Machine Insight for Behavioral Analytics

Project Details

Description

Datalähtöisen bisneksen tueksi tarvitaan uudenlaisia tekoälyratkaisuja. Vaikka kiinnostus tekoälyyn on suomalaisessa yrityskentässä vahvassa nousussa, nykyiset sovellukset perustuvat valmiiseen koneoppimisratkaisuihin, jotka eivät vastaa yritysten tarpeita ja kyvykkyyksiä. Esimerkiksi digitaalisessa kaupankäynnissä käytetään erilaisia luokittelu- ja suosittelualgoritmeja ja A/B-testausta, sekä datan visualisointityökaluja. Nämä ratkaisut ovat tehottomia erityisesti pienille yrityksille, sillä (a) ne edellyttävät suuria opetusaineistoja tai kalliita testausjaksoja (A/B-testaus), (b) eivät hyödynnä yritysten sovellusasiantuntemusta, ja (c) edellyttävät merkittävää asiantuntijoiden panosta tulosten tulkinnassa sillä mallit tuottavat ennusteita eivätkä edes pyri selittämään miksi käyttäjät toimivat siten kuin toimivat. Tämä on tehotonta sekä kehitystyön että datan hyödyntämisen näkökulmasta. MINERAL tuottaa käytännöllisiä työkaluja kuluttaja-analytiikan mullistukseen, luomalla vahvoja tekoälyratkaisuja yhdistämällä kognitiotieteen käyttäytymismalleja todennäköisyyspohjaiseen koneoppimiseen. Tämä tieteellisesti uusi ja kunnianhimoinen lähestymistapa tarjoaa mahdollisuuden kehittää data-tehokkaasti malleja jotka osaavat tuottaa ihmisen ymmärrettäviä tulkintoja ja mahdollistavat yrityksen sovellusosaamisen integroimisen osaksi mallia. Tämä laskee kehityskustannuksia ja tarjoaa suomalaisille yrityksille kilpailuedun lisäämällä ymmärrystä käyttäjien käytöksen syistä.
AcronymMINERAL
StatusFinished
Effective start/end date01/06/201931/05/2022

Fingerprint

Explore the research topics touched on by this project. These labels are generated based on the underlying awards/grants. Together they form a unique fingerprint.
  • Fragmented Visual Attention in Web Browsing: Weibull Analysis of Item Visit Times

    Putkonen, A., Nioche, A., Laine, M., Kuuramo, C. & Oulasvirta, A., 2023, Advances in Information Retrieval - 45th European Conference on Information Retrieval, ECIR 2023, Proceedings. Kamps, J., Goeuriot, L., Crestani, F., Maistro, M., Joho, H., Davis, B., Gurrin, C., Caputo, A. & Kruschwitz, U. (eds.). Springer, p. 62-78 17 p. (Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics); vol. 13981 LNCS).

    Research output: Chapter in Book/Report/Conference proceedingConference article in proceedingsScientificpeer-review

    Open Access
    File
    3 Citations (Scopus)
    61 Downloads (Pure)
  • How Suitable Is Your Naturalistic Dataset for Theory-based User Modeling?

    Putkonen, A., Nioche, A., Tanskanen, V., Klami, A. & Oulasvirta, A., 7 Apr 2022, UMAP2022 - Proceedings of the 30th ACM Conference on User Modeling, Adaptation and Personalization. ACM, p. 179-190 12 p. (UMAP2022 - Proceedings of the 30th ACM Conference on User Modeling, Adaptation and Personalization).

    Research output: Chapter in Book/Report/Conference proceedingConference article in proceedingsScientificpeer-review

    Open Access
    File
    2 Citations (Scopus)
    74 Downloads (Pure)
  • Modeling Risky Choices in Unknown Environments

    Tanskanen, V., Rajani, C., Afrabandpey, H., Putkonen, A., Nioche, A. & Klami, A., 1 May 2021, Proceedings of The 13th Asian Conference on Machine Learning. Balasubramanian, V. N. & Tsang, I. (eds.). JMLR, Vol. 157. p. 1081-1096 16 p. (Proceedings of Machine Learning Research; vol. 157).

    Research output: Chapter in Book/Report/Conference proceedingConference article in proceedingsScientificpeer-review

    Open Access
    File
    56 Downloads (Pure)