Reflektio prototyypin esittelystä

Pidimme 18.11 esityksen prototyyppimme toiminnasta ja sen kehitystyöstä. Esityksen tavoitepituus oli 3min, jonka ylitimme merkittävästi 6min esityksellä. Taivoitepituudessa pysyminen olisi vaatinut huolellisempaa esityksen suunnittelua ja harjoittelua.

Esityksen rakenne oli hyvä. Alun ryhmäesittelyn jälkeen esiteltiin napakasti prototyypin teoreettinen pohja, jonka jälkeen siirryttiin esityksen pääaiheeseen, eli prototyypin tavoitteiden ja tulosten esittelyyn. Prototyypin tavoitteet ilmaistiin selkeästi. Prototyyppi oli rakennettu, jotta moniin tekniikka koskeviin kysymyksiin saataisiin vastaus. Vastaukset annettiin näyttämällä esimerkkejä prototyypin suorituskyvystä. Useisiin kysymyksiin annettiin kuvaileva vastaus, kuten “kameran erottelukyvyllä on suuri merkitys” . Tarkat numeeriset arvot vastauksina kysymyksiin olisivat nostaneet esityksen uskottavuutta. Esityksessä tuotiin hyvin esille myös asioita, jotka tulivat ilmi prototyyppiä käyttämällä, mutta joita ei alun perin lähdetty tutkimaan. Tiheän aallon “puuroutuminen” pakatussa videossa tuli yllätyksenä prototyypin rakentajille. Prototyyppiä käsittelevä osio olisi vaatinut eniten tiivistämistä.

Prototyypin rakentaminen olisi näyttäytynyt mielekkäämpänä, jos prototyypin käyttämälle teknologialle olisi esityksessä annettu selkeä sovelluskohde. Nyt prototyypin suorituskykyä jouduttiin arvioimaan hyvin yleisesti, eikä pystytty sanomaan, onko prototyypin suorituskyky riittävä johonkin sovellukseen. Tämä asia tuli esille myös palautteessa.

Lopuksi kerrottiin lyhyesti, mutta riittävän tarkasti, mitä seuraavaksi olemme tekemässä prototyypin osalta. Tarkoitus on tutkia mahdollisuuksia kehittää prototyypin algoritmia paremmaksi. Prototyypin jatkokehitys olisi perustellumpaa, jos nykyiselle prototyypille voisi asettaa sovelluksen kautta vähimmäisvaatimuksia, joita se ei vielä nyt täyttäisi.

Koko esitys on nähtävissä täällä.

Kutsu Grande Finaleen!

Oletko kyllästynyt, ettet näe kunnolla veden pinnan alle? Tervetuloa matkalle pinnan alle yhdessä Fluidyn kanssa.

Fluidy esittelee uuden veden pintahäiriötä poistavan menetelmän perjantaina 9.12 Grande Finalessa. Menetelmä on jo tarjonnnut huikeita tuloksia ja kehitämme algoritmiamme jatkuvasti. Menetelmämme tarjoaa vaivattoman tavan kartoittaa vedenalaista maailmaa, esimerkiksi vedenalaisten ekosysteemien tutkiminen.

Tule kuulemaan lisää 9.12 Grande Finale tapahtumaan!

Prototyypin kehittäminen ja tulokset

Prototyyppi perustuu Omar Oreifej’n vuonna 2011 kuvaamaan menetelmään [1]. Olemme kehittäneet myös algoritmin kehittyneempää versiota [2], mutta sen rakentaminen on osoittautunut oletettua vaikeammaksi. Tässä kirjoituksessa kuvaamme ensimmäisen menetelmän toiminnan ja esittelemme sen avulla tehtyjä havaintoja. Prototyypin koodi löytyy Githubista.

