Datavitenskap

Kunstig intelligens

De færreste selskaper har mange nok datavitere på lønningslisten til å fullt ut kunne utnytte de mulighetene og anvendelsesområdene som ligger i kunstig intelligens. Det finnes imidlertid en enkel løsning på problemet: samarbeid. I tillegg til inngående kunnskap om kunstig intelligens (AI) og maskinlæring har ekspertene våre den bransjekunnskapen som skal til for å gjenkjenne potensial og lede prosjekter fram til et godt sluttresultat.

Nevrale nettverk (Neural Networks) og dyplæringsprogrammer (Deep Learning) krever ikke bare tilgang til enorme datasett, vi må også sikre at resultatene som genereres av AI-algoritmenes «svarte boks», er riktige. Denne prosessen styres av helt andre regler enn mer klassisk programvareutvikling.

Maskinlæring

Maskinlæring er én komponent i kunstig intelligens. Ved maskinlæring tar IT-systemer i bruk automatisk opprettede modeller for å finne mønstre og gjentakelser i datasett. Deretter kan de selv utlede løsninger på konkrete problemer med utgangspunkt i disse mønstrene. Funnene kan generaliseres og – etter en kort opplæringsfase – anvendes på nye tilfeller eller for å analysere tidligere ukjente data. For at maskinen skal kunne lære og foreslå egne løsninger, må den læres opp av våre eksperter.

Ekspertene oppretter arkitekturen og algoritmene, kontrollerer datakvaliteten og tilgangen til nødvendige datakilder og setter opp regler for dataanalyse og gjenkjenning av mønstre. Når dette er gjort, kan læringsmaskinen brukes til å utarbeide prognoser på grunnlag av dataene den har analysert, beregne sannsynligheten for konkrete hendelser, optimalisere prosesser ut fra identifiserte mønstre og tilpasse seg når forholdene endrer seg.

Prediktivt vedlikehold

Analyse av Big Data kan være et nyttig verktøy for optimalisering av ulike bedriftsprosesser. Prediktivt vedlikehold har fått fotfeste i industrien, som dermed har blitt et av de aller første anvendelsesområdene: Når sensor- og prosessdata ses på under ett, kan selskaper gå bort fra faste vedlikeholdssykluser til fordel for en mer fleksibel modell.

Det blir ikke utført vedlikehold på maskinene hvis det ikke er behov for det, men potensielle problemer blir fanget opp før viktige deler svikter og produksjonen stanser. Dersom en maskin blir varmere enn normalt, støynivået endrer seg, det ryker fra maskinen eller temperaturen synker, vil sensornettverkene fange det opp på et tidlig tidspunkt og forhindre kostbar systemsvikt.

Veien er imidlertid lang fra implementering av pilotprosjekter til full utrulling av prediktivt vedlikehold i stor skala. Ekspertene våre hjelper bedrifter som ønsker å gjøre prediktivt vedlikehold i produksjons- og produktprosesser til en del av den daglige driften. I tillegg til produksjonsmiljøer kan avviksdeteksjon også være nyttig i en rekke andre bransjer og situasjoner. Det kan brukes til alt fra å oppdage svindel i finanssektoren og kartlegge angrepsmønstre innenfor IT-sikkerhet til å oppdage feil i alle typer prosesser. Vi har bred erfaring med prosjekter for prediktivt vedlikehold og avviksdeteksjon og har tilegnet oss inngående kunnskap fra mange ulike bransjer, inkludert bilbransjen, handelsnæringen og energisektoren. Vi lager systemer som vil få umiddelbar betydning for virksomheten din.

Big data kundehistorier

Lynk & Co revolusjonerer bilbransjen med IOT og konstant tilkobling

Lynk & Co er et globalt mobilitetsmerke som ble til som et samarbeidsprosjekt mellom Geely Holding, Geely Auto Group og Volvo Car Group. Nå har merket lansert…

Les mer

Singel point of truth for tysklands togpassasjerer

DB Passenger Information har sammen med eksperter i Orange Business datterselskap samarbeidet om en sentral dataplattform for Deutsche Bahn.

Les mer

Dataanalyse bidrar til trygg og effektiv shipping ved havnen i Antwerpen

IT-avdelingen ved Antwerpen havn innså at dataanalyser kunne gi mange muligheter. Ved hjelp av Orange/Orange Business Service bidrar det nå til trygg og effektiv shipping.

Les mer