Ennustavat koneoppimismallit työvuorosuunnittelun tukena

analytiikka tekoäly koneoppiminen datan hyödyntäminen

Tiimityötä tietokoneilla

Tekoäly avaa uusia mahdollisuuksia lähes kaikkialla arjessamme. Esittelemme tässä blogissa, kuinka koneoppimista voidaan hyödyntää työvuorosuunnittelussa ja mitä näkökulmia pitää huomioida ennen tällaisen tekoälyprojektin aloittamista.

Työvuorosuunnittelua tehdään monenlaisissa yrityksissä ja organisaatioissa. Työvuorosuunnittelussa huomioitavat asiat ovat paljolti tapauskohtaista, mutta tyypillisesti näihin kuuluvat työaikalait ja lomapäivät, erilaiset palkitsemistavat (esimerkiksi yövuorolisä), henkilöstön osaamisprofiilit, henkilöstön mahdollisuus vaikuttaa omiin vuoroihin sekä liiketoiminnan tekeminen tehokkaasti. Henkilöstön kasvaessa mahdollisten erilaisten työvuoroyhdistelmien määrä kasvaa hyvin suureksi, mikä vaikeuttaa parhaan mahdollisen vuorosuunnitelman löytämistä.

Tämän takia on luonnollista tehdä vuorosuunnittelua tietokoneavusteisesti, sillä tietokone voi käydä läpi paljon enemmän vuorosuunnitelmavaihtoehtoja kuin ihminen. Tällöin on helpompi löytää vuorosuunnitelmia, jotka eivät vain ole tyydyttäviä, vaan toimivat paremmin sekä liiketoiminnallisen tuloksen että henkilöstön tyytyväisyyden kannalta.

Hyvin tavallisesti ongelmaa lähestytään käyttäen matemaattisen optimoinnin menetelmiä. Näiden menetelmien soveltamiseksi vuorosuunnitteluongelma tulee muotoilla hyvin tarkasti määrittelemällä rajoitteita (kuten työaikalakien mukaiset työajat), joita ei saa rikkoa, sekä jokin arvo, jota halutaan joko minimoida (esim. työtehtäviin kuluva kokonaisaika) tai maksimoida (esim. resurssien tehokas käyttö)

Lue myös blogi: Datan visualisointi tukee arjen johtamista sosiaali- ja terveydenhuollossa

Ennustettavuus avaa uusia mahdollisuuksia

Vuorosuunnitteluun kuuluu myös piirre, jota vakiintuneiden toimintatapojen vallitessa ei aina osata tarkastella avoimin silmin: kuinka paljon varsinaista työntekoa sisältyy työvuoroon? Kysymyksestä tulee relevantti niissä tilanteissa, joissa työvuoroon ei kuulu paljon kiinteitä ennakkoon tiedettyjä tehtäviä, vaan vuoron työkuorman suuruuteen liittyy paljon epävarmuutta. Yksi esimerkki tällaisesta tilanteesta on huoltohenkilökunta, jonka työnkuva on korjata työvuoron aikana yllättäen rikki menevät laitteet. Oleellista työvuorosuunnittelun kannalta on, että vuoron työkuormaa ei tiedetä täysin sillä hetkellä, kun työvuorosuunnitelman pitää olla valmis. Usein työvuorosuunnitelmia tehdään eteenpäin useiksi viikoiksi tai kuukausiksi kerrallaan.

Jos edellä kuvatun kaltaisissa tilanteissa vuorojen työkuormassa on paljon vaihtelua, eli on sekä kiireisiä että hiljaisia vuoroja, on tavallista pitää useaa henkilöä vuorossa varmuuden vuoksi. Jos kuitenkin vuoroihin kohdistuvaa työkuormaa olisi mahdollista ennustaa tarpeeksi ajoissa, se antaisi paljon uusia mahdollisuuksia työvuorosuunnitelman laadintaan.

Data suunnittelun avuksi ohjatulla koneoppimisella

Ennustamiseen tulee avuksi ohjattu koneoppiminen. Ohjattua koneoppimista voidaan soveltaa tilanteessa, jossa pyritään arvioimaan tai ennustamaan jonkin kohdemuuttujan arvoa käyttäen valikoitua joukkoa selittäviä muuttujia. Koneoppimisen hyödyntämiseksi tulee olla käytettävissä historiallista dataa sekä kohdemuuttujista että selittävistä muuttujista. Datan avulla koneoppimismalli pyrkii löytämään säännönmukaisuuksia siitä, miten selittävien muuttujien arvot liittyvät kohdemuuttujan arvoon.

Työvuorosuunnittelun kontekstissa kohdemuuttuja voisi olla yksittäisen työvuoron työkuorma. Selittävät muuttujat puolestaan riippuvat paljon tilanteesta, mutta lähtökohtaisesti kannattaa ottaa tarkasteluun mukaan kaikki sellaiset tekijät, joista on saatavilla dataa ja jotka edes periaatteessa voisivat liittyä työkuorman suuruuteen. Selittävät muuttujat voivat vaihdella vuoron tyypistä (kuten päivävuoro vai iltavuoro) säätilaan (esimerkiksi jos lämpötila vaikuttaa laitteiden rikkoutumiseen). Tarkasteluun otettavat muuttujat valitaan usein työvuorosuunnittelijoiden ja muiden asiantuntijoiden välisellä yhteistyöllä.