Oreifej’n menetelmä on iteratiivinen ja kaksivaiheinen. Kuva 1 esittää algoritmin toimintaperiaatteen. Ensimmäisessä vaiheessa lasketaan videokuvien aikakeskiarvo ja siirretään jokaista videokuvaa kohti tätä aikakeskiarvoa. Tämä tapahtuu estimoimalla keskiarvon ja yksittäisen kuvan välinen optinen vuo, joka kuvaa pikselien liikettä kuvien välillä. Tämän jälkeen kuvien vääristymät (keskiarvon näkökulmasta) voidaan poistaa. Tämä vaihe toistetaan suodatetuille kuville uudestaan, kunnes kuvien aikakeskiarvo stabiloituu.

Alkuperäisessä tutkimuksessa vääristymien poistoon käytettiin kuvien elastista rekisteröintiä aikakeskiarvoa vastaan. Rekisteröinnissä ratkaistaan yhteinen koordinaatisto, jossa kumpikin kuva voidaan esittää siten että kuvat asettuvat päällekkäin. Kuva 2 havainnollistaa rekisteröinnin ideaa. Kehitysvaiheessa totesimme kuitenkin, että elastinen rekisteröinti on laskennallisesti liian raskas.

Algoritmin toisessa vaiheessa koko videosta muodostetaan matriisi, jossa pystyvektorit ovat yksittäisiä kuvia. Minimoimalla tämän matriisin astetta saadaan mahdollisimman moni kuva esittämään täysin sama informaatio. Minimointitehtävässä poistetaan siis satunnaisia virheitä, jotka esiintyvät vain harvoissa kuvissa. Tämä käsittely poistaa tehokkaasti esimerkiksi ensimmäisestä vaiheesta jääneitä haamukuvia, sekä satunnaisia heijastuksia.

Vaikka algoritmin lopputuloksena on periaatteessa sama määrä videokuvia kuin mitä sisään syötetään, eivät lopputuotteena saadut videokuvat enää välttämättä muodosta sulavaa videota. Käytännössä lopputuloksena käytetäänkin näiden kuvien aikakeskiarvoa.

Kuva 1: Oreifej’n menetelmä.

Kuva 2. Esimerkki kahden kuvan rekisteröinnistä [3].

Oreifej’n tutkimuksessa [1] esitellään algoritmin tuloksia mustavalkoisilla kuvilla ja simuloidulla aaltoliikkeellä. Nämä tulokset eivät kerro meille juuri mitään, sillä todellisen maailman videokuvissa aaltoliike on monimutkaisempaa ja kuvissa esiintyy myös satunnaisia häiriöitä, kuten heijastuksia.

Prototyypin tavoitteena oli selvittää tekniikan rajoitteet. Koska tekniikka on niin uutta, oli selvitettävä, voiko menetelmää soveltaa todellisen maailman tilanteisiin. Kiinnostavia rajoitteita oli siis useita:

• Aaltoliikkeen luonne, aallonpituus ja amplitudi
• Materiaalin määrä (videon pituus) ja laatu
• Veden sameuden ja heijastusten vaikutus
• Videossa esiintyvien objektien liikkeen vaikutus
• Kameran kuvakulma ja liike
• Algoritmin ajoaika

Testeissä kävi nopeasti selväksi, ettei menetelmä sovellu sameaan veteen, vaan pohjan on erotuttava videolla selkeästi. Myös voimakkaat heijastukset estävät menetelmän käytön. Heijastuksia on kuitenkin mahdollista vähentää käyttämällä polarisoivaa linssiä.

Kuvissa 4 ja 5 on esitetty esimerkki prototyypin suorituskyvystä. Vasemmalla on pysäytyskuva videosta, jossa esiintyy huomattavaa veden aaltoilua, mikä estää yksityiskohtien havaitsemisen. Oikealla puolestaan on esitetty lopputulos. Nähdään selvästi, että algoritmi kykenee suodattamaan häiriöt pois ja yksittäiset kivet erottuvat selkeästi. Toisaalta vasemman kuvan yläosassa nähdään voimakasta “puuroutumista”. Tämä johtuu siitä, että videota on pakattu aggressiivisesti eikä pakkausalgoritmi kykene esittämään aaltoilua tarkasti. Oikean kuvan yläosassa nähdään, että puuroutuminen aiheuttaa informaation häviämisen, eikä vedenpohjaa pystytä palauttamaan. Vähemmällä pakkaamisella informaatio saataisiin säilytettyä, mutta tämä merkitsee videon bittinopeuden ja siten tiedostokoon kasvua.

