Siirry sisältöön
Liiketoiminta
Tekoälyratkaisut liiketoiminnan muutoksen tukena

Kun lainsäädäntö kiristyi vuosien 2021-22 aikana, myös Mediq Suomi Oy:n toiminnassa keskeinen käytännön tarkastusprosessi monimutkaistui. Tarkastuksen nopeuttamiseksi AI-TIE-kiihdyttämössä ei löydetty muuta keinoa kuin uuden tarkastukseen soveltuvan teknologian kehittäminen.

Kirjoittajat:

Janne Kauttonen

senior researcher
Haaga-Helia ammattikorkeakoulu

Juhana Karjalainen

Mediq Suomi Oy

Julkaistu : 16.06.2023

Monet toimialat ovat lainsäädännön näkökulmasta erityisasemassa ja tiukemman valvonnan alla verrattuna muihin. Tällöin liiketoiminta on sovitettava tiukkoihin reunaehtoihin ja yrityksen kulurakenne sen mukaisesti. Terveydenhuollon välineiden valmistus ja myynti ovat tästä tyypillinen esimerkki.

Jos säädökset muuttuvat merkittävästi ja erityisesti niin, että vaatimukset kiristyvät, alan yritysten on sopeuduttava tilanteeseen nopeasti säilyttääkseen kilpailukykynsä. Yrityksen kannalta tämä tarkoittaa omien toimintojen ja kulurakenteen kriittistä tarkastelua ja kehittämistä. Tämä oli tilanne myös Mediq Suomi Oy:ssä, kun EU:n lainsäädäntö muuttui ja toi mukanaan huomattavia tiukennuksia laboratoriotuotteisiin liittyviin säädöksiin vuodesta 2021 alkaen.

Mediq myy terveydenhuollon laitteita ja tarvikkeita sekä niihin liittyviä palveluita. Mediq Suomen Erityinen osaamis- ja panostusalue on sairaalahoidon tuotteet ja ratkaisut. He toimittavat kaikki hoitotyössä tarvittavat tuotteet, eli yrityksen tuotekatalogi kattaa tuhansia yksittäisiä tuotteita ja satoja valmistajia.

Haasteena manuaalinen lähetysten tarkastustyö

Tuotteiden maahantuonti, varastointi ja lähetys asiakkaille ovat Mediq:n ydinliiketoimintaa. Tämä sisältää monia erilaisia työvaiheita, jossa varastotyöntekijät käsittelevät ja tarkastavat tavaratoimituksia. Erityinen tarkkuutta ja työntekijän aikaa vievä työvaihe on pakkausten tietojen ja erityisten niissä olevien tuotekorttien ja tunnusten tarkastus. Liitteessä 1 on esimerkki tuotekortista.

Prosessi sisältää tietojen vertailua tietokantaan ja listojen läpikäyntiä. Tarkastukset tehdään MDR ja IVDR asetusten mukaisesti, jotka määrittävät mitä tietoja pakkauksista on löydyttävä. Nämä asetukset määrittävät tarkastuksen kulun ja erityisesti näitä koskeva lainsäädäntö kiristyi vuosien 2021-22 aikana, jolloin myös käytännön tarkastusprosessi monimutkaistui. Tämä tarkoitti sitä, että tavaroiden tarkastuksen kesto kasvoi huomattavasti ja vastaavasti tavaroiden toimitus asiakkaille hidastui.

Manuaalinen tietojen tarkastusprosessi koettiin työntekijöiden taholta raskaaksi ja paljon aikaa vieväksi työvaiheeksi. Ihmisen tekemänä monotoninen tarkastustyö on myös virhealtista. Eli työn tehokkuuden ja laadun ohella, kyseessä oli myös selvästi työntekijöiden työhyvinvointiin liittyvä asia.

Automaatio konenäköratkaisun avulla

Tarkastuksen nopeuttamiseksi ei löydetty muuta keinoa kuin uuden tarkastukseen soveltuvan teknologian kehittäminen. Tuotekorttien tietojen automaattinen tarkastus osuu konenäön sovellusten piiriin.

