Tekoälyn ja konenäön sovellukset mullistavat monia teollisuudenaloja ja elinympäristöämme nyt ja tulevaisuudessa. Tämä kävi selväksi Embedded Vision Summit 2022-messuilla, jotka järjestettiin Yhdysvalloissa Kalifornian Santa Clarassa 16.-19.5.2022.
Millaisia muutoksia on luvassa – siitä hieman myöhemmin. Vuosittain järjestettävän seminaarin taustalla on yhdistys: Embedded Edge AI and Vision Alliance. Seminaari on järjestetty nyt 11 vuotta peräkkäin. Messu on tarkkarajainen kokonaisuus, joka keskittyy teemoihin embedded AI, computer vision ja neural networks.
Konferenssi oli erittäin tasokas. Useat toimijat kuvaavat EVS-messua maailman tärkeimmäksi tapahtumaksi alallaan ja parhaaksi foorumiksi kuulla uusimpia teknologisia ratkaisuja sekä erityisesti tavata toimialan keskeisiä toimijoita, myydä omia tuotteita ja palveluita, löytää partneri tai esimerkiksi alihankkija. Messuilla oli tällä kertaa noin 100 näytteilleasettajaa, pari tuhatta vierasta sekä kymmeniä eri esityksiä sekä paneeleita ja sessioita teemaan liittyen. Messujen osallistujat olivat maailman johtavista yrityksistä, jotka kehittävät uutta teknologiaa konferenssin aiheena olevissa teemoissa. Lisäksi paikalla oli huomattava määrä investoreita, globaalien suuryritysten edustajia sekä jonkin verran johtavien yliopistojen tutkijoita.
BusinessOululla oli messuilla oma osasto, jonne BO:n ICTOulu-tiimi ja Go Global -projekti mahdollistivat osallikstumisen myös oululaisille ICT-alan toimijoille, ja hyvin nopeasti eräät alueemme pioneerit lähtivätkin projektiin mukaan: Visidon, Unikie ja silo.AI. Nämä yritykset toimivat Oulussa kehittäen konenäön sekä kehittyneiden algoritmien ratkaisuja joko sovellettavina tuotteina tai projektitoimintana eri toimialoille. Go Global -hanke on BusinessOulun projekti, jonka kautta on mahdollista tukea yritysten kansainvälistymistä konkreettisesti myynninedistämistoimin, esimerkiksi tärkeäksi koettujen messujen osallistumiskynnystä alentaen.
Seminaarin sessiot olivat anniltaan erinomaisia, ja niitä oli runsaasti vaihdellen hieman yleisluontoisemmista markkina-analyyseista erittäin teknisiin fokusoituneihin sessioihin. Avajaispuheessaan allianssin perustaja, presidentti Jeff Bier, totesi deep learning -teknologian olevan nyt siinä kypsyysasteessa, että se todella ratkaisee ihmisten jokapäiväisiä ongelmia, jotka ovat monimutkaisia ja vaikeita ratkaista perinteisillä digitalisaation ratkaisuilla. Näihin liittyy todellista, valtavaa liiketoiminnallista potentiaalia. Aiemmin tutkimusta ja kehitystyötä leimasi teoreettinen ote, mutta nyt reunalaskentaosaamisen kehittyminen ja kyky ”opettaa” deep neural -verkkoja ovat tehneet tästä teknologiasta sovellettavaa kaikille toimialoille. Bier luetteli useitakin toimialoja ja nyt pinnalle nousevia sovelluksia esimerkkeinä tästä kehityksestä. Ilmiselvä toimiala on terveysteknologia ja sen applikaatiot.
Datan heikkolaatuisuus koneoppimisen sovellusten kannalta on ollut pitkään haasteena, mutta nyt deep learning -algoritmit ovat tuoneet tähänkin uusia ratkaisuja. Lisäksi konenäköratkaisut ja reunalaskentaa hyödyntävät tekoälysovellukset ovat nyt nousseet esimerkiksi USA:n hallituksen hyväksymiin sovellettaviin tuotekategorioihin, mikä merkitsee markkinoiden todellista avautumista myös ammattilaisten käyttöön. Yksinkertaisena ja konkretisoivana esimerkkinä suosittelen etsimään YouTubesta ”Tempo Move”-tuote-esittelyn, joka kuvaa hyvin tätä kokonaisuutta. Palvelu antaa ohjeita kotona kuntoiluun ja treenaamiseen. Se motivoi, ohjaa ja antaa konenäköä hyödyntäen palautetta suorituksestasi, esim. käytettävien asentojen ja suoritusten turvallisuuden suhteen. AI vision- ja deep learning neural network -teknologioita soveltavat yritykset odottavat huomattavaa liiketoiminnallista kasvua näillä aloilla vuosina 2023–2025.
