Maailmanennätys on ihan kiva juttu

Olemme tehneet Nico Kyngäksen kanssa matemaattisen optimoinnin maailmanennätyksen. Optimoinnin kohteena olivat 47 vaikeinta ns. SMPTSP-ongelmaa, joihin alan huippututkijat ovat yrittäneet löytää yhä parempia ratkaisuja. Ongelma on julkaistu vuonna 2001. Aiemmin tänä vuonna (2020) belgialainen tutkimusryhmä julkaisi ratkaisumenetelmän, jolla 42 näistä onnistuttiin ratkaisemaan. Tätä aiempi ennätys oli vuonna 2014 julkaistun menetelmän saavuttama 40 ratkaisua.

Me löysimme Nicon kanssa ratkaisun 44 ongelmaan. Nämä kaikki ratkaisut ovat todistettavasti optimaalisia eli niitä parempia ei voi kukaan enää löytää. Erityisesti kahden ongelman osalta tilanne jää edelleen avoimeksi. On kuitenkin varsin luultavaa, että nykyistä parempia ratkaisuja ei niille ole mahdollista löytää.

Teimme maailmaennätyksen kahden laskennallisen älykkyyden algoritmin yhteistyönä. Ensimmäinen on Nicon käynnissä olevassa väitöskirjatutkimuksessaan kehittämä R&R-algoritmi ja toinen on PEASTP-algoritmi, jonka perusta luotiin omassa väitöskirjatutkimuksessani viime vuosituhannella (silloin kun olin nuori ja aivot vielä jotenkin toimivat), ja jota parannettiin Jari Kyngäksen väitöskirjatutkimuksessa. Olemme aiemmin saavuttaneet algoritmeillamme erinomaisia tieteellisiä ja tuotannollisia tuloksia mm. työvuorojen ja työvuororakenteiden optimoinnissa sekä ammattilaisliigojen otteluohjelmien optimoinnissa (mm. Jääkiekon SM‐liiga ja Australian Football League).

Suomalaisia (ja satakuntalaisia) syytetään usein siitä, että he eivät tarpeeksi kehu omia saavutuksiaan, joten jatketaan vielä.

Maailmanennätyksen arvoa nostaa se, että aiemmat ennätykset oli tehty teoreettisilla menetelmillä, jotka oli suunniteltu erityisesti kyseisen ongelman ratkaisemiseen. Nicon kanssa saavuttamamme tulokset tehtiin osana käytännön optimointiongelman ratkaisumenetelmän kehittämistä. SMPTSP-ongelmat ovat tämän käytännön ongelman tieteellisiä erikoistapauksia, joissa jopa tuhansia työtehtäviä pitää sijoittaa sadoille työntekijöille siten, että käytettävien työntekijöiden määrä tulee minimoida.

Käytännön ongelmassa työntekijät käyvät asiakkaiden luona suorittamassa aikaikkunaan sidottuja työtehtäviä, joissa tulee huomioida mm. työntekijöiden osaamiset ja valmiudet. Tavoitteena on muodostaa samaan aikaan sekä kustannustehokkaat että työntekijöiden ja asiakkaiden kannalta sopivat työvuororakenteet. Esimerkkejä tällaisesta työstä ovat kotihoitopalvelut, siivouspalvelut, vartiointipalvelut, asennuspalvelut, sanomalehtien jakelu ja jätehuolto.

**********

Laskennallinen älykkyys on tekoälyn muoto, jossa käytetään luonnosta inspiraationsa saaneita laskennallisia menetelmiä kuten evoluutioalgoritmeja, muurahaisalgoritmeja ja parvietsintää. Tällaisella tekoälyllä pyritään ratkaisemaan ihmisjärjen ulottumattomissa olevia erittäin monimutkaisia ongelmia, jotka vaativat tietokoneelta massiivista laskentatehoa.

Tekoälyn toisella ”kognitiivisella” muodolla ratkaistaan ongelmia, jotka vaativat kognitiivisia taitoja, korkeaa tajuntaa ja ymmärrystä, esimerkkeinä hahmontunnistus, konenäkö, puheentunnistus, päätöksenteko ja oppiminen. Näitä ongelmia ratkaistaan erityisesti neuroverkoilla.

Tekoäly ei itse asiassa ole älyä, vaan se on ohjelman suorittamista ja tämä ohjelma lienee suurin piirtein yhtä (teko)älykäs kuin sen algoritmin suunnitellut ja sen ohjelmakoodin kirjoittanut ihminen.