20-06-2018 15:04:20

Sådan kommer du i gang med maskinlæring

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 maskinlæring og at have det rette system, der kan opsamle og analysere de opsamlede data. Men det giver måske mening “afhype” begrebet, fordi maskinlæring er ikke et magisk værktøj.
26. jan. 2017 Af Alexandra Instituttet
"For at arbejde med maskinlæring kræver det en masse data, og det er ofte noget, folk ikke har, fordi de ikke har gemt dem," forklarer Bjørn Bugge Grathwohl.

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 maskinlæring.

Første skridt er at vide, hvad du vil

Maskinlæring 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 typisk har en algoritme 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 maskinlæring. Men det svarer til at sige, at man gerne vil i gang med at save. Men maskinlæring er ikke magisk, 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.

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 at 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.

Omsætter blodets karakter til tal

Et andet eksempel på at maskinlæring 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 maskinlæring egner sig rigtig godt til visuel genkendelse.

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

Læs mere om projektet her.

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 både 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 maskinlæring 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.

- Maskinlæring 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 maskinlæringsteknikker, forklarer han.

Artiklen er oprindeligt bragt på Alexandra Instituttet.

Machine Learning
Machine Learning

Få emner er så hypede i disse år som machine learning og kunstig intelligens. Potentialet er enormt, og derfor har giganter som Apple, Microsoft, Amazon, IBM og Intel heller ingen skrupler ved at ...

Læs mere
Machine learning-algoritmer forhindrer børneprostitution
Machine learning-algoritmer forhindrer børneprostitution

Machine Learning: Det amerikanske politi har i mere end 900 tilfælde brugt et machine learning-værktøj til at identificere børn, der er blevet handlet som sex-slaver

Læs mere
Machine learning: 10 situationer hvor teknologien allerede ændrer verden
Machine learning: 10 situationer hvor teknologien allerede ændrer verden

Machine Learning: Der bliver investeret massivt i machine learning, men hvorfor er teknologien interessant, og hvad er fremtidsperspektiverne? Vi har fundet 10 vidt forskellige eksempler, der viser machine learning ...

Læs mere
Video: Sådan kommer du i gang med machine learning
Video: Sådan kommer du i gang med machine learning

Machine Learning: Har du ikke allerede har kastet dig over machine learning, er det bare med at komme op på hesten. Professor Ole Winther fra DTU Compute giver tips til, hvordan du kommer i gang.

Læs mere

Deltag i debatten

IT - artikler og arrangementer

Nyeste IT-job fra Jobfinder

luk
close