Kunnossapitojärjestelmän hyödyntäminen Savon Voimalla
Classification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Opinnäytetyö tehtiin Savon Voimalla Oyj:lle, joka on yksi Suomen suurimpia energia-alan toimijoita. Toimialoina Savon Voimalla ovat kaukolämmön- ja sähköntuotanto, sähkönsiirto ja erilaiset uuden sukupolven energiaratkaisut ja -neuvonta. \n \nOpinnäytetyön aiheena oli kunnossapitojärjestelmän hyödyntäminen Savon Voimalla. WiseMaster-kunnossapito- ohjelmisto otettiin Savon Voimalla käyttöön vuonna 2013. Vuonna 2019 käytössä on jo puhelimen mobiililiittymien toinen sukupolvi. Ensimmäinen sukupolvi oli suunniteltu Windows-puhelimille, ja nyt käytössä olevaan Android-järjestelmään siirryttiin vuonna 2017. Puhelimelle suunnitellun kunnossapito-ohjelman lisäksi käytössä on selain-pohjainen järjestelmä. \n \nOpinnäytetyön pohjana oli WiseMaster-ohjelman käytöstä tehty nykytila-analyysi. Nykytila-analyysi kyselyllä pyrit-tiin selvittämään ohjelmiston käyttöastetta, käyttäjäkokemuksia, puutteita ja muita kehityskohteita. Kyselyyn osal-listui 21 henkilöä kaikilta kolmelta Savon Voiman toimialueelta eri ikä- ja työntekijäryhmistä. Ennen nykytila-analyysikyselyä oli kehitysehdotuksia vastaanotettu jo jonkin verran, mutta nyt saatiin kattavampi otanta, ja kaikki vastaukset kirjattiin laadittuun Excel- taulukkoon. Taulukko sisälsi 35 kysymystä. Osaan kysymyksiä vastattiin ”Kyllä” tai ”Ei” -vaihtoehdoilla ja lisäksi vastaajilta pyydettiin perusteluja. Lopuissa kysymyksissä vaadittiin pidem-pää sanallista perustelua. Vastausten perusteella tehtiin muutamia parannuksia WiseMaster-kunnossapitojärjestelmään, ja niistä osa on vielä suunnittelussa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.057 | 0.074 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it