Hyppää sisältöön

Hyvällä koneoppimisen johtamisella säästät luontoa ja tuet skaalautuvuutta

Koneoppimisen ja tekoälyn hyödyntäminen on jo jonkin aikaa ollut mielenkiinnon kohde lähes jokaisella toimialalla. Vaan tiesitkö, että koneoppimisen mallin koulutuksella voi olla jopa suurempi hiilijalanjälki kuin viidellä henkilöautolla elinkaarensa aikana? Näin tuoreet tutkimukset osoittavat!

Nyt kun ympäristöarvot ovat yrityksille tärkeitä, tutkimustulos herättää kiinnostavia ajatuksia:

On mielenkiintoista pohtia, miten koneoppimisen mallien energiatodistuksen tasot skaalataan kuten kiinteistöjenkin kohdalla on tehty 7-pykäläisellä skaalalla.

Jokaisessa ML-palvelukehitysprojektissa voidaan vaikuttaa hiilijalanjälkeen esimerkiksi siten, että päätetään, otetaanko palvelun ennustuskyvykkyyden sydämeksi datasyöppö neuroverkko vai yksinkertaisempi puumalli.

Operationaalista tehokkuutta edesauttaa se, että ML-mallia trimmataan ja yksinkertaistetaan. Esimerkiksi hankkeen loppupuolella ennustemallista pyritään pudottamaan turha painolasti pois.

Käytännössä mallia optimoidaan siten, että se vaatii vain oleelliset parametrit ennusteen generoimiseksi. Lähes mitättömiä parametreja voidaan karsia pois. Monesti ML-hankkeissa tätäkin aktiviteettia tehdään osana Feature selection -nimistä projektin vaihetta.

Tämänkaltaisilla toimenpiteillä voidaan myös epäsuorasti vaikuttaa luotettavuuteen. Kun datapisteitä karsitaan, oikuttelevan datan kohtaamisen todennäköisyys laskee. Toisaalta kun datapisteitä karsitaan, helpottuu myös kokonaispalvelun liiketoiminnallinen skaalauttaminen tehtaasta toiseen, jos oletuksena on että datan sormenjälki kontekstista toiseen mentäessä tulisi olla samanlainen.

Koneoppimisen hankkeiden sidosryhmät, pohtikaa jatkossa siis myös ekologista näkökulmaa, ennen kuin käynnistätte kuukauden kestävän 24/7 mallien optimointiprosessin.

Jarkko Pukkila, Senior Advisor, keskittyy Sofigatella teollisen internetin ja koneoppimisen hankejohtamiseen. Käytännön kokemuksena Machine Learning -hankkeiden haasteiden aktiivisessa taklaamisessa Jarkolla takanaan yli 1500 tuntia. Hän on johtanut ennustuskyvykkyyteen tähtäävää data science-työtä useiden eri asiakkaiden ja projektien parissa. Hän on kiinnostunut datatieteen, muotoilun ja ohjelmistokehittämisen välisestä dynamiikasta hankkeiden sisällä ja näiden kompetenssien luovasta törmäyttämisestä.

 

Etsi