FORS and the Finnish Society of Automation will organize a joint seminar on November 3rd, 2020 14:00-18:00. The seminar discusses the role and opportunities of data and modeling in various parts of the health care system. The speakers represent both academic research and application in business and public service.
Due to the current COVID-19 pandemic, the seminar is organized as a webinar. All participants will receive webinar details shortly before the event. (This has changed from the original hybrid model idea. In short, now there will be no physical event. )
“System dynamics and design thinking as tools for making sense of complicated societal ecosystems” Peter Ylén, Principal Scientist/Team Leader, VTT
“Healthcare operations management – from data to knowledge” Toni Ruohonen, CEO, Synesa
“Combining register data and CGE modelling – pension, social and health care cost projections in the FINAGE model“ Juha Honkatukia, Research Manager, THL
“Automation on Biomedical Micro- and Nanodevices and their Applications” Pasi Kallio, Professor, Vice Dean for Research Faculty of Medicine and Health Technology, Tampere University
“Modelling population screening programmes – colorectal cancer screening in Finland” Ellie Dillon, doctoral candidate, Aalto University School of Business
“Optimizing epidemic control decisions with simulators – case COVID-19” Lauri Neuvonen, doctoral candidate, Aalto University School of Business
Timeline
14:00Welcome
14:10 OR person of theyear
14:15 ”System dynamics and design thinking as tools for making sense of complicated societal ecosystems” Peter Ylén, Principal Scientist/Team Leader, VTT
15:00 ”Healthcare operations management – from data to knowledge” Toni Ruohonen, CEO, Synesa
15:25 ”Combining register data and CGE modelling – pension, social and health care cost projections in the FINAGE model” JuhaHonkatukia, Research Manager, THL
15:50 Break
16:05 “Automation on Biomedical Micro- and Nanodevices and their Applications” Pasi Kallio, Professor, Vice Dean for Research Faculty of Medicine and Health Technology, Tampere University
16:30 “Modelling population screening programmes – colorectal cancer screening in Finland” Ellie Dillon, doctoral candidate, Aalto University School of Business
16:55“Optimizing epidemic control decisions with simulators – case COVID-19” Lauri Neuvonen, doctoral candidate, Aalto University School of Business
17:20PanelDiscussion
17:50 Closing
The seminar is organized as a webinar (details will be provided for participants prior to event). Participation is free.
Registration has ended. Queries and late registrations: sihteeri ät operaatiotutkimus.fi
Optimoinnin käytännön soveltamisessa tulee vastaan monia näkökulmia, joita akateemisella puolella ei välttämättä tule niin syvällisesti pohdittua. Tämä teksti on pieni sukellus monisyiseen aiheeseen, josta minulla on ollut ilo oppia paljon viimeisimmän kahden vuoden aikana optimointiin keskittyvän Weoptit Oy:n palveluksessa. Tekstissä tuon esiin tilannetta kentällä, käytännön haasteita, sekä nostan esiin tyypillisiä hyötyjä, joita optimoinnilla käytännössä voidaan hakea.
Operatiivisen toiminnan suunnittelu on eräs alamme perinteisistä kiinnostuksen kohteista. Yleisiä suunnitteluongelmia ovat esimerkiksi työntekijöiden työvuorolistojen suunnittelu, kuljetusajoneuvojen reitit, julkisen liikenteen aikataulut sekä tuotantolinjojen käyttö. Yhteistä näille ongelmille on suuri määrä päätösmuuttujia, rajoitusehtoja ja monitavoitteisuus.
Esimerkiksi 50 hengen työvuorolistan suunnittelu kolmen viikon jaksolle tarkoittaa yhteensä noin 750 työvuoron määrittämistä. Työvuorojen valinnassa tulee noudattaa esimerkiksi 30 eri sääntöä ja tasapainotella kymmenen eri tavoitteen välillä. Tavoitteita voivat olla vaikkapa palkkakustannusten minimointi ja työhyvinvoinnin maksimointi. Työhyvinvoinnin kannalta vuorolistaa voidaan arvioida esimerkiksi laskemalla, kuinka monta kertaa työntekijällä on perättäisinä päivinä aamuvuoro ja iltavuoro. Vuorotyypin vaihdos perättäisinä päivinä on tyypillisesti kuormittavaa. Vuorolistaa ei voi laatia ”myooppisesti” yksi valinta kerrallaan vaan se on rakennettava kokonaisuus huomioiden. Jos yhden henkilön vuorolistaa muutetaan, niin koko paketti voi mennä uusiksi.
