Tekoälytyökalut
| Rakennetyyppi: | Opintojakso |
|---|---|
| Koodi: | TK00BR83 |
| OPS: | TK 2025 |
| Taso: | Tradenomi (AMK) |
| Opiskeluvuosi: | 2 (2026-2027) |
| Lukukausi: | Syksy |
| Laajuus: | 5 op |
| Vastuuopettaja: | Ulvinen, Tero |
| Opetuskieli: | Suomi |
Osaamistavoitteet
Opiskelija perehtyy tekoälyn työkaluihin ja mallien toimintaan sekä niiden hyödyntämiseen käytännön sovelluksissa. Opiskelija oppii keskeisiä työkaluja, kuten tekoälykehysten ja -mallien käyttöä yleisellä tasolla, sekä saa johdatuksen erilaisiin kehitysympäristöihin, kuten lokaaleihin malleihin, pilvipalveluihin ja API-rajapintoihin. Opintojakso keskittyy työkalujen ja kehysten, kuten TensorFlow, PyTorch ja suurten kielimallien (LLM), perusteisiin ja soveltamiseen. Opiskelijat oppivat myös arvioimaan mallien toimivuutta ja hyödyntämään niitä innovatiivisesti omissa projekteissaan. Opintojakson painopiste on käytännön osaamisessa, eettisessä vastuullisuudessa ja tekoälyratkaisujen soveltamisessa erilaisiin liiketoiminta- ja teknologisiin tarpeisiin.
Opiskelijan työmäärä
135 tuntia
Edeltävät opinnot / Suositellut valinnaiset opinnot
-
Sisältö
Tekoälyn työkalut ja kehykset: TensorFlow, PyTorch ja niiden soveltaminen
Suurten kielimallien (LLM) perusteet ja käytännön hyödyntäminen
Johdatus kehitysympäristöihin: pilvipalvelut, API-rajapinnat ja niiden integrointi
Mallien toimivuuden arviointi ja optimointi eri sovelluskonteksteissa
Käytännön harjoituksia tekoälytyökaluilla: tekstin, kuvan, äänen ja datan käsittely
Eettiset näkökulmat ja vastuullisuus tekoälytyökalujen käytössä
Aluevaikuttavuus
Opintojaksolla huomioidaan alueen elinkeinoelämän tarpeet ja vahvistetaan paikallista osaamista.
Kansainvälisyys
Opintojaksolla otetaan huomioon yritysten ja organisaatioiden kansainväliset piirteet.
Opiskelumateriaali
Opettajan ilmoittama ajankohtainen materiaali.
Opetusmuoto / Opetusmenetelmät
Verkko-opiskelu
Arviointikriteerit
Arvosana 1–2
Opiskelija tunnistaa tekoälyn keskeiset työkalut ja ymmärtää niiden perusperiaatteet pinnallisesti. Hän kykenee hyödyntämään valmiita malliesimerkkejä ohjatusti, mutta omatoiminen optimointi jää vähäiseksi.
Arvosana 3–4
Opiskelija osoittaa kykyä valita tarkoituksenmukaiset tekoälytyökalut eri sovelluskonteksteihin ja hallitsee niiden peruskonfiguroinnin (esim. parametrien säätö). Hän osaa arvioida mallien toimivuutta sekä kykenee soveltamaan oppimaansa eri datatyyppien käsittelyyn.
Arvosana 5
Opiskelija integroi sujuvasti useita tekoälytyökaluja laaja-alaisiin projekteihin, optimoiden mallien suorituskykyä innovatiivisesti. Hän osoittaa syvällistä ymmärrystä mallien rajoitteista ja potentiaalista, tuottaen monipuolisia, skaalautuvia ratkaisuja liiketoiminta- ja teknologisiin tarpeisiin.
Arviointimenetelmät
Opettajan arviointi, itsearviointi ja vertaisarviointi.