Koneista kerätty data on hyödytöntä, ellei sitä pystytä analysoimaan – "Ilman automatisoitua analytiikkaa, voidaan käsityönä käsitellä vain pieniä data-aineistoja”

Kuva: Tapio Vesterinen

Maatalous|Koneet ja kulkuneuvot13.1.202308:00

Kolumni

Timo Oksanen

Kaiken kerääminen ei yleensä ole mielekästä, koska se tarkoittaisi suurta määrää tavuja, joiden siirtäminen ja säilöminen maksaa. Mittauksiin yhdistetään yleensä tarkka paikka- ja aikaleima, jolloin tiedetään mistä ja milloin datajyvä on kerätty. Nykyisen GNSS-aikakauden aikana vastaanottimista saadaan helposti metrin ja sekunnin tarkkuusluokka.

Data on raakanumeroita ja numeroiden sekaan on kätketty se varsinainen tieto. Pari vuosikymmentä sitten puhuttiin tiedon louhinnasta, jota voidaan verrata mineraalien kaivamiseen kallioperästä – pitää louhia ja rikastaa, jotta arvokas aines saadaan erotettua. Tieto on arvokasta, data on vain numeroita.

Ilman automatisoitua analytiikkaa, voidaan käsityönä käsitellä vain pieniä data-aineistoja, joissa on joko lyhyt aikaväli tai vähän mittauksia. Esimerkiksi työkoneen päiväkohtainen dieselin kulutus on mahdollista laskea raakadatasta hyvin yksinkertaisella matematiikalla, jos raakanumerot saa esim. taulukkolaskentaohjelmaan.

Käsin tehdyt laskelmat ja päätelmät taulukkolaskelmaohjelmalla eivät kuitenkaan skaalaudu, kun koneiden määrä kasvaa ja taulukkolaskentaohjelman käyttäjän työaika ei enää riitä. Kun työaika rajoittaa toimintaa, joko käsin tehtyjen analyysien laatu kärsii tai jää kokonaan tekemättä. Tällöin datan keruu oli turhaa.

Tämän vuoksi datan keruussa on järkeä vain, jos algoritmit kerättyjen numeroiden käsittelyyn ovat olemassa. Kaupallisessa toiminnassa pitäisi analytiikan olla täysin automatisoitua tiettyyn tarkoitukseen, jotta käyttäjä pääsee suoraan johtopäätösten tekemiseen. Analytiikan näkökulmasta on yhdentekevää, onko data siirretty koneesta muistitikulla vai kännykkäverkon välityksellä.

Analytiikka on entistä enemmän matematiikkaa ja algoritmeja, ja datan keruu on elektroniikkaa ja sulautettuja ohjelmistoja. Jälkimmäinen on helpompi arvioida asteikolla toimii tai ei toimi. Analytiikan toimivuuden arviointi on vaikeaa, ellei sen antamille päätelmille ole yksikäsitteisiä laatuvaatimuksia, esimerkiksi tarkkuuden suhteen.

Kokonaisjärjestelmä kehittyy askeleittain kun analytiikan päätelmillä on arvoa – josta joku on valmis maksamaan. Esimerkiksi sään ennustus on ottanut valtavia harppauksia viime vuosikymmeninä, kun numeerinen säämallinnus on edellyttänyt entistä enemmän raakadataa, mutta myös eri tahot ovat valmiita maksamaan laadukkaista sääennusteista. Terve liiketoimintamalli, prosessin ymmärtävät matemaatikot ja säähavaintolaiteinsinöörit yhdessä saavat aikaan kilpailukykyisen ratkaisun.

Maatalouskonedatan on uskottu sisältävän runsaasti erilaisia mineraaleja. Eniten arvoa data tuottanee koneen valmistajalle, joka pystyy yhdistämään lukuisten koneiden raakanumerot tuotekehitysmalleihin ja päättelemään koneiden nykyistä kuntoa, mutta myös kyseisen tuotteen kestävyyttä ja suorituskykyä. Datan käyttäminen viljelyprosessin parantamisessa on vielä melko rajallista.

Tulevaisuus on täysautomaattisessa analytiikassa, jossa koneista kerätty data on osa kokonaisuutta. Riippuen käyttötarkoituksesta, muu osa kokonaisuutta voi olla esimerkiksi laboratoriodataa tai koneen ulkopuolelta kerättyä dataa. Tämä toimii vain, jos analytiikan lopputuloksella on taloudellista arvoa.