Kuva 4. Esimerkkikuva purosta.

Kuva 5. Algoritmin lopputulos.

Kuvissa 5 ja 6 on esitetty toinen esimerkki, jossa on mukana myös liikkuvia objekteja. Vene ja uimarit ovat kuvissa selvästi eri paikoissa, koska ne liikkuvat videolla. Lopputuloksesta nähdään, että algoritmi saa asetettua veneen ja uimarin paikoilleen ilman merkittäviä haamukuvia. Myös köysi, jolla uimari vetää venettä, erottuu lopputuloksesta selkeästi. Toisaalta oikealla yläkulmassa oleva uimari näyttää häviävän lopputuloksessa.

Kuvassa 6 nähdään myös, että algoritmi onnistuu selkeyttämään kuvaa merenpohjasta huomattavasti. Yksittäiset kivet erottuvat selvästi, ja isompia objekteja voisi tunnistaa pohjasta helposti.

Kuva 5. Esimerkki merestä.

Kuva 6. Algoritmin lopputulos.

Algoritmi toimii erinomaisesti myös rantavedessä, kuten kuvista 7 ja 8 näkee. Vedenpohja saadaan palautettua hyvin tarkasti ja eri muodot erottuvat selkeästi. Objektien tunnistaminen pohjasta on mahdollista, ja suurempi resoluutio mahdollistaisi entistä pienempien esineiden tunnistamisen. Aaltojen vaahtopäät aiheuttavat kuitenkin pieniä ongelmia. Kuvissa 9 ja 10 on toinen esimerkki, josta voi tehdä samankaltaisia havaintoja.

Kuva 7. Esimerkki merenrannasta.

Kuva 8. Merenrannan käsittelyn lopputulos.

Kuva 9. Toinen esimerkki rantavedestä.

Kuva 10. Toisen esimerkin lopputulos.

Algoritmin ajoaika on muutamia minuutteja 5-10 sekunnin videolla, jonka resoluutio on 720p. Toisaalta ajoaikaan vaikuttaa huomattavasti se, kuinka nopeasti keskiarvokuva stabiloituu. Lähelle reaaliaikaisuutta ei kuitenkaan päästä, mikä karsii pois monia mahdollisia sovelluskohteita.

Testeissä kävi myös ilmi, että algoritmi kuluttaa muistia erittäin paljon, sillä jokainen videokuva esitetään matriisimuodossa. Algoritmin ensimmäisen vaiheen osalta muistinkäyttöä on mahdollista pienentää merkittävästi, mutta toinen vaihe edellyttää, että koko video on ladattuna muistiin. Käytännössä toinen vaihe vaatii muistia niin paljon, ettei sen suorittaminen korkearesoluutioisella videolla ole mahdollista. Testeissä toisen vaiheen suorittaminen vaati myös noin tunnin ajoajan. Koska vaikutus kuvanlaatuun on melko vähäinen, ei toisen vaiheen suorittaminen ole järkevää.

Vaikka algoritmi pystyy jossain määrin käsittelemään myös liikkuvia objekteja, kamera ei saa liikkua. Jos kamera liikkuu, videon aikakeskiarvo muuttuu niin sotkuiseksi, ettei siitä ole enää mahdollista palauttaa suodatettua kuvaa. Tämä on erittäin merkittävä rajoite, mutta jos kuvausolosuhteita voidaan hallita, ei ongelmaa ole. Testiaineiston etsintä internetistä osoittautui kuitenkin tämän takia hankalaksi.

Prototyypin avulla olemme saaneet osoitettua, että menetelmää on mahdollista soveltaa tosimaailmaan. Vaikka tekniikka asettaa tiukkoja rajoitteita, voidaan vedenpohjasta hankkia tarkkoja kuvia esimerkiksi dronen avulla. Tilanteita, joissa tarvitaan staattista kuvaa vedenpohjasta ilman tarvetta reaaliaikaisuudelle ovat esimerkiksi erilaiset etsintä- ja kartoitustehtävät.

