Laajennus kattaa Albertan, Saskatchewanin ja Manitoban, ja ensimmäiset yhteistyöhankkeet ovat käynnissä energia-, maatalous- ja valmistusteollisuudessa. Amii kertoo ohjelman tehneen yhteistyötä 30 alueellisen yrityksen kanssa sen käynnistämisestä vuonna 2024 lähtien. Ohjelmassa yritykset yhdistetään koneoppimisen asiantuntijoihin, jotka rakentavat järjestelmiä yritysten omien toimintatietojen pohjalta ja varmistavat, että yrityksille jää osaaminen järjestelmien ylläpitoon.

Tutkimusyhteistyö, jonka keskiössä on käyttöönotto

Edmontonissa toimiva Amii on itsenäinen voittoa tavoittelematon organisaatio ja yksi Kanadan kolmesta kansallisesta tekoälyinstituutista osana Pan-Canadian AI Strategy -strategiaa. Sen historia ulottuu vuonna 2002 perustettuun Alberta Ingenuity Centre for Machine Learningiin; vuonna 2017 siitä tuli itsenäinen voittoa tavoittelematon organisaatio Amii-nimellä. Sen toiminta yhdistää tutkimuksen, osaamisen kehittämisen ja kaupalliset sovellukset.

Prairies Economic Development Canada, joka tunnetaan nimellä PrairiesCan, on liittovaltion virasto, joka tukee talouskehitystä kolmessa hankkeeseen osallistuvassa provinssissa. Kansainvälisille lukijoille tämä kumppanuus on esimerkki siitä, miten julkinen rahoitus voi auttaa pieniä yrityksiä saamaan käyttöönsä erikoistunutta teknistä osaamista, jonka kokoaminen itsenäisesti olisi vaikeaa.

Amiin tekoälyn kehittämismallissa kokoaikainen koneoppimisen asiantuntija työskentelee yrityksen hankkeessa henkilöstöön kuuluvien tutkijoiden ohjauksessa. Asiantuntija tekee yhteistyötä yrityksen tiimin kanssa mallin kehittämisessä ja testaamisessa, ja yrityksellä on mahdollisuus palkata hänet myöhemmin. Yleisessä palvelukuvauksessa hankkeen kestoksi ilmoitetaan 12–15 kuukautta, mutta yksittäisten hankkeiden laajuus ja kustannukset vaihtelevat.

Yritykset säilyttävät yhteistyön aikana kehitetyn immateriaalioikeuden ja saavat dokumentaation sekä osaamisen siirron. Näin kumppanuuden tavoitteena ei ole vain ulkoistettuna toimitettu prototyyppi: yrityksen pitäisi pystyä mukauttamaan järjestelmää ulkopuolisen tutkimusryhmän työn päätyttyä.

Croptimistic: konenäköä, joka toimii todellisissa pelto-olosuhteissa

Croptimistic Technology kehittää SWAT MAPS -täsmäviljelyekosysteemiä, jossa yhdistyvät maaperää, vettä ja pinnanmuotoja koskevat tiedot pellonhoidon tueksi. Sen SWAT CAM -tuote ottaa kuvia tavanomaisten ruiskutustöiden aikana ja analysoi niiden avulla viljelykasveja ja rikkakasveja koneoppimisen avulla.

Amiin kanssa tehdyssä yhteistyössä keskityttiin kasvukauden alkuvaiheen viljoihin, kuten vehnään ja kauraan. Niiden kapeat, päällekkäiset lehdet vaikeuttavat yksittäisten kasvien erottamista toisistaan. Tiimi kehitti erikoistuneita konenäkömalleja, jotka toimivat tiheässä kasvustossa ja haastavissa kuvausolosuhteissa, kuten pölyssä, häikäisyssä ja tuulessa.

Croptimisticin tuotetiedoissa kerrotaan, miten ruiskuun kiinnitetyt kamerat yhdistävät pellolta kerätyn runsaan kuvamateriaalin viljelyvyöhykkeisiin. Kasvien tarkemman tunnistamisen käytännön hyöty liittyy alueelliseen tarkkuuteen: viljelijät voivat tarkastella kasvuston epätasaista taimettumista ja rikkakasvien esiintymistä eri puolilla peltoa sen sijaan, että luottaisivat vain muutamiin manuaalisiin havaintoihin.

Carson Integrated: ympäristötietojen muuntaminen ennusteiksi

Carson Integrated on ympäristö- ja metsätalouskonsultointiin erikoistunut yritys, jonka toimintaan kuuluu paikkatietojen tuottaminen luonnonvarahankkeisiin. Sen haasteena oli vesistöjen luokittelu, joka auttaa määrittämään vesistöjen ympärille jätettävät suojavyöhykkeet.

Amiin Carsonin tapaustutkimuksessa kuvataan mallia, joka rakennettiin noin kahden vuosikymmenen aikana kerättyjen tietojen pohjalta. Aineistoon sisältyi sekä maastomittauksia että kaukokartoitustietoja. Ominaisuuksien kehittämisessä tarkasteltiin maaston ja ympäristön piirteitä; valuma-alueen purkautumiskohdan koko osoittautui erityisen hyödylliseksi. Tutkimuksen mukaan luokittelun keskimääräinen tarkkuus oli noin 75 prosenttia, kun tarvittavat tiedot olivat saatavilla.