Käytännössä matemaattisen optimoinnin hyödyntäminen on monilla aloilla ennemmin poikkeus kuin sääntö. Suunnittelijan apuna on tyypillisesti taulukkolaskentaohjelma tai suunnittelun avuksi laadittu ohjelmisto, joka pitää kirjaa, tarkistaa ihmisen laatiman suunnitelman ja pisteyttää sen. Ratkaiseva ero optimointia hyödyntävässä ohjelmistossa on sen kyky suosittaa käypää ja tavoitteiden kannalta hyvää ratkaisua. Optimoinnin vähäisen käytön taustalla on varmasti useita syitä, kuten laskentatehon vajavaisuus, puutteellinen data tai osaamisvaje.
Tilanne on kuitenkin muuttumassa vauhdilla. Oma tuntumani on, että kentällä kiinnostus optimointia kohtaan on hyvin suurta. Laskentateho on yhä harvemmin ongelmana. Yritykset ja muut organisaatiot ovat ottaneet harppauksia tiedonhallinnassa. Suunnitteluun vaadittavat tiedot ovat yhä harvemmin ainoastaan fyysisellä paperilla tai suunnittelijan päässä. Osaamisvaje kuroutuu umpeen esimerkiksi, kun yliopistokursseilla käytetään yhä useammin kaupallisia ratkaisimia, kuten Gurobi ja CPLEX, joilla kyetään ratkomaan realistisen kokoisia ongelmia näppärästi. Kentällä on yhä enemmän henkilöitä, joilla on kokemusta tuotantoon asti vietyjen ratkaisujen tuottamisesta.
Optimoinnin käyttöönottoon liittyy tietysti myös kaupallinen puolensa. Optimoinnin kehittäminen, käyttöönotto ja ylläpito on investointi, jonka tulee olla kannattava. Tällöin on tärkeää kyetä perustelemaan ja arvioimaan optimoinnin hyödyt. Ne voivat koostua esimerkiksi seuraavista tekijöistä:
Tuotoksen kohentuminen. Tuotos voi kohentua laadullisesti ja määrällisesti, kun resurssit ovat paremmin kohdennettu kannattavimpaan toimintaan. Käytännössä esimerkiksi asiakaspalvelija kohentaa asiakaspalvelun tasoa, mikäli hän on työpaikalla samaan aikaan kuin asiakaskin.
Säästöt operatiivisessa toiminnassa. Kustannukset vähentyvät, jos suunnittelulla kyetään vähentämään turhaa päällekkäisyyttä, tyhjäkäyntiä tai muuta hukkaa. Esimerkiksi lentoliikenteen työvuorosuunnittelussa voidaan pyrkiä vähentämään tilanteita, joissa kapteeni on omalle lennolleen siirtyäkseen kyydissä toisessa lentokoneessa.
Työhyvinvoinnin ja työn mielekkyyden parantaminen. Näitä voidaan optimoinnin avulla parantaa esimerkiksi paremmalla ergonomiatekijöiden ja työntekijöiden toiveiden huomioinnilla. Uudelleen järjestelemällä työvuoroja on mahdollista löytää kustannusten kannalta yhtä hyviä ratkaisuja, jotka ovat kuitenkin parempia työhyvinvoinnin kannalta. Toiveet hankaloittavat hyvän ratkaisun löytämistä, mutta optimoinnille tämä ei välttämättä ole ongelma.
Suunnitteluun kuluvan ajan vähentäminen. Suunnitteluun kuluva aika voi optimointia hyödynnettäessä olla murto-osa aiemmasta. Tämä vapauttaa suunnittelijoiden aikaa muihin tehtäviin tai mahdollistaa suunnittelijoiden määrän vähentämisen.
Suunnitelmien päivittäminen. Poikkeamatilanteiden ja yllätysten sattuessa optimointi voi mahdollistaa suunnitelman nopean uudelleenlaskennan. Tällaisia voivat olla esimerkiksi työntekijän sairastuminen, tai työn kysynnän äkillinen kasvaminen.