Lähteet

[1] Oreifej, O. et al. 2011. A Two-Stage Reconstruction Approach for Seeing Through Water. http://www.cs.ucf.edu/~oreifej/papers/WATER_CVPR2011.pdf Haettu 21.11.2016.

[2] Halder, K. et al. 2014. High accuracy image restoration method for seeing through

Water. http://spie.org/Publications/Proceedings/Paper/10.1117/12.2061643 Haettu 21.11.2016.

[3] Zöllei L., Fisher III J.W., Wells III W.M. An Introduction to Statistical Methods of Medical Image Registration. Mathematical Models in Computer Vision: The Handbook, Springer 2005.

Liiketoimintapotentiaalin arviointi

Toimimme drone yrityksien jälleenmyyjinä. Lisäämme oman ohjelmistomme droneihin ja myymme ne eteenpäin.

Tarjoamme asiakkaille hyvälaatuisia droneja uusilla ominaisuuksilla. Uusien ominaisuuksien avulla saamme kilpailukykyä muihin valmistajiin. Esimerkiksi veden pinnan alle näkevällä algoritmillamme voimme tarjota asiakkaille uusia kokemuksia, joita muut yritykset eivät vielä tarjoa.

Asiakassegmenttimme koostuu drone-laitteiden ostoa harkitsevista kuluttajista. Kehittämämme algoritmit eivät määritä asiakkaitamme, vaan ne tuovat lisäarvoa asiakkaille. Uusien ominaisuuksien avulla asiakkaat voivat myös soveltaa laitteita uusiin käyttötarkoituksiin, jolloin myös asiakkaamme ovat mukana kehittämässä palveluitamme.

Tarjoamme asiakkaille tuotteita verkkokaupan välityksellä. Pidämme jatkuvaa yhteyttä asiakkaisiimme asiakaspalvelun välityksellä.Ydin Toimintaamme ovat ohjelmiston kehitys, jälleenmyynti suhteet ja nettikaupan ylläpito. Kehitämme ohjelmistoamme jatkuvasti paremmaksi, jotta säilytämme kilpailukykymme ja pystymme tarjoamaan uusia ominaisuuksia tulevaisuudessa. Avainkumppanit ovat meille alkuperäiset laitevalmistajat ja pilvipalveluntarjoajat. Pilvipalveluntarjoajien avulla mahdollistamme asiakkaille parhaan mahdollisen laadun.

Päätulonlähteenä liiketoiminnassamme onkin drone-laitteiden myyntitulot sekä näihin kohdistuvat palvelut. Kustannusrakenteemme koostuu jälleenmyymisestä, pilvipalvelun tarjoamisesta, logistiikasta, ohjelmiston kehityksestä ja asiakkaiden hankinnasta.

Avoimen ohjelmiston Fluidy?

Vapaan lähdekoodin ohjelmistojen taloudellisesti kannattava kehittäminen on suuri haaste tämän päivän ohjelmistomarkkinoilla. Perinteisesti ohjelmistoyritykset ovat tuottaneet voittoa myymällä suljetun lähdekoodin ohjelmiston lisenssejä tai niitä hyödyntäviä tuotteita. Avoimen ohjelmiston kaupallistamisessa tulot täytyy kerätä muita väyliä, esimerkiksi tuotteeseen liittyvien palveluiden kautta.

Liiketoiminta

Huolimatta avoimen ohjelmiston kaupallistamiseen liittyvistä haasteista se nähdään suorana haastajana alan perinteisille menetelmille. Monet menestyvät ohjelmistoalan yritykset (esimerkiksi IBM ja Google) panostavat avoimen ohjelmiston kehitykseen tavoittelematta suoria voittoja. Motivaatio voi olla kriittisen järjestelmän (esimerkiksi Linux) kehittäminen, kilpailijan monopoliaseman heikentäminen, käyttäjäkunnan kerryttäminen tai teknologiseen arvoketjuun osallistuminen.