Ohjattua koneoppimista käytettäessä saatavilla oleva data jaetaan kahteen erilliseen ryhmään: koulutusdataan ja testidataan. Ideana on, että koulutusdatan avulla koneoppimismalli oppii tekemään ennusteita ja testidatalla puolestaan tarkastetaan, kuinka hyvin ennusteet osuvat oikeaan. Tämän prosessin tarkoitus on varmistua siitä, että koneoppimismallin tuottamat ennusteet ovat niin tarkkoja, että niiden pohjalle kannattaa tehdä työvuorosuunnittelua.

Lue myös blogi: Päättäjän muistilista tekoälyavusteiseen päätöksentekoon

Onnistuneen mallinnustyön askeleet

Parhaimmillaan koneoppimisen soveltamista voidaan kokeilla hyvin suoraviivaisesti: 1. Selvitetään saatavilla oleva relevantti data ja tuodaan se yhteen. 2. Koulutetaan koneoppimismalleja. 3. Tutkitaan mallien tuottamien ennusteiden tarkkuutta. Jos alustavat tulokset eivät vaikuta lupaavilta, eikä selviä tapoja parantaa ennustetta löydetä, voidaan kokeilu päättää lyhyeen.

Seuraavat haasteet voivat vaikeuttaa mallinnustyötä:

  1. Koneoppimisen soveltamisen mielekkyys perustuu siihen, että työkuorma voidaan määritellä riittävän yksikäsitteisesti. Helpointa olisi, että työkuorma voitaisiin kiteyttää johonkin yksittäiseen lukuun. Aina tällaista lukua ei ole kuitenkaan helppo määrittää. Tästä yksinkertainen esimerkki on työvuorot, joihin sisältyy useita erilaisia tehtäviä. Vaikka teknisesti olisi mahdollista ennustaa erikseen erilaisten tehtävien muodostamat työkuormat, voisi silloinkin kokonaiskuormittavuuden määrittäminen olla epäselvää.
  2. Vaikka työkuorma saataisiin määriteltyä hyvin, on mahdollista, että määritelmän mukaisesta kuormasta ei ole olemassa luotettavaa dataa. Tällaisesta tilanteesta esimerkki voisi olla laitteita huoltava henkilöstö, jonka työkuorma koostuu huoltoon kuluvasta kokonaisajasta, mutta tästä ajasta ei ole saatavilla dataa. Jos on saatavilla jotakin muuta dataa, joka liittyy työkuormaan, mutta ei täysin vastaa määritelmää (esimerkkinä rikkoutuneiden laitteiden määrä vs. huoltoihin kuluva aika), niin mallintaminen on mahdollista, mutta sen hyödyllisyyttä voi joutua punnitsemaan tarkkaan.
  3. Voi käydä niin, että selittävistä muuttujista ei ole saatavilla luotettavaa dataa koko työvuorosuunnittelukaudelle (esimerkki tällaisesta muuttujasta on säätila). Jos dataa on paremmin saatavissa lähitulevaisuudesta, voi olla mahdollista tehdä osittaisratkaisu, jossa työkuormaa ennustetaan ainoastaan työvuorosuunnittelukauden alkupään vuoroille.

Tekoäly yksin ei ratkaise ongelmia

Haasteet eivät välttämättä lopu edes onnistuneeseen mallinnukseen, sillä tuloksia on käytettävä hyödyllisesti. Lähtökohtaisesti on oletettava, että koneoppimismallit eivät anna täydellisiä tuloksia, mikä tarkoittaa mahdollisten riskien kartoittamista, ja riittävän varmuusvaran sisällyttämistä työvuoroihin. Mallinnuksen tuottaneilla asiantuntijoilla on tärkeä rooli siinä, että mahdolliset riskit ja epävarmuudet viestitään riittävällä selkeydellä, jotta tuloksiin perustuva hyvä päätöksenteko olisi mahdollista.

Lue myös blogi: AI ja etiikka – mitä pitää ottaa huomioon?

Työvuorosuunnittelun tekeminen tietokoneavusteisesti ei kuitenkaan tarkoita, että suunnittelussa ei otettaisi huomioon henkilöstön hyvinvointia, toiveita, tai muita inhimillisiä tekijöitä. Matemaattisen optimoinnin tapauksessa on mahdollista tuottaa vain sellaisia vuorosuunnitelmia, jossa työajat eivät ole liian pitkiä ja vuoroja ei ole liian usein. On myös mahdollista pyytää toiveita henkilöstöltä työvuoroajankohdista, jolloin optimointia tehdessä pyrittäisiin myös nämä toiveet ottamaan huomioon. Yksittäisen henkilön työkuormaa ennakoidessa pitää myös huomioida vuorojen kuormittavuus ja työntekijän työssä jaksaminen.

Tietokoneet, tekoälymenetelmät, yms. ovat hyviä työkaluja työvuorosuunnitteluun, mutta vastuu niiden käyttämisestä on aina ihmisillä.

New call-to-action


analytiikka   tekoäly   koneoppiminen   datan hyödyntäminen

Tilaa blogikirjoitukset sähköpostiisi


Sinua voisi myös kiinnostaa