top of page

Uutiset

Uutiset kokoaa yhteen tiimimme asiantuntijoiden kirjoittamia ajankohtaisia blogipostauksia sekä uusimpia asiakastöitämme. Tutustu alta uusimpiin julkaisuihimme.

Case Fintraffic: Tekoäly parantaa liikennemäärätiedon laatua ja tehostaa asiantuntijoiden työtä 



 

Mitä teimme 

LAM-mittauspisteiden raportointi 

Datan korjaussovellus 

Avoimen datan jakelu 

Millä teimme

AWS 

Snowflake 

Agile Data Engine 


 

Digian tiedolla johtamisen osaamisyksikkö Productivity_Leap rakensi Fintrafficille liikennetiedon raportointijärjestelmän, jonka datan laatua parantaa koneoppimiseen pohjautuva korjaussovellus. Uusi raportointijärjestelmä tehostaa toimintaa, ja laadukas liikennemäärädata tuo hyötyä koko yhteiskunnalle. Tieto on uuden raportointijärjestelmän myötä avoimesti saatavilla verkossa kaikille sitä tarvitseville. 

 

Fintraffic on liikenne- ja viestintäministeriön omistajaohjauksessa toimiva  erityistehtäväkonserni, joka tarjoaa ja kehittää liikenteenohjauksen ja -hallinnan palveluita kaikissa liikennemuodoissa sekä varmistaa liikenteen turvallisuuden ja sujuvuuden vastuullisesti. Yksi osa Fintrafficin tuottamaa palvelua on liikennemäärätiedon kerääminen, joka toteutetaan liikenteen automaattisten mittauspisteiden (LAM) avulla. Asemia on Suomessa noin 500 kappaletta.  

 

Liikennemäärätiedolla on suuri merkitys ympäröivälle yhteiskunnalle. Eri hallinnolliset ja viranomaistahot hyödyntävät tietoa monipuolisesti liikennesuunnittelusta poliittiseen päätöksentekoon, ja liikennetiedosta on kiinnostunut myös media. Tiedon hyödyntämisen monipuolisuuden vuoksi on tärkeää, että tieto on laadukasta ja tarkkaa. 

 

”LAM-datalla ja raportointijärjestelmällä on keskeinen rooli siinä palvelussa, jota tuotamme Väylävirastolle ja viime kädessä kansalaisille. Datan luotettavuus ja matalan kynnyksen pääsy siihen on meille erittäin tärkeää”, kuvailee hankkeen projektipäällikkö, liikenteen mittauspalvelun palvelupäällikkö Eetu Karhunen

 

Käyttäjäystävällisyys ja laatu lähtökohdaksi 

 

Fintrafficin tarpeet olivat selkeät: vanha, elinkaarensa päähän tullut järjestelmä oli uusittava ja vastaavat toiminnallisuudet oli tuotava mukaan uuteen raportointijärjestelmään. Samalla järjestelmän käytettävyyttä ja tiedon laatua oli pystyttävä parantamaan. Kumppaniksi valikoitui Productivity Leap, jonka kokemus ja täsmäosaaminen vakuuttivat Fintrafficin. 

 

”Tiimistä löytyi tekijöitä, joille aiempi järjestelmä oli tuttu, joten yhteistyö oli helppo aloittaa”, Karhunen kertoo. 

 

Vanhan Tiira-järjestelmän tilalle luotiin moderni, pilvipohjainen ratkaisu, jossa raportointi hoituu helppokäyttöisillä Microsoft Power BI-raporteilla. Julkisen Digitraffic.fi-verkkopalvelun kautta perustason liikennetieto on avoimesti kenen tahansa hyödynnettävissä, ja julkisten raporttien upotteet löytyvät myös Fintrafficin verkkosivuilta. Laajempaa ja jalostetumpaa dataa tarvitseville asiantuntijoille on tarjolla luvanvarainen pääsy tarkempiin raportteihin.  

 

Uuden järjestelmän helppokäyttöisyys näkyy käyttäjien määrässä ja käyttäjiltä saadussa palautteessa. 

