Kuutio

Kuvassa Aallon suunnitteleman Jyväskylän yliopiston päärakennuksen aula.

Käytiin eilen Jyväskylän Alvar Aalto-museossa, kun niille nurkille eksyttiin. Oikein mukava pieni museo, jolla oli myös miellyttävä kahvio. Vaihteleva ääriviiva -näyttelyssä oli hyvää pohdintaa Aallon ja maiseman suhteesta. Museokäynnin perusteella tuli fiilis, että voisi käydä katsomassa Suomessa matkatessa Aallon rakennuksia sikäli kun niitä tulee vastaan.

Valitettavasti Muuratsalon koetalo ei ollut auki (avoinna maanantaisin, keskiviikkoisin ja perjantaisin 13.30-15.30) — siellä oltaisiin varmasti muuten käyty samalla reissulla. Helsingin Munkkiniemessä olisi Aaltojen koti- ja toimistotalo, jossa voisi joskus käydä, samoin kuin Aallon ateljeessa. Näihin voisi tehdä jollakin porukalla vaikka lähiseuturetken kesän aikana!

Muita kiinnostavia Aaltoja Suomessa olisivat Villa Mairea Noormarkussa Porin lähellä ja Paimion keuhkotautiparantola Turun lähellä. Aallon Italiaan Riola di Vergatoon suunnittelema kirkko (kuvia Lorenzo Nocciolin ottamana ja Flickrissä) voisi olla kiinnostava nähdä.

Museosta sai “Alvaraalto.fi 2009″ -lehdykän, jonka välissä oli hyvä opaskartta Aallon rakennuksista. Suomessa ja ulkomailla. Lehdykkä ja kartta löytyvät myös verkosta. Aallon kaikki rakennukset kuvineen on hyvin listattuna alvaraalto.fi:n tietokannasta, joka on yllättävän hankala löytää verkosta.

Kansalaisosallistujan työkalut -kilpailu näyttää hyvältä (ks. Digitodayn juttu). Ideana on tehdä palveluita, jotka tuovat julkista dataa paremmin kansalaisten käyttöön. Deadline on 31. elokuuta.

Blogasinkin aikaisemmin jo julkishallinnon tietomassojen saamisesta avoimiksi. Mahtavaa, että Suomessakin aletaan herätä julkisen datan saamiseen helpommin kansalaisten käyttöön!

Palkintosumma on yhteensä 13000 euroa. Kilpailuun voi osallistua joko valmiilla tuotteella, protolla tai vaikka pelkällä idealla! Lisää tietoa kilpailusta Mindtrekin sivulla. Kilpailulla on Facebook-ryhmä.

Kilpailua varten on kerätty ja listattu myös datalähteitä, jotka löytyvät kilpailun sivulta. Lisäksi kilpailusaiteilta, joiden hierarkia tuntuu kovin epämääräiseltä, löytyy muita datalähteitä:

• DTK-tietovarannot
• Julkiset tietovarannot -Google-dokumentti
• Mindtrekin datakatalogi

Datalähteiden kerääminen on jo itsessään mahtava asia. Ilmeisesti niiden kokoonsaamiseen on osallistunut useita ihmisiä, mutta ainakin Mindtrekin sivulla on mainittu Antti Poikolan nimi. VTT:n Somus-projektin blogissa hyviä kommentteja avoimeen julkishallinnon dataan liittyen.

Pitäisiköhän tuohon osallistua jotenkin? Saakohan osallistua useammalla kuin yhdellä idealla? Ehkä matka-aikakartan pohjalta voisi kehitellä jotakin. Tai sitten vaikka jonkinmoinen verkkovisualisaatio samalla tavalla äänestävistä kansanedustajista käyttäen Eduskunnan äänestystietokantaa.

Kirjoitin viime vuoden lopulla suositusjärjestelmistä ja Netflix-kilpailusta. Nyt 10% raja kilpailussa on ylitetty ja näyttää siltä, että joku joukkueista on saamassa miljoonan taalan päävoiton — se, kuka kilpailun lopulta voittaa selviää ennen kuun loppua, kun kisan jatkoaika on ummessa. Tällä hetkellä ainoa 10%:n rajan ylittäjä on joukkue “BellKor’s Pragmatic Chaos”, joka on yhdistelmä neljästä eri joukkueesta. Kuitenkin “Grand Prize Team”, johon kuka tahansa voi liittyä, saattaa vielä yllättää. (Kyllä Netflix-kisaa mieluummin seuraa, kuin vaikkapa formuloita.)

Toinen koneälyä käyttävä palvelu, joka on ylittänyt uutiskynnykseni, on Fever-rss-lukija. Se suosittelee linkkejä sen perusteella, kuinka usein ne on mainittu feedeissä, joita käyttäjä seuraa. Tämä ei kuitenkaan kuulosta kovin hyvältä idealta, sillä yksittäisen käyttäjän feedeissä on aika vähän dataa. Sen sijaan, jos saman tekisi verkkopalveluna, joka yhdistää kaikkien käyttäjien dataa, idea saattaisi toimia.

Netflix-algoritmien käyttäminen viinien analysointiin on myös kiinnostava idea. Ajatuksena on siis, että tehdään malli siitä, kuinka netin viiniarvosteluissa käytettävät sanat ennustavat viinin hintaa. Sitten verrataan tätä mallia viinien todellisiin hintoihin. Suuret poikkeamat ovat viinejä, jotka ovat poikkeuksellisen laadukkaita tai heikkoja hintaansa nähden — tai sitten viinejä, jotka ovat jotenkin muuten erikoisia.

Hunch-palvelu on myös ihan hauska: käyttäjältä kysytään joukko kysymyksiä, joiden perusteella voidaan päätellä, mikä hänen makunsa on ja suositella muitakin tuotteita.

Kiinnostavaa kuinka Netflix-kisassa parhaiten pärjänneet ovat yhdistelleet kymmeniä eri malleja saavuttaakseen hyviä pisteitä. Kisan voittajatulokseen on saatettu yhdistää satoja eri malleja. Ovatkohan nämä yhdistelmämenetelmät paras tapa lopulta tehdä ennustamista? Ainakin niihin on helppo tuoda mukaan erilaisia aspekteja samasta datasta.