Kunstig intelligens. Selve ordet siger noget om hvad det gør. Den prøver kunstigt at skabe en intelligens. Men hvordan? Hvad er det egentlig? Kan det forbedre din hverdag? Kan det forbedre virksomhederne? Hvad er maskinlæring i denne kontekst?
Dette blogindlæg er for dig, der er interesseret i maskinlæring og kunstig intelligens, ikke som en programmør på et detaljeret niveau, men på et mere generelt niveau, hvor du ved hvad det gør og hvad der er nødvendigt for at komme i gang med din virksomhedens første ML-projekt.
Først skal vi forstå, hvad kunstig intelligens og maskinlæring er. Kunstig intelligens er i henhold til ordbogen:
“Teorien og udviklingen i at fremstille et computersystem som udfører en bestemt opgave, der normalt kræver menneskelig intelligens, såsom visuel opfattelse, talegenkendelse, beslutningstagning og oversættelse mellem sprog” Ordbog
Teorien om kunstig intelligens går mere end 50 år tilbage i tiden. Med kunstig intelligens får du et computersystem til at lære en bestemt opgave. Du gør dette ved at vise eksempler, som systemet bruger til at lære forskellige mønstre, eller du kan lave tusinder af “hvis-så” -statementer, der beskriver disse mønstre. Mønstergenkendelsen er nøglen i både kunstig intelligens og maskinlæring og er grundlaget for deres eksistens. Ideen med kunstig intelligens er, at systemet lærer ved erfaring (Trial and Error).
Når vi forklarer hvad maskinlæring er, bruger vi altid Arthur Samuels definition:
“Maskinlæring er et studiefelt, der giver computere mulighed for at lære uden at være programmeret” Samuel, A. (1959)
Maskinlæring og kunstig intelligens er forbundet, fordi du ofte bruger maskinlæring for at få kunstig intelligens. Du kan dog have maskinlæring der ikke er kunstig intelligens, men i stedet for en avanceret statistisk model. Det hele lyder lidt forvirrende, men husk bare, at når folk siger kunstig intelligens kan du linke det til maskinlæring. Derfor vil vi fra nu af kun tale om maskinlæring da det er nøglekomponenten til “magien”.
I maskinlæring skriver du en kode, der kan håndterer store mængder data og derefter fremstille en model baseret på disse data, der kan sige noget om de data, den har set. Et eksempel på dette er noget, der kaldes prædiktiv vedligeholdelse, hvis vi har data fra eksempelvis en vandpunpe der kører korrekt så kan vi træne en model til at sige, om vandpumpen kører korrekt nu og om den vil køre korrekt i den nærmeste fremtid. Dette er dog kun en måde at løse denne opgave på.
Maskinlæring består af tre forskellige indlæringsstrategier. Disse definerer, hvordan algoritmen lærer under træning på et meget specifikt datasæt. Under hver indlæringsmetode defineres et sæt algoritmer. Derfor er maskinlæring en paraply af et specifikt sæt af algoritmer, som alle har et specifikt formål at lære at registrere visse mønstre baseret på data. I en verden der er fuld af mønstre overalt, mønstre vi ikke engang tænker på findes der sammenhænge der er for komplekse til at vi kan se dem, her har maskinlæring evnen til at forbinde disse mønstre. Det vil sige at maskinlæring - finder komplekse mønstre. Værdierne (data) når din maskine kører godt, adskiller sig fra værdierne i enhver anden maskine. Med maskinlæring er det muligt at registrere tærskelniveauer dynamisk. Derfor skal den når du træner en maskinlæringsalgoritme, være på dine egne data
Vi spurgte en nyuddannet bachelor i teknologiledelse og havteknik, hvad han gerne ville vide om maskinlæring. De følgende afsnit vil besvarer hans svar.
Hvordan det skaber værdi for noget som du gør i dag
Dit liv i dag er allerede påvirket af maskinlæring uden at du ved det.
Politiets ANPG-program (automatisk nummerplade gendkeldelse) undersøge om en given bil er registreret ved politiet som efterlyst. Dette er et specifikt område i maskinlæring kaldet billedgenkendelse, hvor du lærer computersystemet at se mønstre i billeder. Hvis du desuden har passeret Storebæltsbroen for nylig og anvendt betalingsmetoden PaybyPlate, bruges din nummerplade til at give dig adgang til broen.
Hvis du har brugt sætninger som “Siri” eller “Ok Google”, har du også været i kontakt med maskinlæring, da det bruges til at forstå tale og give tale svar tilbage til dig.
Har du søgt efter noget på google i dag? Så er alle de resultater du har set blevet forbedret af maskinlæring for at give dig de resultater, du sandsynligvis har mest brug for at finde.
Endelig, hvis du bruger Youtube eller Spotify, er du blevet introduceret til maskinlæringsalgoritmer, der prøver at forudsige hvad du vil høre / se næste gang!
Som du kan se kan er maskinlæring overalt hvis du bruge moderne teknologi.
Hvordan kan maskinlæring gøre dit daglige liv lettere
Vi tror på at maskinlæring vil være den mest banebrydende teknologi i vores levetid, endnu større end elektricitet eller internettet. Den har potentiale til at forbedre alle brancher - både den måde vi arbejder på, men også den mængde information vi har om mange ting og ligeledes kvaliteten i beslutningsprocessen. Vi har allerede drøftet, hvordan det kan bruges til at forudse kreditkort svindel i finans sektoren. De kan desuden bruge maskinlæring til at automatisere manuelle processer.