Ajantasaisimman tiedon käyttäminen. Suunnittelun nopeutuessa suunnittelun ajankohta voidaan siirtää lähemmäksi suunnitelmien julkaisupäivää. Tällöin voidaan hyödyntää ajantasaisempia ennusteita työntekijöiden käytettävyydestä ka työ ntarpeesta.
Skenaario- ja ”mitä jos”-analyysi. Vaihtoehtoisia suunnitelmia voidaan laatia erilaisilla painotuksilla tai oletuksilla. Näin voidaan tehdä suunnittelun trade-offeja läpinäkyväksi. Optimointi voi tehdä strategisen tason päätöksistä kuten jakelun aluejakojen määrittämisestä tai hankinnoista paremmin perusteltuja. Esimerkiksi voidaan kysyä ”kun kysyntä kasvaa, niin kumpi estää kysyntään vastaamista aikaisemmin tuotantolinjojen vai välivaraston kapasiteetti?”. Tämä on arvokas tieto kehitysinvestointeihin.
Käytännössä optimointitehtävän ratkaistavuus ja tulosten laatu validoidaan usein ns. “proof of concept” projektissa, jossa optimointimalli kehitetään ja sillä ajetaan tuloksia muutamalla datasetillä. Tämän jälkeen haasteena on optimoinnin integrointi operatiivisen toiminnan ohjauksen järjestelmiin, tai kokonaan uuden järjestelmän rakentaminen. Tämä onkin täysin oma aiheensa, jossa on huomioitava esimerkiksi käyttäjien lukumäärä sekä heidän tietonsa ja taitonsa, mutta siitä lisää toisessa kirjoituksessa…
IT-konsultointiyhtiö Visma Consultingin tytäryhtiö Weoptit Oy on Gurobin ensimmäinen Premier-tason kumppani Pohjoismaissa. Weoptit on optimointiratkaisujen toimittaja ja Gurobi puolestaan on maailman johtava optimointityökalujen kehittäjä.
Weoptit on optimointiratkaisuiden toimittaja, joka on tunnettu muun muassa innovaatioistaan reittioptimoinnin, logistiikan sekä tuotannon suunnittelun ja aikataulutuksen osalta. Weoptit liittyi osaksi Visma Consulting Oy:tä yrityskaupan yhteydessä vuonna 2018. Gurobi puolestaan on maailman johtava optimointityökalujen kehittäjä, jonka tuotteita käytetään laajasti maailman suurimmissa yrityksissä tukemaan päätöksentekoa monimutkaisissa liiketoiminnan ongelmissa. Muun muassa Microsoft, Ferrari ja Walmart ovat Gurobin asiakkaita. Gurobin merkittävin tuote on maailman nopein ja tehokkain geneerinen optimointimoottori, Gurobi Optimizer.
Weoptit Oy:n perustaja Olli Bräysy valittiin vuoden OR-henkilöksi vuonna 2013!
Weoptit on nyt valittu Gurobin ensimmäiseksi Premier-tason kumppaniksi Pohjoismaissa. Aiemmin Premier-tason kumppaneita on ollut maailmanlaajuisesti vain kahdeksan, joista kaksi Euroopassa. Premier-tason kumppanuus on osoitus vahvasta optimoinnin osaamisesta.
Optimointiteknologiasta on suurta hyötyä etenkin operatiivisen tason suunnitteluongelmissa, kuten vuorolistojen muodostamisessa, tuotannon aikataulutuksessa tai ajoneuvojen reittien määrittelyssä. Tämän kaltaisissa ongelmissa muuttujien sekä huomioitavien tekijöiden määrä on hyvin suuri, mikä tekee ongelmista erittäin haastavia. Tehokkaan optimointimoottorin avulla tietokoneen valmius tukea ihmistä monimutkaisissa suunnittelutehtävissä nousee täysin uudelle tasolle.
Perinteiset ohjelmistot jotka eivät hyödynnä optimointia, pystyvät tarkistamaan ja pisteyttämään ihmisen luomia suunnitelmia. Uuden sukupolven optimointiohjelmistot puolestaan mahdollistavat suosittelevan analytiikan hyödyntämisen. Ne kykenevät luomaan reunaehtojen puitteissa tavoitteiden kannalta optimoituja ehdotuksia.
