Så här kommer du igång med Machine Learning

Machine learning vinner mark. Men hur gör man egentligen för att komma igång? Och vilka utmaningar står företag inför? Här får du svaren.

Givare och Internet of Things (sakernas internet) är bara halva sidan av saken när produktionen ska ställas om till Industri 4.0 och de klassiska produkterna ska bli intelligenta och smarta. Den andra hälften handlar om machine learning och att ha rätt system på plats för uppsamling och analys av de data som samlas in. Det kan dock vara bra att försöka ”avhajpa” begreppet, för machine learning är inte något magiskt verktyg.

Det menar Bjørn Bugge Grathwohl, Machine Learning Specialist i Data Science and Engineering Lab vid Alexandra Instituttet, som här listar några av de utmaningar han möter när företag ska komma igång med machine learning.

Det första steget är att veta vad man vill

Machine learning är inte helt väldefinierat. Det är en standardiserad verktygslåda som innehåller matematik, tillämpad statistik och datalogi, och som man ofta återvänder till. Det betyder dock inte att man bara kan ta verktygslådan och använda den som den är, för vanligtvis har den en algoritm som består av så många parametrar att man måste förstå problemet och vilken typ av problem det är för att kunna använda den på ett effektivt sätt.

– Människor som inte har tekniska kunskaper har en tendens att säga att de gärna vill komma igång med maskininlärning. Men det är ungefär som att säga att man gärna vill komma igång med att såga. Machine learning är inte en trollstav man kan vifta med och så händer något. Det är tillämpad statistik som kan användas till många olika saker. Men man måste veta man vill använda det för, förklarar han.

Läs mer: Machine learning blir snart allmängods

Ofta saknas data

Ett annat problem som ofta överraskar är att det krävs data – och att det ska vara rätt data. Folk saknar ofta dessa data. Vanligtvis vill de ha en algoritm som kan förutsäga saker inom ett visst område.

För att åstadkomma det bygger man modeller och tränar upp dessa genom att köra dem massor av gånger. Sedan justerar man en mängd olika parametrar för att öka kvaliteten – och se till att antalet fel blir mindre.

För att resultatet ska bli så bra som möjligt krävs en stor mängd data. Men ofta har folk inte så mycket data, eftersom de inte har sparat dem. Så var det exempelvis för ett företag som tillverkar en programvara för skrivträning, som gör det enklare att lära sig läsa och skriva. Alexandra Instituttet hjälpte detta företag via InnoBooster-programmet att bygga en infrastruktur som samlar in data och som kan användas för att identifiera felmönster.

Läs mer: Artificiell intelligens är här – men hur långt har vi egentligen kommit?

Omvandlar blodets egenskaper till siffror

Ett annat exempel på att maskininlärning är en motor som behöver bränsle i form av rätt data är ett samarbete mellan Alexandra Instituttets Visual Computing Lab och Eldon Biologicals A/S. Det är samtidigt ett exempel på att machine learning är mycket användbart för visuell igenkänning.

Här låg utmaningen i att utveckla en algoritm som kan analysera blod och därigenom fastställa vilken blodgrupp en människa har. Här hemma sker detta automatiskt på blodbanker, men i utvecklingsländer är de så kallade Eldonkorten fortfarande ett viktigt verktyg för personalen. Därför har man utvecklat en mobil applikation som kan avläsa blodgruppen utifrån det blod som finns på kortet.

Förbättrad svarstid – från 45 minuter till en halv minut

Det kan även handla om optimering av en prototyp. Så var det för Archii, ett uppstartsföretag som har skapat en automatisk arkivarie som klassificerar juridiska dokument och avtal. Alexandra Instituttet har hjälpt dem att förbättra sin prototyp.

– När man är ett litet uppstartsföretag har man begränsade kunskaper och resurser. Vi gick in och experimenterade med olika AI-tekniker och kunde på det sättet bygga en förbättrad prototyp. Det ledde till högre kvalitet på de svar algoritmen gav, samtidigt som det gick avsevärt snabbare. Svarstiden förkortades från cirka 45 minuter till en halv minut, berättar Bjørn Bugge Grathwohl.

Hos Archii gör machine learning det som tidigare gjordes av en arkivarie, något som många företag i dag har gjort sig av med, eftersom de vill vara en del av det papperslösa samhället och eftersom alla sparar sina egna dokument var för sig. Det leder till att företag får ägna mycket tid åt att hålla ordning på olika avtal – och det sker ofta på ledningsnivå, vilket innebär att det är dyrbar tid som går till spillo.

– Machine learning kommer att införas på alla ställen där uppgifterna är rutinmässiga för människor, men där man ändå ännu inte har automatiserat dem. Bokföring av uppgifter har skrivits in i databaser ända sedan 1960-talet, men inom ärendehantering finns massor av rutinarbete som inte är lika tydligt definierat. Här är det en bra idé att använda maskininlärningstekniker, förklarar han.

Tech-expert: Machine learning kommer att förändra människors liv

Digitalisering utan modeord? Hämta en kostnadsfri rapport med 5 goda råd och 10 konkreta erfarenheter

Vill du veta mer om dina möjligheter att förverkliga ditt företags mål med hjälp av machine learning? Boka ett förutsättningslöst möte med en av våra experter

Säg din mening

*