Multimodaalisen
käyttäjädatan
luokittelijan
kevyt
mukauttaminen
muuttuvissa
tilanteissa

Tietokonesovellukset voisivat olla nykyistä älykkäämpiä, jos ne kykenisivät mukautumaan automaattisesti erilaisiin käyttötilanteisiin. Tämän mahdollistamiseksi sovellusten pitäisi oppia suorittamisen aikana erilaisten käyttäjien mieltymyksiä erilaisissa sovellusten käyttötilanteissa. Esimerkiksi millaisia elokuvia käyttäjä katsoo yksin iltaa viettäessään tai kavereiden seurassa, milloin on sopivaa hälyttää käyttäjä äänisignaalilla tai vaihtoehtoisesti tekstiviestillä. Tavanomaiset koneoppimisen menetelmät eivät sovellu tähän tarkoitukseen, koska ne edellyttävät runsaasti käyttäjän aikaa koota näyteaineistoa erilaisista tilanteista, eivätkä käyttäjät halua investoida tähän aikaansa.

Väitöskirjatyössä on kehitetty kevyitä ratkaisuja (lightweight) sovellusten ajonaikaiseen mukauttamiseen erilaisiin käyttötilanteisiin. Työssä esitetään sovellusten ja niiden käyttötilanteiden avainominaisuuksien luonnehdintaan ratkaisuja sekä mukauttamisen suunnittelijoille ohjeistuksia. Kehitetyt ratkaisut on testattu kokeellisesti realistisista tilanteista kootulla datalla. Tulokset osoittavat, että kevyttä mukauttamista hyödyntämällä tarvittavaa käyttäjän aikaa voidaan vähentää merkittävästi ja että mukauttaminen tuottaa käyttäjille heidän arvostamiaan lopputuloksia.