”Kumppanuus alleviivaa sitä osaamiskeskittymää mikä Weoptitilla on. Käytämme Gurobia, koska meille tuloksen laatu on kaikki kaikessa. Jo muutaman prosenttiyksikön parannus tuloksen laadussa sekä optimoinnin nopeudessa saattaa tarkoittaa miljoonien eurojen säästöjä asiakkaillemme”, kertoo Joonas Ollila, Weoptit Oy:n toimitusjohtaja.
Gurobi Consulting Premier Partner -ohjelma Gurobi Optimization tuottaa maailman nopeinta ja tehokkainta matemaattisen optimoinnin ratkaisinta – Gurobi Optimizeria – jota käyttää johtavat kansainväliset yhtiöt yli 40 toimialalla ratkaisemaan monimutkaisia liiketoiminnan ongelmia ja tekemään automatisoituja päätöksiä jotka optimoivat näiden tehokkuuden sekä kannattavuuden. Gurobi Consulting Partner -ohjelma on suunniteltu vahvistamaan suhteita kumppanien, heidän asiakkaidensa sekä Gurobin välillä. Premier-kumppaneillamme on vahvat näytöt Gurobin käyttämisestä lukuisissa asiakasprojekteissa.
“Tutkimuksesi koskee maa- ja vesiekosysteemien kasvihuonekaasutaseita ja ainevirtoja (esim. hiili, typpi) erilaisilla alueellisilla tasoilla (intensiivipaikat, valuma-alueet ja laajemmat alueet). Tehtäviisi kuuluu tiedon kerääminen, tilastollisten ja prosessipohjaisten mallien soveltaminen ja kehittäminen sekä skenaarioanalyysi, mukaan lukien maankäytön ja ilmastonmuutoksen vaikutusten arviointi. Toimit yhteistyössä SYKEn ja muiden koti- ja ulkomaisten tutkimuslaitosten poikkitieteellisten ryhmien kanssa. Näiden tiimien kanssa kirjoitat tieteellisiä julkaisuja ja asiantuntijaraportteja. Edistät myös ulkopuolisen rahoituksen saamista ja johdat omia tutkimushankkeita ryhmämme kansainvälisessä tutkimusympäristössä. Lisäksi osallistut mallinnuksen kehittämiseen SYKEssä. Lopullinen tehtävänkuva määräytyy valittavan henkilön osaamisen ja kokemuksen perusteella. ” lue lisää
UPM is looking for a Senior Specialist, Advanced Process Control, Asset Management to work together with UPM Communication Papers to analyze and solve data-oriented business challenges with Advanced Process Controls (APC). They consider both junior candidates with good technical skills, or senior candidates with several years of relevant work experience. The position can be at any of UPM Communication Papers facilities in Finland or Germany. read more
Operaatiotutkimuksen (OR) menetelmät sopivat hyvin moniin sairaanhoidon- ja terveydenhuollon kysymyksiin. Niillä pystytään tuottamaan tietoa päätösten tueksi niin populaatiotason suurissa linjauksissa kuin yksittäisen hoitopäätöksenkin kohdalla arvioimalla sitä, mikä vaihtoehto, tai kokoelma vaihtoehdoista olisi mihinkin tilanteeseen paras.
Parannukset saatuun terveyshyötyyn per käytetty euro voivat myös nopeasti osoittautua hyvin tuottaviksi kansantaloudellisesti. Sairaanhoidon ja terveydenhuollon osuus BKT:sta on Suomessa n 7%, rahassa yli 15 mrd€. Yksi säästetty % siis vastaa 150m€ vuosittain. Näitä prosentteja löytyy mm. diabeteksen ja sydän- ja verisuonitautien ym. isojen kansantautien kuluista – ja nyt myös kiusallisen ilmiselvästi koronaviruksen kaltaisten pandemioidenhillitsemisestä . Haaste ei ole kuitenkaan helppo.
Operaatiotutkijalle tämä on huomattavan haastava ja palkitseva ongelmakenttä. Olen itse päässyt tutkimaan useita eri optimointi- ja simulaatiotekniikoita, laskennan tehostamista, rinnakkaislaskentaa, useita eri sairauksia ja niihin liittyviä hoito ja testausmenetelmiä ja ylipätään ymmärtämään paremmin, minkälaisia haasteita terveydenhuollon päätöksentekijät päivittäin kohtaavat.
Tässä kirjoituksessa yritän kuvata OR:n ongelmakenttää terveydenhuoltoon sovellettuna. Näkökulma on omasta työstäni johtuen optimointipainotteinen.