Nämä eivät kuitenkaan välttämättä ole houkuttelevia motiiveja ohjelmistoalan uusille ja pienikokoisille tulokkaille, sillä heidän kasvunsa on usein yksittäisten innovaatioiden ja niitä suojaavien immateriaalioikeuksien varassa. Avoin ohjelmisto voi kuitenkin tehdä uuden yrityksen tuotteesta houkuttelevamman, sillä sen käyttäjät voivat itse jatkokehittää ja ylläpitää ohjelmistoa, vaikka yritys itse lopettaisikin toimintansa. Tämä vähentää asiakkaan riskiä.

Suositut liiketoimintamallit

Huomattavimpia avoimen ohjelmiston liiketoimintamalleja ovat “dual licensing”, “software as a service”, “freemium”, lahjoituspohjainen rahoitus ja joukkorahoitus. Kaikki edellämainitut liiketoimintamallit pyrkivät valjastamaan suuren ja kansainvälisen avoimen ohjelmiston yhteisön kestävän liiketoiminnan rakentamiseksi.

Dual licensing -mallissa ohjelmistoa tarjotaan paitsi avoimen lähdekoodin lisenssin niin myös erillisen proprietaarisen lisenssin alla. Omistusohjelmistoa voidaan myydä avoimen ohjelmiston kehityksen rahoittamiseksi. Ilmaisen, avoimen lähdekoodin ohjelmiston avulla on helppo houkutella käyttäjiä, jotka tutustumisvaiheen jälkeen siirtyvät helpommin maksaviksi asiakkaiksi.

Avoimen lähdekoodin ohjelmistoja voidaan myydä myös palveluna tarjoamalla käyttäjille jäsenyyksiä yrityksen palvelimilla pyörivään ohjelmistoon. Sen sijaan freemium-mallissa ohjelmiston käyttäjät saavat ilmaiseksi käyttöönsä pelkistetyn avoimen lähdekoodin version ohjelmasta, mutta he joutuvat maksamaan proprietaarisista ominaisuuksista tai virtuaalihyödykkeistä. Osa kehitetystä ohjelmistosta on siis jonkinlaisen maksumuurin (paywall) takana.

Fluidy

Valinta kehittää avointa ohjelmistoa vaikuttaisi merkittävällä tavalla yrityksemme kykyyn kasvaa ja ylläpitää kilpailuetua. Olemme jo aiemmissa kilpailututkimuksissamme huomanneet, ettei pinta-aaltojen häiriöitä poistavan teknologian saralla ole tällä hetkellä juuri lainkaan toimijoita. Mielestämme tämä kaupallisen toiminnan tyhjiö tarjoaa hyvät puitteet avoimen lähdekoodin ohjelmistotalon onnistuneelle rakentamiselle.

Mikäli alalle kuitenkin ilmestyisi omistusohjelmistoa tarjoavia kilpailijoita, olisi heillä hyvät edellytykset kilpailla avoimen lähdekoodin teknologiamme kanssa. He voisivat helposti rakentaa tärkeimpien keksintöjemme päälle kehittyneempää ohjelmistoa, jonka kriittisimmät ominaisuudet he sitten suojaisivat patenteilla. Epäilemme kuitenkin, ettei kilpailevaan toimintaan ryhtyminen näin pienillä markkinoilla olisi kannattavaa. Mikäli teknologian kysyntä kuitenkin osoittautuisi odotettua suuremmaksi tai tarve kehittyneemmille algoritmeille olisi ilmeinen, voisimme aina muuttaa liiketoimintamalliamme tilanteeseen paremmin sopivaksi. Ilmainen ja avoin ohjelmisto onkin erinomainen tapa houkutella erilaisia asiakasryhmiä ja kartoittaa teknologian kysyntää.