Tämä osaaminen on yksi haastavimmista sovellusalueista ICT-alalla edellyttäen todellista huippuosaamista. Ei riitä, että osaa yhden algoritmin. Käytännössä on tunnettava laajasti erilaisia ohjausmenetelmiä ja kyettävä hyödyntämään sekä täysin uusia että vanhempia algoritmeja, ja kyettävä integroimaan ne soveltuvaan alustaan ja hardwareen luotettavalla tavalla, jotta haluttu tuote saadaan toimimaan tavoitellulla tavalla.
Asiantuntijapuheenvuoroista esittelen muutaman esimerkin, jotka konkretisoivat mielestäni teknologian nykytilaa hyvin.
Oulu-taustainen Zach Shelby, joka aikanaan on perustanut mm. Sensinode-yrityksen, toiminut mm. ARMissa keskeisissä rooleissa ja on nyt Edge Impulse-yrityksen toimitusjohtaja, esitti haasteen kehittäjille: on kyettävä esittämään tämä uusi teknologia siten, että jokainen – ei vain tech-ninja – voi ymmärtää sen. Vain siten teknologia saadaan levitettyä nopeasti, tehokkaasti ja mahdollisimman laajasti hyödyttämään eri toimialoja ja erilaisia sovelluskohteita.
Shelby esitteli mm. autoklusteroinnin mallin koneoppimiseen, joka on osoittautunut erittäin toimivaksi tekoälysovelluksia mahdollistavaksi malliksi datan käsittelyyn. Samoin hän esitteli uusia prosessoreita reunalaskentasovelluksiin mahdollistamaan tekoälyn hyödyntämistä computer vision -sovelluskohteissa. Tekniikasta kiinnostuneille voi mainita esim. Syntiant NDP100:n ja NDP200:n, jotka ovat mullistaneet sovelluskohteiden mahdollisuudet omaten erittäin pienen tehonkulutuksen ja silti mahdollistaen sen hyödyntämisen siten eri sovelluksissa vaikka jatkuvasti, energiaa säästäen. Samoin korostettiin Synapticsin Jkatana-alustaa, joka antaa mahdollisuuden neuroverkkojen ja deep learning -ominaisuuksien yhtäaikaiseen käyttöön. Tätä teknologiaa tarvitaan, jotta ratkaisuilla voidaan tunnistaa enemmän objekteja nopeammin, samalla käyttäen vähemmän muistia ja energiaa. Eri sovelluskohteet edellyttävät kyvykkyyttä segmentoida ja laskea objekteja millisekunneissa – teknologia mahdollistaa nyt tämän. Ruuhkaisinkin risteys maailman miljoonakaupungeissa voidaan hallita näillä ratkaisuilla siten, että jokainen objekti – ts. jokainen kävelijä, liikkuja, auto, eläin ja muu objekti – tunnistetaan luotettavasti jatkuvasti.
Stefan Heck, Santa Claran yliopiston professori ja Nauton perustaja ja toimitusjohtaja, alusti aiheesta seitsemän päätöstä, joiden kautta päästään ideasta onnistuneeseen skaalattavaan sovellukseen. Nauto on yritys, joka hyödyntää laajasti tekoälyosaamista ja konenäön ratkaisuja eri sovelluskohteissa. Esimerkkiasiakastapaus oli liikenteessä ammattiautoilijoiden erityisesti tavaralähettien kolarien välttäminen. Isoissa maissa tämä ongelma on merkittävä, ja aiheuttaa ymmärrettävästi paitsi suuria terveysriskejä, myös liiketoiminnallista ja palvelullista haastetta.
Nauto tekee yhteisiä projekteja kaupallisten ketjujen, kuten Fedexin kanssa. Haasteena on, että liikenteessä päätösnopeuden on oltava hyvin nopea, enintään 100 millisekuntia, jotta reagointinopeus riittää törmäysten estämiseen. Tämä edellyttää reunalaskentaratkaisuja sekä erittäin kehittyneiden tekoälyalgoritmien soveltamista. Nauto kehitti kuljettajaa informoivan lisälaitteen, joka tarkkailee auton liikennetapahtumia sekä kuljettajan valppautta ja antaa palautetta kuljettajalle. Keskimäärin USA:ssa Fedexin kuski joutuu kolariin jopa 20 kertaa miljoonaa ajettua mailia kohti. Nauton tuotteen avulla on päästy merkittävään parannukseen.