Mitä ominaispiirteitä terveydenhuollon ongelmilla on OR:n näkökulmasta?
Hieman karrikoiden:
Terveydenhuollon OR on monimutkaisten dynaamisten prosessien monitavoitteista optimointia resurssirajoitteella ja arvolatauksella.
Terveydenhuollon yksi peruskipupisteistä on rajatut resurssit. Jos valitsemme esimerkiksi yhdelle potilasryhmälle terveyden kannalta parhaan ja samalla eniten lääkärien aikaa kuluttavan vaihtoehdon, muiden kohdalla voimmekin joutua valitsemaan nopeamman mutta terveyden kannalta huonomman vaihtoehdon. “Parhaan ratkaisun” näkökulmasta nimenomaan resurssirajoite usein pakottaakin meidät valitsemaan hoitostrategian ‘kaikille ryhmille samalla kertaa’, mikä johtaa hyvin moneen erilaiseen strategiavaihtoehtoon. Esimerkiksi 5 ikäryhmää, 2 sukupuolta ja 5 vaihtoehtoa jokaiselle tuottaakin jo lähemmäs 10 miljoona mahdollista tapaa valita yksi vaihtoehto kullekin 10:lle ryhmälle!
Toinen terveydenhuollossa usein eteen tuleva haaste on se, että tavoitteita on yhtä aikaa monia: esimerkkinä toimikoon tavoiteltavien terveyshyötyjen maksimointi ja kustannusten minimointi samalla kertaa.
Näissä haasteissa OR tarjoaa avuksi mm. optimointimalleja, joiden avulla hyvin muotoiltu ongelma ratkeaa lähes nappia painamalla. Tuloksena on joko yksi (mallin mielestä) parhaimmaksi tunnistettu vaihtoehto tai joukko tehokkaita vaihtoehtoja, joiden välillä ei selkää paremmuusjärjestystä ole.
Potilastietokannat ovat täynnä dataa, joka kertoo mm. mikä hoito yleensä toimii, ja jota voidaan käyttää mallien parametrien estimointiin. Miksi nappia ei siis painella koko ajan? Piru lymyää yksityiskohdissa, ja sanoissa ‘hyvin muotoiltu ongelma’.
OR:n haasteet terveydenhuollossa
Ihmisten terveys on monimutkainen prosessi, jossa eri sairaudet kehittyvät eri tahtiin, vaikuttavat toisiinsa ja reagoivat hoitoihin mm. genetiikasta riippuen. Systeemien monimutkaisuus onkin johtanut monessa tapauksessa simulointimallien käyttöön optimoinnin sijaan. Optimointipuolella usein käytettyjä mallinnustekniikoita ovat Markov-päätösmallit (MDP, POMDP), joiden avulla voidaan mallintaa terveydentilan muutoksia ja terveystiedon epätäsmällisyyttä.
Systeemien monimutkaisuuden lisäksi sairaanhoidon ja terveydenhuollon kysymyksiin liittyy usein huomattava määrä erilaisia kimurantteja näkökulmia, kuten terveyshyötyjen mittaaminen, niiden vertailu kustannuksiin, datan sovellettavuus juuri käsillä olevaan ongelmaan, päätöksentekijöiden (mm. lääkärit, poliitikot) erilaiset tavoitteet ja reunaehdot, joita ei vielä olla mietitty kovin yksityiskohtaisesti.
Suurin haaste ei siis välttämättä ole matemaattinen, laskennallinen tai tulosten tulkinta vaan kysymyksen asettelu ja muotoilu tarpeeksi täsmällisesti. Tämä vaatii väistämättä terveydenhuollon ammattilaisten ja OR-asiantuntijoiden yhteistyötä. Teknisiä haasteita riittää myös: miten esimerkiksi yhdistää monimutkaiset simulaatiomallit optimointialgoritmeihin niin, että tehtävä säilyy laskennallisesti ratkaistavana?
OR:n hyödyt terveydenhuollossa
Entistä parempien testaus-, hoito- ja resurssiallokaatiostrategioiden lisäksi näiden ongelmien ratkominen voi olla hyvin opettavaista henkilötasolla. Operaatiotutkijan ongelmien monimuotoisuus pakottaa kehittämään mallinnusajatteluaan, terveydenhuollon ammattilainen puolestaan joutuu purkaamaan oman tai kollegoidensa toiminnan osiin, pohtimaan miksi he mitäkin tekevät ja kohtaamaan myös omat oletuksensa ja mahdollisen täsmällisen tiedon puutteen omasta ongelmastaan.