 

”Uusi raportointijärjestelmä on huomattavasti käyttäjäystävällisempi. Käyttäjiä on parannusten myötä tullut lisää ja käyttäjäpalaute on positiivista”, Karhunen sanoo. 

 

Korjaussovellus hyödyntää tekoälyä 

 

Yksi merkittävä uuden järjestelmän mukanaan tuoma parannus on koneoppimiseen pohjautuva korjaussovellus, joka tekee tiedosta laadukkaampaa ja tarkempaa sekä tehostaa tiedon parissa työskentelevien asiantuntijoiden työtä. Sovellus tunnistaa yksittäisten mittauspisteiden datassa esimerkiksi teknisen vian vuoksi esiintyvät poikkeamat ja ehdottaa niihin korjauksia mittauspisteen aikaisempaan liikennemäärähistoriaan perustuvien mallinnusten pohjalta. Sovellus hyödyntää jatkuvasti kertyvää dataa ja tarkentaa sen avulla korjausehdotuksiaan. 

 

Aiemmassa järjestelmässä datan poikkeamien tunnistaminen ja korjaaminen oli täysin manuaalisen asiantuntijatyön varassa, joten uusi sovellus vähentää tuntuvasti korjaustyöhön käytettävää päivittäistä työaikaa. Nyt asiantuntijan tehtäväksi jää joko hyväksyä tai hylätä sovelluksen tekemät korjausehdotukset. 

 

”Koneoppiminen tukee ja tehostaa harjaantuneen asiantuntijan työtä. Aiemmin useita tunteja vieneen työn voi nyt hoitaa varttitunnissa”, kertoo liikennelaskennan asiantuntijakonsulttina työskentelevä Kimmo Saastamoinen. ”Täysin automatisoituun ratkaisuun emme ole vielä halunneet lähteä, mutta tulevaisuudessa automaatioastetta voidaan mahdollisesti lisätä.” 

 

Korjaussovellus tukee myös LAM-mittauspisteiden kunnossapitoa. Mittauspisteiden viat paljastavat tekniset virheet havaitaan datasta nopeammin, mikä nopeuttaa korjaustoimenpiteiden aloitusta ja parantaa osaltaan datan laatua. 

 

”Sovelluksen avulla pystymme ohjaamaan kunnossapitotoimintaamme paremmin”, Karhunen toteaa. 

 

Digitaalisuus tukee asiantuntijan työtä 

 

Uuden raportointijärjestelmän ja korjaussovelluksen myötä Fintraffic on ottanut merkittävän askeleen digitaalisen transformaation saralla. 

 

”Ratkaisu on edelläkävijä koneoppimisen ja tekoälyn tuomisessa ihmistyön avuksi. Aihe kiinnostaa laajalti, ja saamme myös sisäisesti paljon kyselyjä ratkaisusta”, Karhunen kertoo. 

 

Karhunen on tyytyväinen projektiyhteistyöhön Productivity Leapin kanssa. 

 

”Nyt meillä on käytössämme järjestelmä, joka kestää aikaa ja on tarpeen mukaan skaalattavissa. Projekti onnistui kaikin puolin, sillä pysyimme sekä aikataulussa että budjetissa ja saavutimme asetetut tavoitteet ja enemmänkin. Tiedonkulku on toiminut, ja projektipäällikön näkökulmasta kaikki on sujunut hienosti.” 


Artikkeli on julkaistu aiemmin Digian blogissa https://digia.com/asiakkaamme/fintraffic-lam


Jos kiinnostuit, kuinka koneoppimista voi soveltaa osana tietovarastoratkaisuita ja sovelluskehitystä, niin ota yhteyttä Kari Natuseen kari.natunen@productivityleap.com.  

Kerromme mielellämme lisää, kuinka voisimme auttaa organisaatiotanne. 

   

 

 

Viimeisimmät päivitykset

Katso kaikki

Lisänäyttöä uusista lääkehoidoista

OMOP-harmonisaatioon ja hajautettuihin analyyseihin perustuvan pilottiprojektin loppuraportti Pilotin tavoitteena oli kokeilla ja kehittää OMOP-tietokantoja ja hajautettuihin (federoituihin) analyysei

Commenti


bottom of page