I sundhedssektores kan billedgenkendelse bruges til at finde brækkede knogler, godartede / ondartede tumorer, og til at detekterer mulige tumors i mammografi scanninger. Endelig kan sundhedssektoren bruge prædiktiv vedligeholdelse til at forudsige fremtidige nedbrud på deres maskiner for at øge tiden imellem de enkelte nedbrud samt sænke tidsforbruget til reperationer - begge dele forbedrer den samlede oppetid.
Produktions virksomheder bruger maskinlæring til at automatisere processer, forbedre beslutningstagningen og forudsige fremtidige begivenheder. Vi hjælper virksomheder med at bruge maskinlæring for at få bedre prognoser (med mange kilder som eksempelvis vejret), hvor de bedre kan planlægge produktionsindstilling, køb af råmateriale osv. Derudover kan fremstillingen bruge maskinlæring til at reducerer uplanlagt nedetid på grund af nedbrud.
Ved at implementere prædiktiv vedligeholdelse kan du overvågning hvordan produktion eller en enkelt maskine fungerer lige nu - og i fremtiden. Dermed kan du få en advarsel i tide til at gribe ind. For nogle virksomheder kan nedbrud forårsage alvorlige sikkerhedsudfordringer. For andre virksomheder skal visse dele af den produktion der er i gang kaseres, når et nedbrud opstår. Nogle har så stor udnyttelsegrad i deres produktion, at en nedbrud kan betyde, at de ikke leverer til deres kunder som lovet. Endelig kan fremstillingsvirksomhederne bruge billedgenkendelse til kvalitetskontrol.
Forsyningssektoren kan bruge maskinlæring til præcis prognose for forbruget af vand og varme. Maskinlæring kan omfatte mange kilder, såsom vejrudsigter samt sæsonudsving, ferie og fald i efterspørgsel. Forsyningssektores kan desuden bruge prædiktiv vedligeholdelse til at forbedre sikkerheden, reducere nedbrud og reducerer tidsforbrug i forbindelse med reperationer.
Ud over billedegenkendelse, der køre realtid, giver maskinlæring dig muligheden for at have såvel realtid som fremtidig indsigt i produktionen. Du kan bruge denne nye viden til bedre beslutningstagning og planlægge et skridt fremad. Derudover kan du reducere de samlede driftsomkostninger.
Hvad skal du bruge for at komme i gang
Politi- og finansindustrien arbejder allerede med maskinlærings løsninger. Selv for landbrugssektoren har vi set intelligente produkter, som f.eks. kan justere mængden af vand den givne kornsort har brug for ud fra hvor tør den ser ud (billedgenkendelse). Det ser dog ud til at kun enkelte produktions-, sundheds- og forsyningsselskaber arbejder med maskinlærings løsninger i dag.
En undersøgelse fra 2017 antyder, at kun 5% af virksomhederne i Danmark bruger maskinlæring og kunstig intelligens. For at sammenligne - 13% af virksomhederne i informations- og kommunikationssektoren brugte disse teknologier tilbage i 2017. Der er sket meget siden 2017, så antallet er sikkert højere i dag. Produktionsvirksomheder bør begynde at udnytte mulighederne med maskinlærings software.
Men hvordan kommer du i gang med din virksomheds første maskinlærings projekt? Vi har introduceret vores tilgang til hvordan du kommer i gang ved flere lejligheder i tidligere blog posts omhandlende data strategi, og big data.
I neurospace tror vi på:
“Tænk stort, Start i det små, og skab værdi hurtigt” neurospace
For at opstarte et maskinlærings projekt skal du være kreativ og være i stand til at finde problemerområderne i dit daglige arbejde, der er baseret på mønstre. Når du ved hvor du vil bruge maskinlæring, behøver du ikke begynde med at indsamle data i årevis, før du kan udnytte potentialet. Du kan begynde ved et lille veldefineret område, hvor du kan samler data nok til at bevise hypotesen om, at maskinlæring kan skabe værdi. Det kaldes pilotprojekter og kan udføres inden for et par måneder. I tilgift hjælper det med af skabe værdi hurtigt og reducerer de totale omkostninger i projekte.
Men - for at være i stand til at levere maskinlæring til produktionsvirksomheder, har du brug for folk med det rigtige sæt færdigheder. Dette inkluderer blandt andet statistik, maskinlæring, cloud computing, sikkerhed og sensorer (nogle gange kaldet Internet of Things (IoT) og Industrial IoT).
Konklusion
Kunstig inteligens er, når et computersystem lærer at udføre en bestemt opgave, der normalt kræver menneskelig intelligens. Maskinlæring er en tilgang til at opnå kunstig intelligens.
Maskinlæring er en paraply af specifikke algoritmer, som alle har til formål at lære og at detekterer mønstre i et specifikt problem. Det registrerer disse mønstre dynamisk og giver dig realtid indsigt i f.eks. hvordan din maskine fungerer nu og i fremtiden.
For at komme i gang skal du kunne registrere disse mønstre i din hverdag og begynde pilotprojekter for at søge potentialet.
// Maria Hvid, Machine Learning Engineer @ neurospace