Koneoppiminen ja kestävä kehitys yhteiskunnassa

Mikä on spatiotemporaalinen data ja miten sitä voidaan hyödyntää? Miten tekoäly tukee kaupunkisuunnittelua ja kestävää kehitystä? Millaisia haasteita tekoälyn kasvava energiankulutus tuo mukanaan? Miksi avoimuus ja tieteen läpinäkyvyys ovat erityisen tärkeitä nykypäivänä? Miten tutkimus voi vaikuttaa suoraan yhteiskunnalliseen päätöksentekoon? Keskustelimme Laura Ruotsalaisen kanssa siitä, miten aikaan ja paikkaan sidottu data voi auttaa kaupunkisuunnittelussa ja kestävän kehityksen tavoitteiden saavuttamisessa. Laura avasi, kuinka tekoäly ja koneoppiminen mahdollistavat uusien, tehokkaampien ratkaisujen löytämisen esimerkiksi liikennesuunnitteluun ja resurssien optimointiin. Keskustelimme myös tieteen roolista yhteiskunnassa ja siitä, kuinka tutkittuun tietoon luottaminen on keskeinen osa vastuullista päätöksentekoa. Tämä jakso tarjoaa syvällisen katsauksen teknologian ja tutkimuksen risteyskohtaan, ja siihen, miten voimme hyödyntää dataa paremman tulevaisuuden rakentamiseksi. --- AIKALEIMAT (00:00:00) - Intro (00:02:43) - Spatiotemporaalinen data-analyysi (00:03:09) - Datan alkuperä ja laatu (00:04:12) - Erilaiset datalähteet (00:05:20) - Tutkimustarpeiden ja datan yhdistäminen (00:06:34) - Lauran ura ja navigointitutkimus (00:07:41) - Uudelleenbrändäys ja terminologia (00:08:18) - Merkittävimmät löydökset (00:10:39) - Sovellukset ja kaupunkisuunnittelu (00:12:17) - Innovaatiot ja kestävyys (00:14:19) - Tutkimuksen ja työkalujen yhdistäminen (00:15:43) - Datan siivoaminen ja käsittely (00:18:08) - Koneoppimisen kehitys ja neuroverkot (00:19:22) - Laskentakapasiteetin ja datan rooli (00:20:16) - Datan kerääminen ja yhteistyö (00:22:42) - Tekoälyn hyödyntäminen ja esimerkkejä (00:26:19) - Kestävä kehitys ja simulaatiot (00:27:34) - Haasteet ja tulevaisuuden tavoitteet (00:29:47) - Skaalautuvuus ja menetelmien kehittäminen (00:30:58) - Datan lähteet ja hyödyntäminen (00:33:15) - Poikkitieteellinen yhteistyö ja haasteet (00:36:06) - Yhteistyön merkitys ja kommunikaatio (00:37:21) - Tekoälyn ja kestävyyden suhde (00:41:43) - Koneoppimisen ja datan rooli (00:44:07) - Kestävyyden eri näkökulmat (00:46:09) - Tutkimuksen vaikutukset ja vastuu (00:49:57) - Metan rooli ja vastuu (00:50:22) - Suomen tekoälykeskuksen tehtävät (00:54:43) - Kansainvälinen yhteistyö ja verkostot (00:56:22) - Suomen kilpailukyky ja osaaminen (00:57:09) - Ohjausryhmän merkitys ja hyödyt (00:59:11) - Tutkimusryhmien ja yhteistyön merkitys (01:00:22) - Suomen tekoälykeskuksen myyntipuhe (01:01:01) - Tutkimuslinjat ja motivaatiot (01:02:05) - Tutkimuksen etiikka ja merkitys (01:03:00) - Tutkimusryhmän johtaminen ja tehtävät (01:06:19) - Synergian ja yhteistyön merkitys (01:07:58) - Johtamisperiaatteet ja motivaation tukeminen (01:09:39) - Palautteen antaminen ja tavoitteiden kirkastaminen (01:10:40) - Rahoitushakuprosessi ja haasteet (01:13:05) - Tutkimusryhmän koko ja resurssit (01:14:26) - Motivaation ja merkityksellisyyden lähteet (01:15:17) - Algoritmien ja etiikan merkitys (01:16:26) - Tutkimustiedon vastaanottaminen ja kritiikki (01:17:45) - Tutkijoiden vastuu ja viestintä (01:18:09) - Päätöksentekijöiden ja tutkijoiden vuoropuhelu --- Laura Ruotsalainen on tietojenkäsittelytieteen professori Helsingin yliopistossa. Hän johtaa tutkimusryhmää nimeltä Spatiotemporaalinen data-analyysi kestävyystieteessä. Ryhmä tekee koneoppimistutkimusta dynaamisten paikkasidonnaisten systeemien osalta, muun muassa kestävien älykkäiden kaupunkien kehittämiseen. Hän on Suomen Tekoälykeskuksen (FCAI) ohjausryhmän jäsen vastuullaan tekoäly ja kestävyys. Hän on myös professori Helsingin kestävyystieteen instituutissa (HELSUS), joka on tiedekuntien välinen kestävän kehityksen tutkimusyksikkö Helsingin yliopistossa. --- 🕸️Signaali: https://signaalipodcast.fi/ 📸Instagram: https://www.instagram.com/signaalipodcast/ 👔Linkedin (Signaali): https://www.linkedin.com/company/signaali-podcast 🗣️Linkedin (Juontaja): https://www.linkedin.com/in/georgelapinlampi/