Töitämme 12.10.2022

Rus­ka­vah­ti: Kur­kis­tus te­koä­lyä hyö­dyn­tä­vän in­no­vaa­tion al­go­rit­miin

Asiakaskokemuksen kehittäminen Markkinoinnin kehittäminen Tiedolla johtaminen Markkinointiteknologiat Asiakaskokemus Data Science Tekoäly Trendit Uudet teknologiat

Visit Finlandin Ruskavahti on tekoälyn voimistama digitaalinen palvelu, joka kertoo karttanäkymän muodossa, milloin ja missä ruska on kauneimmillaan. Miten innovaatio toteutettiin ja millaisiin rajoitteisiin projektissa törmättiin? Ja millaisia teknologisia ratkaisuja ja päätöksiä Ruskavahdin kaltaisen tekoälyprojektin onnistuminen vaatii?

Voidaanko me ennustaa, missä ruska menee?

Innovaation siemen voi itää kevyessä “heitossa”, hyvässä kysymyksessä tai jokapäiväisen ongelman ihmettelyssä. Idea Visit Finlandin uudesta palvelusta, Ruskavahdista, heitettiin Dagmarin sisäisessä ajatushautomossa.

Matka hyvästä kysymyksestä todelliseksi tekoälyä hyödyntäväksi palveluksi kesti reilun vuoden. Palvelun teknisen arkkitehtuurin, datankeräyksen sekä algoritmien taustalla oli luovien suunnittelijoiden, teknologiaosaajien ja rohkean markkinoijan siiloton yhteistyö.

”Ruskavahti on meille ensimmäinen markkinointikampanja, jossa hyödynnämme tekoälyä. Kokonaisuuden teknisyys on tuonut omat jännitysmomenttinsa, mutta olemme ilolla seuranneet kuinka hienosti palvelu on otettu vastaan. Erityisen ilahduttavaa oli, kuinka suurta huomiota kansainväliselle yleisölle suunnattu kampanjamme sai myös Suomessa.”

Minna Myyrinmaa, Digitaalisen markkinoinnin asiantuntija, Visit Finland

Mistä Ruskavahtiin saadaan dataa

Ensimmäinen haaste oli datan haaliminen. Kun ilmiöitä ryhdytään ennustamaan algoritmien avulla, tarvitaan esimerkkidataa, josta mallia voidaan kouluttaa. Ruskavahti-palvelua kehittäessä pyrimme löytämään signaalit, joiden avulla voimme sanoa, että ruska on käynnissä. Signaaleja voidaan kerätä vaikkapa säädatasta, uutisista, sosiaalisesta mediasta tai kuvista.

Mutta miten saamme selville ruskatilanteen koko Suomessa? Ideoimme datalähteitä laajasti, aina satelliittikuviin asti. Päädyimme hyödyntämään Fintrafficin kelikamerakuvia. Ne löytyvät avoimen rajapinnan kautta ja kattavat suuren osan Suomen tieverkostosta. Ja mikä tärkeintä, niiden läheltä näkee myös puustoa eri alueilta.

Koska kelikameroiden kuvahistoria yltää vain 24 tunnin ajalle, dataa piti ryhtyä keräämään systemaattisesti. Syksyn 2021 jälkeen meillä oli valmiina lähtötieto ruskan kehittymisestä kelikamerakuvien mukaan.

Kelikamerakuvan lähde: Fintraffic

Miten Ruskavahti tunnistaan ruskan kuvista

Kun kaikista Suomen kelikameroista tallennetaan kuvat päivittäin, saadaan puolen miljoonan kuvan kuvapankki. Mutta pelkät kelikamerakuvat eivät vielä riitä ruskan kehittymisen tunnistamiseen ympäri Suomen. Vasta algoritmi kykenee käsittelemään kuvien informaation ja kertomaan vastauksen.