Nauton tuote kerää datamassaa ajoista ja vertaa käsillä olevaa reaalitilannetta tätä datamassaa vasten. Laite antaa sanallisesti ohjeita kuskille, pyytäen häntä esimerkiksi erityiseen valppauteen tietyissä paikoissa tai tietyissä tilanteissa. Samoin laite tarkkailee kuskin käyttäytymistä. Esimerkiksi jos kuski käyttää matkapuhelinta ajon aikana, laite reagoi siihen. Myös palautteenantotapaan on panostettu, jotta motivoituminen ohjeiden seurantaan olisi korkealla. Tämä laite on nyt käytössä kaikissa Fedexin jakeluautoissa, ja se on vähentänyt vertailujaksolla kolareita 35 %. Voimme vain kuvitella, millainen vaikutus tällä teknologialla laajemmin tulee olemaan esimerkiksi vakuutusyhtiöiden hinnoittelumalleihin. Edge AI ja konenäköratkaisut tulevat todennäköisesti vaikuttamaan myös omaan arkeemme nopeammin kuin arvaammekaan.
Nauton tuote on hyvä esimerkki ja toimiva ohjenuora monelle yritykselle. Jotta tätä teknologiaa saadaan levitettyä laajemmin, on löydettävä riittävän tärkeät ongelmat ja sovelluskohteet, jotka nimenomaan hyötyvät tekoälyn, koneoppimisen kyvystä peilata tiettyä prosessia valtavaan datamassaan ja nykyisestä teknologian tuomasta mahdollisuudesta tuottaa tämä tieto välittömästi ja reagoida sovelluskohteen edellyttämällä nopeudella – tavalla, johon ihminen ei kykene.
Susan Kennedy, filosofian professori Santa Claran yliopistosta, puhui yksityisyyden haasteesta konenäköön ja tekoälyyn liittyen. Teknologia on ratkaisu moneen asiaan, mutta samanaikaisesti tulisi aina miettiä eettisiä ja moraalisia toiminnan lähtökohtia, sillä regulaatio tällä toimialalla tulee väistämättä hieman jälkijättöisesti. Esimerkiksi kasvojentunnistuksen teknologia on erittäin laajasti jo käytössä, mutta olisi syytä miettiä, onko löydettävissä vaihtoehtoista tunnistustapaa tilanteissa, joissa yksilö haluaa vaalia yksityisyyttään kasvojen tunnistustietojen osalta. Vastaavasti joissakin tapauksissa esimerkiksi matalaresoluutioisen videosyötteen käyttö on toivottavaa riippumatta erittäin tarkoista kameroista. Tällainen tilanne voi olla esimerkiksi erittäin sensitiivisissä yhteyksissä, kuten sairaaloissa ja leikkaussaleissa. Kohdennettu matalaresoluutiotallennus varmistaa sen, että kuvattavan kohteen tunnistetiedot eivät tarpeettomasti tallennu. Lisäksi jokaisen, joka soveltaa näitä ratkaisuja, tulisi aktiivisesti pohtia sitä, kenellä on pääsy dataan. Datan tilastolliset tiedot voidaan yleensä jakaa laajalle joukolle, renderöidyt tiedot vastaavasti erittäin rajatulle joukolle, ja täysi pääsy tulisi olla käytännössä vain viranomaisilla.
Teknologia mahdollistaa yllättäviä huomioita. On esimerkiksi kokeiltu, että 20 vuotta sitten videoiduista kotivideoista on voitu mitata nykyisellä teknologialla yllättäviä tietoja, kuten tallenteessa näkyvän henkilön sydämen sykettä jne. Tietenkään 20 vuotta sitten videon kuvauksen aikana ei ollut mahdollisuutta arvioida valistuneesti, millaisen analysointikyvyn alaisuuteen kyseinen aineisto tallenteena voi potentiaalisesti joutua. Kuka siis on vastuussa, ja mitä asialle voidaan tehdä? Nämä asiat eivät ole mitenkään selviä, ja prosessit etenevät alueittain eritahtisesti. Kennedy mainitsi, että EU:n alue etenee tässä regulaatiokehitystyössä ensimmäisenä.