Sovellus havainnollistaa, miten toimialan asiantuntemus vaikuttaa koneoppimisen hyödyllisyyteen. Vesistön tunnistaminen kuvista on eri tehtävä kuin sen viranomaisluokituksen ennustaminen. Ennusteiden avulla voidaan priorisoida arviointityötä syrjäisillä alueilla, mutta niiden tarkkuus ja soveltuvuus on silti arvioitava niiden päätösten kannalta, joita ne tukevat.

Visionstate: aikataulutus rajoitettuna optimointiongelmana

Visionstate kehittää ohjelmistoja kiinteistöjen ylläpitoon, tarkastuksiin ja työn todentamiseen. Sen nykyisillä verkkosivuilla esitellään erityisesti MIRA-alustaa, joka yhdistää raportit, tarkastukset, työmääräykset ja valvonnan. Amiin kanssa tehtävässä yhteistyössä keskityttiin yrityksen WANDA-kiinteistönhallinta-alustaan.

Yksityiskohtaisessa tapaustutkimuksessa kerrotaan, että siivousreitit ja -aikataulut muotoiltiin rajoitetuksi optimointiongelmaksi. Järjestelmän on kohdennettava kiinteä työvoimaresurssi niin, että samalla otetaan huomioon kohteiden pohjaratkaisut, palveluvaatimukset ja vaatimustenmukaisuussäännöt sekä tasapainotetaan tehokkuus ja oikeudenmukaisuus.

Työ tuki myös TidyLogicia, resurssisuunnittelutuotetta, sekä terveydenhuollon siivouskustannusten arviointityökalua. Tapaustutkimuksessa TidyLogic kuvattiin beetavaiheessa olevaksi tuotteeksi, ja mallin kerrottiin olevan siirtymässä integraatioon artikkelin kirjoitushetkellä. Näillä eroilla on merkitystä: kaupallisen tuotteen kehittäminen ja täysin käyttöön otettu optimointijärjestelmä ovat eri virstanpylväitä.

Ambyint: Vahvistusoppimisen osaamisen kehittäminen

Ambyint tarjoaa öljy- ja kaasualan toimijoille tuotannon optimointiohjelmistoja. Sen nykyinen alusta yhdistää fysiikkaan perustuvia malleja automatisoituun ohjaukseen, johon kuuluu laitteiden asetusarvojen säätäminen teollisen valvontainfrastruktuurin kautta.

Amii-hanke tutki vahvistusoppimista mäntänostokaivoissa, joissa painekynnysten muuttaminen vaikuttaa siihen, miten kertyneet nesteet poistetaan. Vähäinen tieto syvällä maan alla vallitsevista olosuhteista vaikeuttaa simulointia ja ohjausta. Tiimi testasi päätöksenteon parantamiseksi sekä historiatietoihin perustuvia lähestymistapoja että fysiikkaan perustuvia menetelmiä.

Tapaustutkimuksessa tulos ilmaistaan selvästi: kokeelliset mallit eivät parantaneet tehokkuutta Ambyintin nykyiseen automaatioon verrattuna, eivätkä ne vielä olleet riittävän luotettavia tai nopeareaktioisia tuotantokäyttöön. Hyötynä oli osaavampi sisäinen tiimi ja selkeämpi käsitys siitä, missä lisätutkimusta tarvittiin. Tämä on hyödyllinen tulos tekoälyn käyttöönotossa, vaikka se ei heti tuottaisikaan käyttöön otettavaa mallia.

Riva: Yritysdatasta hyötyä tekoälylle

Amii mainitsee myös Edmontonissa toimivan Rivan yhtenä varhaisista hankkeesta hyötyneistä yrityksistä ja kertoo edistymisestä kohti tuotantovalmiita ratkaisuja paljastamatta mallin tarkkaa arkkitehtuuria.

Rivan alusta yhdistää sähköposti-, kalenteri-, yhteystieto- ja kokoustiedot asiakkuudenhallintajärjestelmiin. Sen ominaisuuksiin kuuluvat tekoälyn tuottamat keskusteluyhteenvedot ja jäsennellyt kokoustulokset, joita tiimit voivat tarkastella ja liittää asiakkuudenhallintajärjestelmien tietueisiin. Tämä muodostaa erilaisen lähtökohdan käyttöönotolle kuin kenttäkuvantaminen tai teollinen ohjaus: haasteena on tehdä liiketoiminnan vuorovaikutuksesta hyödynnettävää ja samalla varmistaa asianmukaiset hallintakäytännöt ja ihmisen tekemä tarkistus.

Miksi mallilla on merkitystä myös Kanadan ulkopuolella

Hankkeeseen osallistuneet yritykset osoittavat, että tekoälyn käyttöönotto kattaa konenäön, ennustavan mallinnuksen, rajoitetun optimoinnin, vahvistusoppimisen ja yritysten tiedonhallinnan työnkulut. Kukin niistä edellyttää erilaista dataa, arviointimenetelmiä ja operatiivista asiantuntemusta.

Kumppanuuden laajempi merkitys liittyy sen painotukseen, joka kohdistuu omistajuuteen ja tekniseen osaamiseen. Yritys saa enemmän kuin pelkän mallin, kun sen oma henkilöstö oppii, miten malli on rakennettu, miten sitä testataan ja milloin sen ennusteisiin kannattaa luottaa. Pienemmille yrityksille tällaisen osaamisen siirtäminen voi olla yhtä merkittävää kuin alkuperäisen ohjelmiston toimittaminen.