Paikkariippuvuus on keskeinen muuttuja luonnonvararesurssien ennustettavuutta mittaavissa tekoälymalleissa (Väitös: FM Jonne Pohjankukka, 15.6.2018, tietojenkäsittelytiede)
Turun yliopistossa tarkastettavassa väitöstutkimuksessa selvisi, että tekoälymallien luotettavuus paranee luonnonvararesurssien ennustettavuuden mittauksessa silloin, kun malleissa otetaan huomioon luonnonvara-aineistojen luontainen paikkariippuvuus. Jonne Pohjankukka kehitti tietojenkäsittelytieteen alaan kuuluvassa tutkimuksessaan menetelmän, jolla voi mitata luonnonvara-aineistoja hyödyntävien tekoälymallien ennustuskykyä. Mallien empiirisessä testauksessa saavutettiin tyydyttäviä ennustustuloksia ja niissä korostui luonnonvara-aineistojen paikkariippuvuuden merkitys.
Turun yliopiston tiedote 7.6.2018
Kasvavan laskentatehon, tallennustilan sekä laskevien laitteistohintojen myötä datapohjaisen päätöksenteon asema yhteiskunnassa on tasaisessa kasvussa.
– Monet teollisuuden alat ovat kiinnostuneita älykkäistä oppivista järjestelmistä, joita voisi hyödyntää esimerkiksi satelliiteilla ja lentokoneilla kerättyjen luonnonvara-aineistojen lisäarvon luomisessa, Pohjankukka toteaa.
Maan kantavuuden ennustaminen tekoälymalleilla onnistuu tyydyttävästi
Väitöstutkimuksen mukaan tekoälyyn perustuvia järjestelmiä voidaan metsäteollisuudessa soveltaa esimerkiksi maan kantavuuden tai puustotilavuuden ennustamiseen, mikä parantaisi strategisia suunnitelmia ja toisi suuria säästöjä.
– Yksi tutkimusongelmistani oli maaston vedenläpäisevyyden ennustaminen, mikä on tärkeä tekijä maan kantavuuden arvioinnissa. Maan kantavuuteen liittyvät kysymykset ovat olennaisia esimerkiksi raskaskalustojen käytön näkökulmasta. Hakkuukoneet ja kuormatraktorit voivat painaa kymmeniä tuhansia kiloja, Pohjankukka kertoo.
Pohjankukka testasi viidellä Suomessa sijaitsevalla tutkimusalueella useita erilaisia maan kantavuuden ennustettavuuden selvittämiseen soveltuvia tekoälymalleja.
Kokeet tuottivat kohtalaisia ja tyydyttäviä ennustustuloksia. Ennustuksessa Pohjankukka käytti pääosin kaukokartoitusmenetelmillä kerättyjä aineistoja koealueiden maastojen ja metsien tiloista.
– Toisessa tutkimusongelmassa tavoitteena oli ennustaa maaston läpäisyvastetta sekä metsäkoneen aiheuttamaa metsätuhoa maaperälle. Ensimmäisessä tapauksessa tekoälymalleja soveltamalla saavutettiin parhaimmillaan noin 80 prosentin ennustustarkkuus ja jälkimmäisessä ennustus onnistui noin 60 prosentin tarkkuudella, Pohjankukka kertoo.
Pohjankukan tutkimukset osoittivat, että käytetyillä luonnonvara-aineistoilla ja tekoälymalleilla saavutetaan tyydyttäviä, satunnaista parempia ennustustuloksia.
– On tärkeää, että jatkotutkimuksissa käytetään korkeampilaatuisia aineistoja, jotta käytännön sovellusten kannalta tärkeät turvallisuus- ja tarkkuuskriteerit täyttyvät, Pohjankukka summaa.
Tekoälymallien ennustuskykyä on mitattava käyttösovellusta palvelevalla tavalla
Pohjankukka kehitti väitöstutkimuksessaan ristiinvalidointiin perustuvan menetelmän, joka pyrkii mittaamaan tekoälymallien ennustuskykyä siten, että niissä otetaan huomioon luonnonvara-aineistojen luontainen paikkasidonnaisuus.
– Data-analyysin mallikriteerit nojaavat usein optimistisiin oletuksiin aineiston paikkariippumattomuudesta, Pohjankukka kertoo.
Realistisesti huomioon otettu paikkariippuvuuden vaikutus johtaa siihen, että mallien ennustuskyky laskee nopeasti alueilla, joista havaintoaineistoa ei ole saatavilla. Ennustustarkkuus, johon ei sisälly systemaattista virhettä, on tärkeää esimerkiksi silloin, kun metsäoperaation reitinvalinta toteutetaan tekoälymallien avulla.
– Empiiriset tutkimustulokseni kolmelta eri tutkimusalueelta eri puolilla Suomea osoittivat, että luonnonvara-aineistojen luontaiset paikkariippuvuudet ovat tekoälymallien kehittämisen kannalta tärkeitä. Jos niitä ei oteta mallinnuksessa huomioon, voivat arviot tekoälymallien ennustuskyvystä olla huomattavan ylioptimistisia. Se palvelee huonosti teollisuuden kaipaamia käyttösovelluksia, Pohjankukka toteaa.
***
FM Jonne Pohjankukka esittää väitöskirjansa Machine Learning Approaches for Natural Resource Data julkisesti tarkastettavaksi Turun yliopistossa perjantaina 15.6.2018 kello 12.00 (Turun yliopisto, Agora, 1. kerros, luentosali XX, Vesilinnantie 5, Turku).
Vastaväittäjänä toimii professori Markus Holopainen (Helsingin yliopisto) ja kustoksena toimii professori Jukka Heikkonen (Turun yliopisto). Tilaisuus on suomenkielinen.
FM Jonne Pohjankukka on syntynyt vuonna 1986 ja kirjoitti ylioppilaaksi Liedon lukiossa vuonna 2005. Pohjankukka suoritti korkeakoulututkintonsa (FM) vuonna 2013 Turun yliopistossa. Väitöksen alana on tietojenkäsittelytiede. Pohjankukka työskentelee tohtorikoulutettavana Turun yliopistossa.
Väittelijän yhteystiedot: p. 050 522 1551, jjepoh@utu.fi
Väittelijän kuva: https://apps.utu.fi/media/vaittelijat/pohjankukka_jonne.jpg
Väitöskirja on julkaistu sähköisenä: http://urn.fi/URN:ISBN:978-952-12-3710-2