Teknologiallemme sopivimmat liiketoimintamallit ovat erilaiset freemium-mallit  ja software as a service. Freemium-malleissa olisi mielekästä pitää tuotteemme teknologinen ydin avoimena, ja siten muiden osapuolien laajennettavissa, mutta tarjota avointa teknologiaa hyödyntäviä helppokäyttöisiä lisäosia tai kehittyneitä rajapintoja asiakkaille maksua vastaan.

Teknologiaan kohdistuva suhteellisen pieni kysyntä, vähäinen tietämyksemme markkinoista ja tämänhetkisten resurssiemme puutteellisuus kannustavat hyödyntämään avoimen ohjelmiston liiketoimintamalleja. Siten pystyisimme hyödyntämään avoimen ohjelmistokehityksen yhteisön resursseja ja kehittämään ohjelmistomme ydintä tarvittaessa hyvinkin kustannustehokkaasti. Ottaen huomioon, ettemme suunnittele jo olemassa olevan teknologian jatkokehittämistä tai kokonaan uusien innovaatioiden kaupallistamista, ei avoimiin ohjelmistoihin liittyvä yhtiösalaisuuksien käytännöllinen puute ole meille kriittinen ongelma.

Avoimen lähdekoodin teknologinen ydin yhdistettynä sitä hyödyntäviin maksullisiin applikaatioihin, lisäosiin ja palveluihin voisi olla tilanteeseemme sopivin liiketoimintamalli. Teknologisen ytimen kehitystä voisi tarvittaessa rahoittaa joukkorahoituksella tai yhteistyöllä alalla toimivien organisaatioiden, kuten tutkimusryhmien, kanssa.

Lähteet

1. Business models for open-source software https://en.wikipedia.org/wiki/Business_models_for_open-source_software#cite_note-67 [1 Nov 2016]

2. Mann R. (2006), Commercializing open source software: do property right still matter?, Harvard Journal of Law & Technology, Volume 20, Available: http://jolt.law.harvard.edu/articles/pdf/v20/20HarvJLTech001.pdf [1 Nov 2016]

3. Sommerville, I. (2016) Software Engineering, 10th edition, Edinburgh Gate: Pearson Education Limited

Post 7

Tuotteemme/palvelumme käyttäjät eivät rajoitu vain yhteen tiettyyn asiakasryhmään. Veden pinnan alle näkeminen on kyky, joka varmasti kiehtoo monia ikään, työhön tai mihinkään muuhun tekijään katsomatta. Asiakkaidemme tarkka tunnistaminen on tämän vuoksi varsin hankalaa, koska kyseessä on ohjelmiston ominaisuus. Se voidaan integroida jo valmiiksi olemassa olevaan ohjelmistoon tai myydä palveluna loppukäyttäjille.

Videon käsittelyyn on olemassa erilaisia ohjelmistoja, joissa algoritmi olisi erittäin hyödyllinen. Näistä esimerkkeinä videon- ja kuvankäsittelyohjelmistot sekä suoratoistopalvelut. Kuitenkin teknologia rajoittaa mahdollisuuksia, ja toistaiseksi keskitymme vain videon- ja kuvankäsittelyohjelmistoihin.

Oma vai vieras alusta? [1]

Oman alustapalvelun tarjoajana olisimme suuremmalla markkinapaikalla, koska palvelumme ei olisi sisällä toisessa alustassa. Kuitenkin uuden, kilpailevan alustan levittäminen on hankalaa, koska alustat luodaan sitomaan käyttäjiä niiden ekosysteemeihin verkostoilmiön avulla. Uusien ja toisten alustojen käyttäjien haaliminen omalle alustalle vaatisi enemmän markkinoinnilta, koska käyttäjäkunta pitää etsiä itse. Käyttämällä jo olemassa olevaa rajattua alustaa voimme hyötyä sen käyttäjäkunnasta. Tämä käyttäjäkunta on usein tietoinen omista tarpeistaan, ja ovat tästä syystä ladanneet jo valmiiksi ohjelmiston, mutta tarvitsevat lisää ominaisuuksia ohjelmiston toiminnan tueksi. Nämä olemassa olevat alustat myös pyrkivät hankkimaan koko ajan lisää käyttäjiä alustalleen, jolloin palvelumme voisi hyötyä alustan ylläpitäjän toiminnasta. Alla olevat kuvat 1 ja 2 kuvastavat, miten alustat muotoisivat markkina-alueina.