Lisäksi messuilla esiteltiin ruokakauppojen uusia nykyratkaisuja, jotka hyödyntävät tätä teknologiaa. Will Glaser, Grabangon toimitusjohtaja, esitteli yrityksensä palvelukokonaisuutta, jota on myyty laajalle. Ratkaisussa asennetaan kauppaan paljon erittäin pieniä kameroita, jotka tarkkailevat tuotteita ja tuotehyllyjä. Sensoridataa tarkkailee kehittynyt algoritmikokonaisuus, joka paitsi tuottaa aina ajantasaisen inventaariotiedon, myös ohjaa kaupan tilauksia ja pystyy kerätyn datan perusteella tuottamaan ennakointitietoa tulevasta menekistä sekä ohjaamaan markkinointia. Tämä järjestelmä voidaan asentaa mihin tahansa olemassa olevaan kauppaan helposti.
Myös automotive-teema oli useissa esityksissä läsnä. Ian Riches, Global Automotive Practice -yrityksen varapresidentti, kuvasi autoteollisuuden kehitystä. Kameroiden lukumäärä henkilöautoissa on kasvanut 2016–2021 välillä 70 %, ja tällä hetkellä uusissa autoissa on keskimäärin 4 kameraa. Keskiarvon takana on suuri määrä autoja, joissa ei ole kameroita ja huomattava määrä autoja, joissa on suuri määrä kameroita.
NCAP ja EuroNCAP-organisaatioiden turvallisuusregulaatio-ohjausvaikutus käytännössä pakottaa autovalmistajat lisäämään nyt erittäin paljon konenäkökyvykkyyttä autoihinsa, ja kahden vuoden kuluessa ennusteiden mukaan on jo yli 50 miljoonaa autoa, jossa on DMS (Driver monitoring system) -järjestelmä. Autoista tulee näin erittäin voimakkaasti ohjelmistojen määrittämiä.
Messuilla kävi selväksi monen asiantuntijan vahvistamana, että todellinen tekoälyosaaminen on erittäin harvinaista jopa globaalilla tasolla. Siihen kannattaa panostaa, koska markkinoiden kysyntä on jatkuvasti nousussa ja arvonlisäysmahdollisuus on erittäin suurta. Tähän mahdollisuuteen on myös havahduttu. Messuilla esiteltiin useampia ohjelmistoratkaisuja, joissa AI-elementti tuotetaan softakehittäjäfirmalle turnkey-tuotteena. Voidaan siis kehittää AI-perustaisen ratkaisun omaamatta sitä osaamista. Asetelma voi hymyilyttää, mutta kiinnostuneita riitti messuilla näihinkin ratkaisuihin erittäin paljon.
Oululainen osaaminen on todella korkealla tasolla näissä teknologiateemoissa. Visidon, Unikie ja silo.AI keräsivät huomattavan määrän kiinnostusta, ja kommenttien perusteella kysyntää tulee riittämään näissä teknologioissa. Oulussa on vähintään n. 20 ICT-alan toimijaa, jotka aktiivisesti hyödyntävät ja kehittävät näitä ratkaisuja. Yrityksemme ovat kansainvälisesti verrattain pieniä, kuten Suomessa muutenkin, mutta osaaminen on korkeatasoista. Ei ole syytä pitää kynttilää vakan alla. Oli rohkaisevaa huomata myös suurten jättiläisten, kuten Intelin ja AMD:n, kiinnostus paitsi messuilla olleita yrityksiä kohtaan, myös laajemmin Oulun toimijoihin. Keskustelut näistä jatkuvat.
Näkemäni perusteella suosittelen oululaisille softakehitysfirmoille panostamista omissa asiakascaseissaan sulautettuun älykkyyteen, konenäköratkaisuihin, videoanalysointituotteisiin ja erilaisiin koneoppimisen sekä tekoälyn osaamiseen ja tuotteistuksiin. Lisäksi toivon ihan jokaiselle yritykselle pohdintaa, miten eri lähteistä kertyvää dataa – tai eri prosesseissa olevaa potentiaalista dataa, jota ei vielä kerätä – voisi hyödyntää liiketoiminnan kannalta vaikuttavalla tavalla. Alkuun tässä prosessissa on lopulta helppo päästä: ota yhteyttä vaikka meihin BusinessOulussa, ja voimme visioida yhdessä käyttötapauksia sekä kartoittaa kumppanikandidaatteja alueelta.
Loppukaneettina voi todeta, että piilaakson kulttuuri ja henki luoda uutta yhdessä näkyi messuilla monessa. Erityisen hienolta tuntui, että seminaaripuhujille hurrattiin ja vislattiin kannustaen heidän esitystensä aikana. Rokkitähtiä alallaan.
Kesäterveisin,
Jussi Leponiemi