Kunhan algoritmille ensin kerrotaan, kuinka sen pitää lukea kuvia ja mitä sen halutaan kertovan niistä meille. Usean sadan tuhannen kuvan prosessointi ja niistä ruskan hakeminen ilman oikeaa vastausta ei onnistu perinteisten valvotun oppimisen (’supervised learning’) menetelmien kautta. Algoritmin on kyettävä analysoimaan kuvat ja keräämään niistä tietoa puuston muutoksista, jotta ruska voidaan tunnistaa luotettavasti.

Todennäköisesti moni asiantuntija pohtisi tässä vaiheessa erilaisia klusterointi-, nearest neighbour – tai kuvasegmentoinnin menetelmiä, joilla voitaisiin tunnistaa yksittäisistä kuvista ruskan kannalta merkitykselliset alueet. Nyt haasteeksi nousivat skaalautuvuus ja prosessointiaika. Laskenta-ajalla yksi sekunti/kuva (hieman alakanttiin), käsittelyaika olisi kestänyt kuutisen päivää. Päälle vielä kuvien lataamisen ja lukemisen aika….

Ruskavahti seuraa ruskan etenemistä kelikamerakuvien pikselien avulla

Kelikamerakuvat ovat hyvin staattisia: kamerat osoittavat yleensä samaan suuntaan, joten autot vaihtelevat, mutta näkymä on muutoin hyvin samankaltainen. Totesimme, että tunnistamalla värien muutoksia eri kameroiden eri kuvista voimme antaa valistuneen arvauksen ruskan etenemisestä Suomen eri alueilla.

Kuvien pikselien ryhmittely klusterointimenetelmillä oli laskennallisesti liian raskas prosessi. Kaikkien kameroiden ja kuvien analysoimiseksi oli kehitettävä nopeampi menetelmä. Värikuvat koostuvat pikseleistä, joiden väri määritellään 3-dimensioisella vektorilla. Esimerkiksi RGB-väriavaruudessa 255,0,0-pikseli määritellään punaiseksi ja 0,0,0-pikseli mustaksi. Yksittäinen kuva voidaan kuvata 3-ulotteisena matriisina, joka koostuu yksittäisistä pikselivektoreista. Kun vertailupikseli kiinnitetään esimerkiksi punaiseen väriin (255,0,0) ja kuvan pikselien etäisyys lasketaan sopivassa väriavaruudessa, voimme tunnistaa kuvasta sen läheisyyden punaiseen väriin.

Mikä parasta, tämä tapa on laskennallisesti hyvin kevyt – ja se voidaan skaalata koko kuvajoukkoon järkevässä laskenta-ajassa. Vertailemalla yksittäisten kamerakuvien muutoksia saadaan kattava kuva ruskatilanteesta kaikkialla Suomessa. Ja koska lopullisessa näkymässä tarkastellaan ruskan kehittymistä kuntatasolla, tasoittuvat myös virheellisesti analysoidut kuvat, sadeillat, liian aurinkoiset päivät, punaiset rekat ja muut hajontaa aiheuttavat tilanteet lopullisiin ennusteisiin.

Kuvan lähde: Visit Finland

Rohkeasti ja palkitusti uuden kokeiluun

Luonnonilmiöiden mallintaminen ja analysointi on luovuutta vaativaa salapoliisityötä – erilaisten datakokonaisuuksien ja ilmiöiden ennustettavuuden välille on kyettävä tunnistamaan yhteyksiä. Ruskavahti oli jo teknisestikin sykähdyttävä, haastava, raastava, mutta silti todella palkitseva kokonaisuus. Oli suuri etuoikeus saada olla mukana luomassa tätä täysin uutta, kanssaihmisiä palvelevaa ja ilostuttavaa innovaatiota.

Ruskavahti palkittiin kunniamaininnalla Grand One 2023 -kilpailun Innovatiivisin teknologia -kategoriassa.
Ruskavahti on hyvä osoitus siitä, mitä kaikkea upeaa voimme saada aikaan, kun sisältöjen luojat, teknologia-asiantuntijat ja rohkea markkinoija jakavat saman vision.


Lue myös: Mitä uuden innovaation luominen vaatii tiimiltä?