               

Kuva 1. Kuvan- ja videonkäsittelyohjelma alustana Kuva 2. Oma alusta

Toisena riskinä voidaan tunnistaa alustan kehittämisen kustannukset. Oman alustan kehittäminen ja ylläpitäminen tulisi vaatimaan ylimääräistä työtä varsinaisen arvoa tuottavan eli veden pintaa muokkaavan algoritmin kehittämisen lisäksi. Liittymällä isompaan ohjelmistoalustaan voimme ulkoistaa palvelun käyttöpalvelun kehittämisen ohjelmiston tarjoajalle ja keskittyä itse liitännäisen kehittämiseen.

Resurssien rajallisuuden takia suosimme ulkoisen alustan käyttöä.

Kuvan- ja videonmuokkausohjelmat vai Suoratoistopalvelut vai molemmat?

Pinnan alla näkevän algoritmin paras potentiaali on kuvan- ja videonmuokkaus- ohjelmistoissa sekä suoratoistopalveluissa. Ominaisuuksiltaan nämä kaksi palvelumuotoa poikkeavat toisistaan varsin paljon. Kuvan- ja videonmuokkauspalveluissa käytetään enemmän tietokoneita, kun taas suoratoistopalveluissa käytetään mobiilialustoja. Suoratoistopalvelut tarvitsevat verkkoyhteyden, koska kuvauslaitteesta lähettää videokuvaa suorana. Kuvan- ja videonmuokkauspalvelut käsittelevät jo valmiiksi tallennettua dataa, jolloin se voidaan toistaa tietokoneen kovalevyltä ja käsittelyyn käytetty aika ei ole niin merkittävä kriteeri kuin suoratoistossa.

Jo olemassa olevista suoratoistopalveluista on hankalaa löytää jalansijaa palvelullemme. Suoratoistopalvelut pyrkivät keveyteen ja helppokäyttöisyyteen. Monissa olemassa olevissa mobiilisovelluksissa on vain kirkkauden ja värien säätelyyn kykeneviä muokkaustoimintoja, jolloin suorituskykyyn vaikuttavia suurempia ominaisuuksia ollaan karsittu pois. Tämä voi johtua puhelimien teknisistä ominaisuuksista tai käyttäjien tarpeista. Toistaiseksi kehittämämme algoritmi vaatii jopa pöytätietokoneilta paljon suorituskykyä, jolloin sen integrointi suoratoistopalveluihin vaatisi paljon laskentatehoa. Toteutus saattaisi olla mahdollista pilvilaskennan avulla palveluna, mutta kustannukset sen käyttämiseksi nousisivat huomattaviksi, jolloin palvelusta tulisi kannattamatonta.

Vaikka teknologia rajoittaakin palveluidemme kykyjä, niin pidämme mahdollisuudet avoimina. Toistaiseksi keskitymme kehittämään palvelua kuvan- ja videonkäsittelyohjelmistoille, koska niissä käytetään jo valmiiksi hyvin tehokkaita laitteistoja. Teemme myös koko ajan töitä, jotta saisimme tehtyä algoritmista tehokkaamman ja nopeamman.

Arvoa kenelle?

Teimme myös valintamme pohjalta arvolupaukset (Value Proposition Canvas), jotta pystymme omassa liiketoimintasuunnitelmassamme huomioimaan paremmin asiakkaidemme tarpeet. Tunnistimme tässä vaiheessa asiakkaina kuvan- ja videonkäsittelyohjelmistojen tuottajat, mutta myös käyttäjiä, jotka lopulta myö mahdollisesti hankkivat palvelun.