Eli käytännössä varastotyöntekijä voisi ottaa pakkauksesta ja pakkausmerkinnöistä kuvia, jotka analysoidaan konenäön avulla. Valokuvan informaatio siirretään rakenteelliseen muotoon, jonka jälkeen sitä voidaan verrata tietokantaan ja varmistetaan että tarvittavat pakkausmerkinnät löytyvät ja tiedot täsmäävät. Tuloksena varastotyöntekijä saa tiedon, että ovatko merkinnät ja tiedot kunnossa vai löytyikö puutteita ja miltä osin. Prosessia on havainnollistettu liitteessä 2.

Mikäli valtaosa pakkauksista on merkintöjen osalta kunnossa ja ne muodostavat merkittävän osan prosessoitavista tavaroista, automaation tuoma työajan säästö on huomattava. Tällöin manuaalinen työ voidaan keskittää ongelmallisiin tapauksiin. Arvion mukaan jo 60-70 % automaatiotaso on realistinen ja toisi merkittävän hyödyn. Automaatiotason nostaminen edelleen yli 90 % on myös tehtävissä, kunhan tehdään yhteistyötä tavaran toimittajien kanssa liittyen pakkausmerkintöihin.

Ongelman rajaaminen suunnitteluvaiheessa on tärkeää, jotta tiedetään konenäkömallilta vaadittavat ominaisuudet ja reunaehdot. Mediqin tapauksessa ongelman ratkaisua helpottaa se, että tavaroiden merkinnät perustuvat lakiin ja asetuksiin, joten ne ovat pitkälti standardoituja. Erilaisia symboleita on rajallinen määrä. Konenäkömalli voidaan siis kouluttaa tarkasti näiden pohjalta. Lait ja asetukset eivät myöskään muutu usein, joten tekoälymallit on suhteellisen helppo pitää ajan tasalla.

Konenäkömallia kehitettäessä ei tässä tapauksessa tarvita uusia teknologisia innovaatioita, vaan voidaan hyödyntää pitkälti jo valmiita avoimen lähdekoodin ohjelmakirjastoja ja konenäkömalleja.

Käyttäjien, asiantuntijoiden ja johdon yhteinen projekti, sekä laaja vaikuttavuus

Ratkaisua lähdettiin kartoittamaan yhteistyössä varastotyöntekijöiden, laki- ja teknologia-asiantuntijoiden, sekä yrityksen johdon kanssa. Aluksi yrityksen nykyinen toiminta tavaroiden vastaanotossa ja käsittelyssä kartoitettiin tarkasti ja selvitettiin, miten tekoälyratkaisu voidaan parhaiten ottaa prosessiin mukaan.

Tekoälyratkaisun vaikutusta selvitettiin muun muassa kellottamalla eri työvaiheita ja arvioimalla kuinka paljon automatisaatio säästäisi aikaa. Näin saatiin tehtyä tarkat suunnitelmat ja arviot siitä, miten uusi teknologia tulisi ottaa käyttöön ja mitä suorituskykyä siltä vaaditaan. Vastaavasti suunniteltiin, miten integraatio nykyiseen IT-järjestelmään tapahtuu saumattomasti.

Koska Mediq Suomi on osa laajempaa kansainvälistä konsortiota, voidaan paikallisesti kehitetyt uudet menetelmät monistaa myös muihin toimipisteisiin, jolloin vaikutus on lopulta kansainvälinen. Vastaavasti tuotekehitykseen on tarpeen mukaan saatavilla emoyhtiön puolelta tukea esim. data ja IT-asiantuntijoiden osalta, eli tarvittavaa osaamista löytyy yrityksen sisältä.

AI-TIE tekoälykiihdyttämö toteutui osana ”Tekoälyinnovaatioekosysteemillä kilpailukykyä PK-yrityksille” eli AI TIE -hanketta. Euroopan aluekehitysrahaston ja Uudenmaan liiton tuella hankkeessa on edistetty PK-yritysten liiketoiminnan kehittämistä ja kasvua tekoälyratkaisuja hyödyntäen osana Euroopan unionin covid-19-pandemian johdosta toteuttamia toimia. Hankkeen toteuttavat Haaga-Helia ja Laurea ammattikorkeakoulut yhdessä tiiviin partneriverkoston kanssa. Lisää yritysten tekoälytarinoita osoitteesta www.aistories.fi.

LIITE 1. Esimerkkikuva MDR tuotekortista

LIITE 2. Automaatioprosessi konenäköratkaisun avulla

Kuva: www.shutterstock.com