Terveydenhuollon kokoluokka ja suorat vaikutukset ihmisten hyvinvointiin tekevät siitä yhden potentiaalisesti merkittävimmistä ja samalla haastavimmista hyödyntämiskohteista. OR-mallien ja algoritmien antamat tulokset eivät kuitenkaan usein ole lopullinen vastaus päätöksentekijän haasteisiin. Yllä kuvatut ominaisuudet johtavat usein siihen, että tehokkaita tai yhtä hyviä vaihtoehtoja on useita, ja ne täytyy asettaa jonkinlaiseen järjestykseen mallin ulkopuolisin kriteerein. Miten esimerkiksi toimimme tilanteessa, jossa mallii antaa kaksi tehokasta vaihtoehtoa, joista toisessa ryhmä 1 saa paremmat palvelut, ja toisessa ryhmä 2? Edessä on arvovalinta, joka on päätöksentekijän tehtävä, eikä malli ota siihen kantaa.
Eksaktin ja selkeän vastauksen puute ei tarkoita, että malli olisi ollut hyödytön. Se on voinut tehdä näkyväksi hankalan priorisointiongelman, johon vastaus täytyy kaivaa loppuviimein päätöksentekijän arvoista tai mallin ulkopuolisista preferensseistä. Mallin avulla on myös mahdollisesti saatu karsittua vaihtoehdoista tehottomat pois, joten päätöksentekijän tehtävä on tässä mielessä selkeämpi. Ilman malliakin priorisointi olisi tehty, tai ehkä oikeammin tapahtunut huomaamatta – mallin ansiosta se voidaan tehdä tietoisesti ja seuraukset ymmärtäen. Tällöin myös päätösten perustelu on läpinäkyvämpää ja kestävämmällä pohjalla.
Aihepiirin tärkeys huomioiden näkisin mielelläni mahdollisimman paljon OR:n soveltamista terveydenhuollon käytännön päätöksentekotyössä!
Following the EURO 2018 Women in Science and EURO 2019 Women in OR sessions, interested members of the OR community are working with the EURO Executive Committee on an initiative to create the EURO WISDOM Forum (Women In Society: Doing Operational Research and Management Science).
This initiative restates the need for gender main-streaming and affirms that OR/MS can offer exciting opportunities for all women if they have equal access to resources and adequate training. Gender main-streaming aims to integrate a gender dimension into existing institutions and practices in order to achieve meaningful gender equality.
WISDOM is a forum to support, empower, and encourage the participation of all genders in OR/MS within EURO. In particular, it aims to promote inclusivity by the following actions:1. Advise/make recommendations/highlight best practices to the EURO executive on issues facing women in OR. Such guidelines can be disseminated to EURO member societies and Working Groups. Positive progress, outcomes and activities of member societies can serve as a template for other member societies;2. Promote championing, networking and mentoring, particularly of women at the early stages of their career in OR;3. Promote a conversation around how OR can be utilised to help create a diverse and inclusive future.
In January 2020, all EURO member societies were invited to nominate one or two members to participate in establishing the EURO WISDOM Forum. At the moment, the WISDOM Forum organising committee (OC) includes 21 members from 10 European OR societies including two EURO representatives, the EURO Vice Presidents Julia Bennell and Claudia Archetti. The chair of the WISDOM OC is Paula Carroll and the Secretary is Annunziata Esposito Amideo, both from the University College Dublin, Ireland.
The WISDOM Forum will operate through three subcommittees focusing on Research, Events and Public Relations (PR). The subcommittees chairs are: Research : Paula Carroll, Events : Renata Mansini (University of Brescia ,Italy), and PR: Tatiana Tchemisova (University of Aveiro, Portugal).