Arvolupaus 1 - Kuvan ja videonmuokkausohjelmat

Asiakkaina toimivat ohjelmistojen tuottajat, jotka haluavat lisää näkyvyyttä ja käyttäjiä alustalleen. Uuden palvelun tuojana pystymme auttamaan ohjelmistojen kehittäjää tarjoamaan entistä laajemmalla skaalalla ominaisuuksia heidän käyttäjilleen. Parempi tarjonta ja laatu sitoo enemmän käyttäjiä alustalle, jolloin myös heidän liiketoimintansa tehostuu ja tätä kautta heidän brändinsä saa lisää näkyvyyttä.

Toteutamme näitä arvolupauksia liitännäisen avulla, joka on ladattavissa. Liitännäisen avulla ohjelmistojen tarjoajat saavat monipuolisuutta alustoilleen, joka houkuttelee lisää käyttäjiä. Liitännäinen myös kehittää alustaa tehden siitä modernimman, jolloin se myös toimii kehitysapuna ohjelmiston tarjoajalle.

Arvolupaus 2 - Uimavalvojat

Uimavalvojien työhön kuuluu valvoa ja ylläpitää rannan turvallisuutta sekä neuvoa tarvittaessa rannan asiakkaita. Asiakkaiden turvallisuuden valvonta saattaa joskus olla hankalaa, koska rannat ovat laajoja alueita ja valvojilla on rajalliset kyvyt vahtia tätä kokonaisuutta. Työssä auttaa paljon ennakoitavuus sekä kokemus, joka tulee kehittymisen kautta. Rantavahdin työ on varsin kuormittavaa, koska vastuu ihmisten turvallisuudesta painaa uimavalvojien harteilla. Tämän vuoksi tehokkaan tilannekuvan ylläpito olisi ensisijaista uimavalvojalle.

Palveluamme voidaan hyödyntää yhdistettynä muihin laitteisiin tunnistamaan riskejä, joita vedessä saattaa olla. Sillä voidaan esimerkiksi tunnistaa aaltojen tuomat isot kivet vesien pohjasta. Lisäksi, jos laite yhdistetään esimerkiksi nelikopteriin, niin liikkuvuus rannalla nopeutuu. Nelikopteriin voi vielä sitoa kiinni pelastusrenkaan, jolloin tarkkailu ja pelastus voidaan yhdistää sen toimintaan. Tämä mahdollistaa aikaisempaa nopeammat toimenpiteet sekä uimavalvojan oman turvallisuuden.

Arvolupaus 3 - Kalastajat

Monesti kalastajat puhuvat hyvistä kalapäivistä tai “kalatuurista”, silloin kun saalis on kiitettävä. Kuitenkin kalojenkin liikkeet voivat olla ennakoitavissa. Tämä kuitenkin vaatii paljon tietämystä kalojen toiminnasta, jota monella kalastajalla ei ole. Toisaalta kalastus nähdään usein rentona vapaa-ajanvietteenä, jolloin saaliilla ei ole niinkään merkitystä. Kuitenkin saaliin saaminen nostaa aina jännitystä sekä siimassa että kalastajassa.

Palvelullamme kalastajat voisivat tarkastella paremmin vesistöjä, jolloin hyvien kalavesien löytäminen helpottuu. Esimerkiksi yhdistäessä kameran nelikopteriin voidaan tutkia laajojakin vesistöalueita ja löytää parhaimmat kalapaikat. Myös sähköinen opas yhdistettynä palveluun edistää kalamiehen nopeampaa oppimista.

Potentiaalisia alustoja?

Teimme tutkimusta potentiaalisista kuvan- ja videonkäsittelyohjelmistoista. Käytetyimpänä ja suositelluimpana ohjelmistona monet ammattilaiset käyttävät Adoben ohjelmistoja, joita lähdemme jatkossa tutkimaan tarkemmin…

Lähteet:

[1] Ailisto, H & Collin, J & Juhanko, J & Mäntylä, M & Ruutu, S & Seppälä, T. Onko Suomi jäämässä alustatalouden junasta?, Valtioneuvoston selvitysja tutkimustoiminnan julkaisusarja 19/2016, Saatavissa: https://www.etla.fi/wp-content/uploads/vnk_raportti_2016_19.pdf