Hvordan bruke maskinlæring i praksis?

Maskinlæring er et utrykk for å beskrive data-algoritmer som lærer fra erfaring.  Modeller finner mønstre i historiske data og bruker det som grunnlag for handling eller beslutningsgrunnlag. For Orange Business Services er maskinlæring verken abstrakt eller teori. – Vi leverer nyttige tjenester basert på maskinlæring nå.

I skyen er det fortsatt pionértid rundt maskinlæring. Mange hjelper hverandre å realisere maskinlæring i praksis. Vi ser en god kollektiv ånd på tvers av landegrenser, skyer og konkurrenter. Dette har ført til tilgang på mange gode verktøy og kunnskap for oss i Orange Business Services om hva som går – og ikke.

Noen eksempler på aktuelle problemstillinger for maskinlæring:

  • Hva utløser churn – kundeavgang?
  • Stopp transportbåndet fordi noe er unormalt!
  • Er det hull i gjerdet rundt flyplassen eller eiendommen?
  • Vil værvarslet for de neste dagene gi flere eller færre kunder i butikken som er på utkikk etter spesifikke varer?

Maskinlæring søker fellestrekk i mønstre

Alle eksemplene har mønstre som fellestrekk. Mønstre er basis for maskinlæring. Du trenger nødvendigvis relevante data for å avdekke mønstre og lære av historien.

– Si at du skal prosessere churn. Da trenger du data som kan forutse at kunder slutter. Kan det være for mange eller få e-nyhetsbrev? Prisoppgang? Er innholdet i abonnementstjenester uteblitt? Ventetid på chat eller telefon.

– Dette er data du selv ofte har tilgang til. Men, også andre signifikante forhold innvirker som at varene dine skader helsen eller at du har fått nye konkurrenter. Avgangen kan jo faktisk skyldes utelukkende eksterne faktorer eller en kombinasjon med dine interne. For at maskinlæringsmodellen skal være vellykket må du derfor også tilføre eksterne data.

Selve teknikken går ofte først ut på å finne ut hva normalsituasjonen skal være – hva som er normale mønstre. Riktig kundeatferd. Riktig lyd. Riktig vibrasjon. Riktig bilde.

Maskinlæring nærme kunstig intelligens

Så kan det dukke opp avvik fra dette. En rar lyd i kulelageret. Produksjonsfeil som er i ferd med å oppstå. Kvalitetsfeil. Urovekkende kundeatferd på nettstedet. Kredittkortet blir belastet for handel i Henningsvær og Singapore samtidig. Iskremfryseboksen i butikken går fort tom.

– Maskinlæring er kanskje det som er mest brukt for å skape det som fremstår som kunstig intelligens. Når du får varsler som i disse eksemplene, så er det jo ganske smart.

– Du har to løp for å få maskinlæringsmodellen din til å virke. Først kommer treningsløpet. Når modellen virker settes den så i produksjon.

Maskinlæringsmodellen kan ta beslutninger for deg, som for eksempel å slå av eller på noe. Den kan også gi deg beslutningsstøtte – noe som andre kan vurdere for å ta en beslutning.

Skyplattformene tilbyr verktøy og kapasitet til å starte uten at du selv behøver å bygge opp noe som helst. I skyen finner du verktøy for både treningsmiljø og produksjonsmiljø.

Maskinlæring med halvfabrikat-algoritmer

– Vi skriver ikke algoritmene selv mer. I stedet tar vi utgangspunkt i halvfabrikata. Vi fintuner disse for å finne mønstre.

Er det da bare å ture frem? Vi kan liste opp maskinlæring i fire steg. Underveis kan man vurdere å stoppe fordi det fort kan vise seg at ideen likevel ikke var gjennomførbar eller ga den gevinsten man hadde håpet på.

Maskinlæring i 4 steg:

1. Ideation
2. Scoping
3. POC eller MVP
4. Produksjon

En av Orange Business Services sine styrker er en helt annen bakgrunn enn de fleste andre i å kjøre maskinlæring i operativt produksjonsmiljø. Det siste du ønsker er nemlig å få til et supert POC , for så å oppdage at tjenesten likevel ikke lar seg sette i produksjon.

Sette maskinlæring i produksjon

– Best å starte med det siste punktet «produksjon». Hvis vi skulle få til noe bra, vil vi klare å få det til å fungere i daglig drift? Uten trygghet for dette er det lite vits i å gå i gang.

Ideation går ut på å forme ideer. Scoping handler om å se ideene er realiserbare. POC er Proof of Concept – et testprosjekt hvor du i praksis får sett om sakene fungerer. MVP står for Minimum Viable Product som er et hakk videre enn POC. Et MVP skal fungere av seg selv.

Hva kan vi lære av historien?

Hva vi kan lære av historien? I maskinlæring-sammenheng kommer lærdommen an på hvilke data du trener maskinlæringsmodeller med.

I ht. Wikipedia er maskinlæring en gren av kunstig intelligens hvor informatikk, matematikk og beregningsorientert statistikk kan legges til grunn for utvikling av algoritmer som kan lære fra og utvikle atferd basert på empiriske data – historien.

  • Et hovedfokus innen forskning på maskinlæring er automatisk å lære gjenkjenning av komplekse mønstre og gjøre intelligente beslutninger basert på
  • En læringsalgoritme bruker et sett treningsdata for å utvikle eller forbedre en atferd.
  • Et problemområde er det faktum at alle mulige atferder gitt alle mulige inntrykk, er for mange til å dekkes av mengden observerte eksempler. Algoritmen må altså være i stand å generalisere, og finne løsninger på problemer den ikke har observert eksempler på tidligere.
  • Viktige anvendelsene av maskinlæring er innen beslutningsstøttesystemer, der man skal ekstrahere kortfattede oversikter fra store mengder data (også kjent som data mining) stemmegjenkjenning, automatisk føring av kjøretøy, samt andre områder der anledningen til forprogrammering av maskinen er begrenset.

(Kilde: Wikipedia)