Our first event is a webinar on “Bias/Fairness and Artificial Intelligence”. You can register for the webinar and subscribe to WISDOM Forum updates by emailing WISDOM@euro-online.org. Webinar Format* Expert panellists explains data bias in their respective disciplines and application areas (~10/15 minutes each);* Roundtable discussion with audience participation (~15 minutes). Panellists
Prof Alan Smeaton is Professor of Computing at Dublin City University, Ireland and a Founding Director of the Insight Centre for Data Analytics at DCU. He will speak on Data bias in automatic image and video captioning and its impact. For more information about Alan see https://www.computing.dcu.ie/~asmeaton/
Dr Claire Gormley is an Associate Professor in the School of Mathematics and Statistics in University College Dublin, Ireland and a Funded Investigator in the Insight Centre for Data Analytics and the VistaMilk research centre. Her research develops novel statistical methods for the analysis of complex data arising from substantive problems. The methods solve applied problems across a range of disciplines, including epigenetics, metabolomics, genomics, social science, sports science and political science. She will speak on Be fair to the models: the importance of assumptions in data analytics and modelling. For more information about Claire see https://people.ucd.ie/claire.gormley;
Dr Fintan Costello, is an Associate Professor in the School of Computer Science, University College Dublin, Ireland. His research interests cover a number of different areas in computer science, psychology and maths. His main interests are: biases in human reasoning and decision making; processes of rational inference in cognition; the origins of bias and rationality in human thought; computational models of probabilistic reasoning; computational models of decision making. He will speak on Bias and rationality in human reasoning (and why the same biases apply to AI). For more information about Fintan see https://people.ucd.ie/fintan.costello.
Dr Susan Leavy is an Assistant Professor in the School of Information and Communication Studies, University College Dublin, Ireland with research interests in artificial intelligence and digital policy, developing interdisciplinary frameworks for the governance and regulation of machine learning algorithms. She will speak on Gender bias and Artificial Intelligence. For more information about Susan see https://people.ucd.ie/susan.leavy
FacilitatorDr Paula Carroll, UCD, Chair WISDOM Forum
Relaying the following communication from Dimitris Bertsimas (MIT) & Dick den Hertog (Tilburg University)
Dear all,
COVID-19 is one of the big challenges our society is facing nowadays, and there are many more. We believe that Analytics can be of much value to improve our world. It is encouraging to see that more and more (especially young) Analytics researchers are enthusiastic to use Analytics to make this world a better place. Analytics has, e.g., already contributed significantly to the Sustainable Development Goals of the United Nations.
To make these contributions of Analytics for a Better World more visible, and to stimulate research in this area, we have started a new initiative: “Analytics for a Better World Webinars (ABW-W)”. Every month we will organize one webinar (most probably via Zoom) on a high societal impact Analytics project. The focus of the webinars is not on theoretical innovation, but on impact. These webinars will be recorded, and the videos can be used in your Analytics courses.
The first speaker is Prof. Dimitris Bertsimas (MIT, Cambridge) who will present the ongoing work of his group of 20+ PhD and Master students and colleagues at MIT (http://www.covidanalytics.io/team) on a variety of aspects of COVID-19 as detailed in covidanalytics.io. The website contains many downloadable models and data.
2) a new machine learning model (based on optimal classification trees) for predicting mortality using data from an Italian hospital from Cremona Italy detailed in http://www.covidanalytics.io/risk_calculator. Depending on progress he will discuss how to prioritize patients to use ICUs to save more lives.
The emphasis of this work has been rapid prototyping and implementation. This talk also represents an invitation to researchers around the world to contribute with ideas and analyses of their own in a collaborative spirit with the objective to address this pandemic using analytics.
The precise date and especially the time, depends on the geographical locations of the participants, and will be determined later.
Project description Sweden aims to transition to carbon neutrality by 2045 by relying on a 100 % renewable power system. Such a system will include more variable renewable energy sources, such as solar and wind power, and will function differently than the present one due to intermittency. In particular, flexible producers, e.g., hydropower plants, and the transmission network will become more important in balancing the system. This enhanced leverage for flexible producers increases their potential for market power and thwarts society’s objectives.
This project will develop game-theoretic models adapted to the Nordic power system both to identify such conflicts and to propose proactive mechanisms to mitigate their welfare losses. The ideal candidate should have a background in a quantitative subject, e.g., economics, operations research, or systems analysis, with programming and data-handling experience. Knowledge of electricity markets, energy policy, and environmental issues is also desirable.
Ilmatieteen laitoksen Sään ja ilmastonmuutoksen vaikutustutkimus -yksikkö hakee ryhmäpäällikköä Ilmastonmuutos ja yhteiskunta -ryhmään 1.5.2020 alkaen, organisaatiokauden 31.12.2021 loppuun asti.
