Yhdysvaltalainen huippututkija, datavuomallinnuksen asiantuntija, professori Shuvra S. Bhattacharyya Marylandin yliopistosta vieraili alkusyksystä yliopistollamme.
1980-luvun lopulta lähtien professori Bhattacharyya on keskittynyt tutkimuksissaan tietoteknisten järjestelmien mallintamiseen. Hän on tutkinut niin pienimuotoisten digitaalisten piirien toimintaa kuin kokonaisia suuren mittakaavan järjestelmiä. Bhattacharyyan kehittämät formaalit (muodolliset) mallit tarjoavat järjestelmällisen ja yksinkertaistetun esitystavan monimutkaisille kokonaisuuksille, mikä helpottaa mallien tarkastelua. Bhattacharyya on julkaissut yhteistyökumppaneineen yli 300 tieteellistä artikkelia ja kirjoittanut seitsemän kirjaa.
Formaalin datavuomallinnuksen kehittäjä
Työuransa aikana Bhattacharyya on vienyt eteenpäin etenkin datavuomalleja, jotka ovat tulleet tunnetuiksi datan liikkumisen ja käsittelyn havainnollistamisessa. Yleisesti syy-seuraussuhteiden kuvaamiseen käytetty vuokaavio on yksinkertainen esimerkki datavuomallista. Datavuomallien formaali määrittely mahdollistaa kuitenkin paljon enemmän kuin datan käsittelyn syy-seuraussuhteiden kuvaamisen kollegalle. Sopivan lisäinformaation avulla yksinkertaisesta kaaviosta saadaan automaattisesti tuotettua toimivia tietokoneohjelmia yhteen tai useampaan järjestelmään. Tämän kaltainen ohjelmistotuotannon automatisointi mahdollistaa useampien erilaisten toteutusvaihtoehtojen läpikäymistä lyhyessä ajassa, ja toisaalta korkea automaation aste vähentää ohjelmoinnissa tapahtuvien inhimillisten virheiden määrää.
Tieteessä ja tekniikassa datavuomalleja on hyödynnetty jo kymmenien vuosien ajan digitaalisten mikropiirien ja rinnakkaisten tietokoneiden toiminnan kuvaamiseen, analysointiin ja tuotannon automaatioon. Näissä käyttötarkoituksissa järjestelmän datavuokaavio kuvaa ja mallintaa yhtäaikaisia (rinnakkaisia) datan liikkeitä ja käsittelytapahtumia – sellaiseen eivät ihmisen kyvyt eivät riitä ainakaan silloin, jos kyseessä ovat laajat mallit. Datavuomallien viimeaikaisia menestystarinoita ovat olleet neuroverkkomallit, joihin datavuomallinnus sopii erinomaisesti. Muun muassa Googlen laajasti käyttämä neuroverkko-ohjelmisto TensorFlow toimii pohjimmiltaan datavuomallin päällä.
Datavuomallin hyödyntäminen tehtaiden toiminnassa
Vaasan-vierailunsa aikana Prof. Bhattacharyya piti luennon aiheesta ”Industrial communication networks” (teollisuuden tiedonsiirtojärjestelmät), joka pohjautui hänen viimeaikaisiin datavuomallien sovelluksiinsa. Yhteistyössä Yhdysvaltain kansallisen standardi- ja teknologiainstituutin (NIST) kanssa tekemässään tutkimuksessa Bhattacharyyan tutkimusryhmä on soveltanut datavuomalleja automatisoitujen tehtaiden toiminnan mallintamiseen.
Datavuomallinnus soveltuu monin tavoin tehtaiden toiminnan mallintamiseen. Bhattacharyyan esitelmä Vaasassa keskittyi erityisesti tehtaissa toimivien langattomien tiedonsiirtoverkkojen optimointiin datavuomallia hyödyntämällä. Tulevaisuudessa malliin mahdollisesti sisällytetään myös tuotantojärjestelmien paikkatietoa, mikä autonomisten järjestelmien aikakaudella edesauttaa tehtaan toiminnan analysointia ja optimointia jo suunnitteluvaiheessa.
Tällä hetkellä Vaasan yliopisto toimii yhteistyössä Bhattacharyyan tutkimusryhmän kanssa neuroverkkolaskennan tutkimuksen parissa. Vuoden alussa yhteistyönä julkaistussa tieteellisessä lehtiartikkelissa [1] datavuomalleja käytetään mm. neuroverkkoihin liittyvän laskennan rinnakkaistamiseen ja optimointiin. Hiljattain tätä työtä laajennettiin koskemaan useammalle tietokoneelle hajautettuja neuroverkkoja [2], mikä osaltaan tuo esiin, että datavuopohjaiset menetelmän taipuvat monenlaisiin käyttötarkoituksiin ja pysyvät ajankohtaisina vuosikymmenestä toiseen.
Kirjoittaja työskentelee apulaisprofessorina (tenure track) Tekniikan ja innovaatiojohtamisen yksikössä sekä Digital Economy -tutkimusalustalla.
[1] Boutellier, J., Ma, Y., Wu, J., Khan, M., & Bhattacharyya, S. S. (2022). VR-PRUNE: Decidable Variable-Rate Dataflow for Signal Processing Systems. IEEE Transactions on Signal Processing, 70, 1819-1833.
[2] Boutellier, J., Tan, B., & Nurmi, J. (2022). Fault-Tolerant Collaborative Inference through the Edge-PRUNE Framework. 39th International Conference on Machine Learning workshop on Dynamic Neural Networks.
