Andmeteadus kui abiline nelja Eesti firma näitel

Kui Directorist sai lugeda andmeteadusest ettevõtja vaatenurgast üleüldiselt, siis Inseneeria toob Teieni neli Eesti ettevõtet – Taxify, Mooncascade, Starship Technologies ja Proekspert,  kes andmeteadust juba edukalt kasutavad. Sellest, kuidas nad seda teevad, kirjutab kaasautor Maria Vous.  

Taxify

Taxify on 2013. aastal asutatud eestimaine tehnoloogiafirma, mis arendab ülemaailmset taksode ja sõidujagamise platvormi. Taxify tegutseb 20 erinevas riigis Euroopas, Aafrikas ja Kesk-Ameerikas, vahendades aastas kümneid miljoneid sõite enam kui 3 miljonile kliendile. Ettevõte kasvab iga kuu 15-25%, olles selle näitajaga täna kõige kiiremini kasvav Euroopa taustaga sõidujagamise platvorm.

Nagu igale ettevõttele, on ka Taxifyle kõige olulisem nende poolt pakutava teenuse efektiivsus. Näiteks – kui iga telimuse pealt juhi rakenduse kasutamist mõne sekundi võrra kiirendada, siis võidetaks iga kuu mitme aasta jagu sõiduaega. Kuidas seda aga andmete abil teha?

Üks viis, kuidas Taxify andmeteadust kasutab, on kasutajakogemust analüüsides – ehk kuidas teha esimese tellimuseni jõudmine kliendile võimalikult lihtsaks. Selleks mõõdetakse üleminekut (conversion) ühest etapist teise ning rakendatakse ka A/B teste, kus ühed kasutajad näevad ühte variatsiooni ja teised teist, ning võrreldakse neid omavahel.

Keerulisem näide andmeteaduse kasutamisest on Taxify dünaamilise hinnastamise algoritm, mis võrdleb kasutaja otsinguid ja saadaval olevate autode suhet ning loob selle baasil kaardil polügoonid, millele määratakse vastavalt suhtele hinnakordaja. Dünaamilist hinnastamist rakendatakse kahel eesmärgil: selleks, et tagada kõikidele klientidele teenuse kättesaadavus ning et kutsuda tippaegadeks rohkem juhte sõitma.

Nõudluse prognoosimiseks kasutab Taxify aga masinõppe algoritme – sõitude ajaloo andmete järgi ennustatakse, millal tekib suurem nõudlus (näiteks hommikuti ja õhtuti tipptundidel). Lisaks näitavad andmed, et ilma parameetritest on kõige suurema mõjuga kahe parameetri kooslus: vihm ja tuul või külm ning tuuline ilm. Põhjusel, et Taxify teenuse näol on tegu reaalajasüsteemidega, võetakse lõplike otsuste tegemisel arvesse siiski ka liikluse hetkeseisu. Näiteks liiklusõnnetust, mis liikluse sulgeb ja autode sõitmise aega pikendab, ei saa ette ennustada, sellele reageeritakse reaalajaandmete põhjal.

Lähitulevikus ongi Taxify väljakutsed seotud efektiivsuse tõstmisega sõidujagamise teenuses, kaugemas tulevikus aga kogu linnatranspordi efektiivsuse tõstmisega kogutud andmeid kasutades. Kasutajate jaoks tähendab see aga lühemaid ettesõiduteekondi juhtidele ning vähem tühjalt seismist, mis võimaldab pakkuda klientidele madalamat hinda ja juhtidele suuremat sissetulekut.

Mooncascade

Mooncascade on 2009. aastal tööd alustanud toote- ja tarkvaraarendusettevõte, mille asutajateks on pikaajalise kogemusega endised Skype ja Playtech tarkvarainsenerid. Ettevõtte ligikaudu 90 töötajat on keskendunud töödele, mis vajavad teravat fookust, kiirust ja oskust saada hakkama kõige keerulisemate projektidega. Lisaks tarkvara- ja tootarendusele pakub ettevõte alates 2015. aastast ka andmeteaduse teenuseid.

Andmeteadust kasutatakse Mooncascade´is kahel moel: klientide olemasolevatest andmetest uue väärtuse loomine ja/või kliendi olemasolevate äriprotsesside efektiivsemaks muutmine. Ehk lihtsamalt öeldes: aidatakse kliendil leida uusi tuluallikaid ning kulusid kokku hoida.

Üks viis tulude tõstmiseks ja kulude kokkuhoiuks on andmeteaduse abil ennustuste tegemine – Mooncascade on masinõpet kasutanud näiteks selleks, et aidata oma klientidel täpsemalt ja kiiremini ette ennustada inimeste ostukäitumist, krediidiriski või ka näiteks ka liikumist.

Kuna Mooncascade´i klientideks on paljud sellised ettevõtted, kellel on tohutult andmeid, siis just inimeste liikumist ennustavate algoritmide väljatöötamisele paneb ettevõte enim rõhku. Ettevõte viib koos Archimedese ja Tartu Ülikooli teadlastega läbi projekti „Rahvastiku liikumise analüütika, seire ja ennustamise algoritmid”, mis tulevikus võib aidata näiteks reaalajas inimestele kohapõhiselt teenuseid pakkuda.

Teine valdkondkond, millele Mooncascade andmeteaduses keskendub, on on masina võime inimkeelest aru saada (Natural Language Processing) ning selle peale masinõppemudelite ehitamine. Näitena võib tuua koos ThyssenKrupp innovatsioonikeskusega läbiviidud projekti, mille käigus Mooncascade´i andmeteadusmeeskond ehitas algoritmid, mis tuvastasid reaalajas sisestatud teksti ning tagastasid tulemusena kliendi andmebaasist relevantse dokumentatsiooni. Samuti on Mooncascade kokku puutunud ka kõnerobotite (chatbot) ehitamisega.

