Sådan kommer du i gang med machine learning

Sensorer og Internet of Things er kun halvdelen af historien, når man skal omstille produktionen til Industri 4.0 og gøre de klassiske produkter intelligente og smarte. Den anden halvdel handler om machine learning og om at have det rette system, der kan opsamle og analysere de opsamlede data. Men det giver måske mening at “afhype” begrebet, fordi machine learning ikke er et magisk værktøj.

Sådan lyder det fra Bjørn Bugge Grathwohl, Machine Learning Specialist i Data Science and Engineering Lab på Alexandra Instituttet, der her lister nogle af de udfordringer, han møder, når virksomheder skal i gang med machine learning.

Første skridt er at vide, hvad du vil

Machine learning er ikke fuldstændigt veldefineret. Der er en standard værktøjskasse, der indeholder matematik, anvendt statistik og datalogi, som man ofte vender tilbage til. Det betyder ikke, at man bare kan tage fat i værktøjskassen og bruge den, fordi den typisk har en algoritme på så mange parametre, at man skal forstå problemet og typen af problemet for at kunne bruge det effektivt til noget.

“Folk, der ikke har teknisk indsigt, kan have en tendens til at sige, at de vil godt i gang med noget machine learning. Men det svarer til at sige, at man gerne vil i gang med at save. Men machine learning er ikke magi, som man kan vifte med og så sker der noget. Det er anvendt statistik, som du kan bruge til mange ting. Men du er nødt til at vide, hvad du vil bruge det til,” forklarer han.

Læs mere: Machine learning bliver snart allemandseje

Ofte mangler der data

Et andet problem, som ofte overrasker, er, at det kræver data, og at det skal være de rigtige data. Folk har som regel ikke de data. De vil typisk gerne have en algoritme, der kan forudsige inden for et givent område.

Det betyder, at man bygger modeller og træner dem ved at køre dem en masse gange, og så justerer man på en masse parametre for at få kvaliteten til at blive højere – og få antallet af fejl til at blive mindre.

Og for at det skal blive godt, skal man have en masse data, og det er tit, at folk ikke har det, fordi de ikke har gemt dem. Det var eksempelvis tilfældet for en virksomhed, der laver et skrivetrænings-software, der gør det nemmere at lære at læse og skrive. Her har Alexandra Instituttet via InnoBooster-ordningen hjulpet med at bygge en infrastruktur, der opsamler data, og som kan bruges til at identificere fejlmønstre.

Læs mere: Kunstig intelligens er kommet til Danmark – men hvor langt er vi egentlig?

Omsætter blodets karakter til tal

Et andet eksempel på, at machine learning er en motor, der skal fodres med de rigtige data, er et samarbejde, som Alexandra Instituttets Visual Computing Lab havde med Eldon Biologicals A/S. Det er samtidig et eksempel på, at machine learning egner sig rigtig godt til visuel genkendelse.

Her var udfordringen at udvikle en algoritme, der kan analysere blod, og afgøre hvilken blodtype folk har. Herhjemme foregår det automatisk i blodbankerne, men i udviklingslande er de såkaldte Eldon-kort stadig et vigtigt værktøj for personalet. Derfor har man udviklet en mobil applikation, der kan aflæse blodtypen ud fra det blod, der er afsat på kortet.

Forbedret svartid fra 45 minutter til et halvt minut

Det kan også handle om optimering af en prototype. Det var tilfældet med Archii, der er en startup-virksomhed, som har lavet en automatisk arkivar, der klassificerer juridiske dokumenter og kontrakter. Her har Alexandra Instituttet hjulpet med at forbedre deres prototype.

“Som lille startup er det begrænset, hvad man kan og har af ressourcer. Her gik vi ind og eksperimenterede med forskellige AI-teknikker, og på den måde fik vi bygget en forbedret prototype. Det betød, at kvaliteten i de svar, den gav, blev højnet, og samtidig gik det markant hurtigere. Svartiden gik fra omkring 45 minutter til et halvt minut,” forklarer Bjørn Bugge Grathwohl.

Med Archii gør machine learning det, som en arkivar gjorde i gamle dage, men som mange virksomheder har droppet, fordi man er hoppet med på det papirløse samfund, og fordi vi hver især opbevarer vores dokumenter. Det betyder, at virksomheder bruger meget tid på at holde styr på kontrakter – og ofte foregår det på direktørniveau, hvilket er dyrebar tid.

“Machine learning vil komme ind alle de steder, hvor opgaverne er rutineprægede for mennesker, men hvor man lige akkurat ikke har automatiseret dem. Bogføring af data har vi skrevet ned i databaser siden 1960’erne, men der findes masser af rutinearbejde inden for sagsbehandling, som ikke er så strengt defineret. Her giver det mening at bruge machine learning-teknikker,” forklarer han.

Tech-ekspert: Machine learning vil ændre menneskers liv

Digitalisering uden buzzwords? Her får du et gratis whitepaper med 5 gode råd og 10 konkrete erfaringer

Sig din mening

*