Peamine väljakutse andmeteaduse rakendamisel ei ole aga üldsegi protsessi tehniline keerukus, vaid inimeste ootuste korrigeerimine. See on tingitud asjaolust, et andmeteadusprojekt on alati osaliselt ka teadusliku teadustöö, kus tulemused ei ole etteennustatavad, vaid võivad uurimistöö tulemusel muutuda. Selleks, et kliendid tulemuses ei pettuks, on kõigile osapooltele hoolikalt vaja selgitada, mida tehakse, kuidas tehakse ja mida edu saavutamine üldse tähendab.

StarshipTechnologies

Skype’i asutajaliikme Ahti Heinla juhtimisel alustanud idufirma Starship avas esimese kontori 2014. aastal Tallinnas. Praeguseks on ettevõtte laienenud nii Euroopasse kui ka Ameerikasse. Firmal on üle saja roboti ning iga päev viiakse klientidele kohale palju pakke.

Starshipi keskseks tehnoloogiliseks innovatsiooniks on nende kurikuulsad kuuerattalised isesõitvad robotid, mille abil luuakse tõhusat ja mugavat viimase miili kullerteenust. Põhiline väljakutse on autonoomne liiklemine tänapäeva linnaruumis koos kõigi oma piirkondlike erisustega. Starshipid tegutsevad mitmes linnas ning laienevad järjest keerulisematesse piirkondadesse.

Robotis on üllataval kombel seni olnud palju rohkem traditsioonilist masinnägemist ja vähem masinõppealgoritme kui arvata võiks, kuid sügavad närvivõrgud on nüüd ka sinna jõudnud. Oluline osa andmeteadusest on seotud masina käitumise mõistmise ning käitumisreeglite laiendamisega.

Ehk siis enne kui Starshipi insenerid parandavad roboti tehismõistust, on vaja läbi tuhlata palju roboti liikumist kirjeldavaid andmeid, et aru saada, millistes olukordades ei käitu robot optimaalselt. Ilma päris maailma andmete ja nende analüüsimiseta pole isesõitvat robotit võimalik ehitada. Andmepõhine lähenemine on ainuke viis tarkade ja viisakate masinate loomiseks.

Starshipi robotid saavad juba praegu täiesti ise hakkama lihtsates linnaosades, kus on vähem autosid, jalgrattaid ja inimesi. Samas põhiline äri on seal, kus on rohkem liiklust. Seega hetkel keskendub Starship järjest võimekamaks saamisele. Üheks suurimaks väljakutseks on Euroopa suurlinnades jalgrataste varajasem ja täpsem tuvastamine, et robot ka paljude jalgrataste keskel elegantselt liiguks.

Proekspert

Proekspert on 24-aastane Eesti disaini- ja tarkvaraettevõte, mis tegutseb tarkade seadmete ja digitaalsete toodete valdkonnas. Ettevõte usub, et tulevik on lahenduste päralt, mis ühendavad endas andmeteaduse, tehnoloogia ja inimesekeskse disaini. Andmeteadusega tegeletakse Proeksperdis väga mitmel moel.

Andmeteaduse võimaluste kasutamine on paljude ettevõtete jaoks muutunud töö igapäevaseks osaks, kuna see annab märkimisväärseid eeliseid nii toodete-teenuste arendamisel, käibe suurendamisel kui kulude vähendamisel. Proeksperdi jaoks tähendavad andmeteaduse valdkonna teadmised ja kogemused ennekõike suutlikkust oma klientidele ajakohaseid ja konkurentsivõimelisi lahendusi pakkuda.

Näiteks on Proekspert Industry 4.0 ärivaldkonnas piloteerinud omatoodet simFactory, mis elektroonikatehaste tootmise andmevoogudele tuginedes võimaldab tootmist märgatavalt optimeerida. Tänu pikaajalisele koostööle Danfossiga on neil kogemused energiakasutuse optimeerimises, näiteks laevade HVAC süsteemides. Aktiivselt lüüakse andmeteadusega kaasa ka transpordivaldkonnas ning klassikaliste infosüsteemide parenduses. Tulevikuperspektiive kaardistatakse biotehnoloogias.

Suurim väärtus andmeteadusest tekibki koostöös äriinimeste, valdkonna spetsialistide, tarkvara arendajate ja andmeteadlaste vahel. Andmetekeskne mõtlemine tõstab otsuste informeerituse taset ning vähendab riske. Näiteks klassikaliste churni ennustamise mudelite kasutamine võimaldab ettevõtetel õigeaegselt ennetada klientide lahkumist.

Kuna andmeteadus, masinõpe ja tehisintellekt on kiirelt arenevad valdkonnad, siis just ettevõtted mängivad väga suurt rolli selles, kui kiirelt ja edukalt andmeteadus areneb.  Valdkond eeldab ligipääsu infrastruktuurile ja andmetele, mis on sageli just ettevõtetes paremas seisukorras kui teistes, näiteks ka riiklikes organisatsioonides, kus protsessid on pikad ning uuendused aeglased juhtuma.

Samas on näiteks USA loonud oma riikliku strateegia tehisintellekti arengutega sammu pidamiseks („Preparing for the Future of Artificial Intelligence”, 2016), mis teadvustab selle tehnoloogia olulisust tulevikumaailmas, koondab ettevõtteid, vahendab valdkonnainfot jpm. Proekspert usub, et USA näitel on ka Eestil võimalus aktiivselt andmeteaduse tuleviku kujundamises kaasa rääkida.