Ordbog

Et biased datasæt er et datasæt som ikke er repræsentativt for den virkelige verden. Det fører til at en værdi er underrepræsenteret. Et biased datasæt vil resultere i en biased model, som ikke vil være generaliserbar.

Big Data beskriver det at have store datasæts som er svære at håndtere. Den blev først beskrevet af Gartner gennem 3 V’er: Volume, Variety og Velocity. I dag bliver Big Data defineret gennem 5, 10 eller mere end 20 V’er.

Et binært problem er et enten-eller problem, dvs. der er kun to valgmuligheder.

Data Governance er processen om at håndtere datapolitikker, data tilgængelighed, data ejerskab, data sikkerhed og datakvalitet. Det er vigtigt at disse elementer sammen med Business Continuity er afspejlet i en data strategi.

En Data Lake er et dataopbevaringssystem som kan håndtere ubegrænsede mængder af data. Dataen er ofte opbevaret i et råt format, hvilket vil sige at dataen ikke er blevet behandlet mellem kilde og opbevaring. Data Lakes bruges ofte til analytiske formål, men kræver i de fleste tilfælde at analyserne udføres af data specialister, eftersom at ubehandlet data giver øget kompleksitet.

En Data Lakehouse er et data platform tilgang som kombinere det bedste fra både Data Warehouses og Data Lakes. Det vil sige at man har mulighed for at håndtere både Business Intelligence og Maskinlærings use cases, da platformen kan håndtere både struktureret data og ustruktureret data.

Data Lækage er brugen af en værdi under udviklingen af en model, som på forudsigelsestidspunktet ikke kan være tilgængelig. Denne værdi indeholder ofte information om det vi prøver at forudsige eller er en eftervirkning af forudsigelsen.

Et Data Mesh er et paradigme omkring datahåndteringsarkitektur som følger en domæne dreven design tilgang og gør brug af distribuerede systemer, til at skalere analysiske data. Data Mesh konceptet inkludere både tekniske implementerings detajler og organisatoriske principper, blandt andet er data og håndteringen heraf opdelt i forretningsdomæner.

En Data Sump er en Data Lake hvor man opbevare store mængder af data som ikke bliver brugt til noget. Årsagen kan f.eks. være at data forbrugerne har mistet tilliden til datakvaliteten eller har svært ved at finde den rigtige version af et datasæt.

Et Data Warehouse er en type af datahåndteringssystem som samler data fra mange forskellige kilder i ét stuktureret format og gør det tilgængeligt gennem en enkelt kilde, ofte ved brug af SQL. Data Warehouses bruges for det meste i analytisk kontekst, som f.eks ved business intelligence.

Dybe neurale netværk (Deep learning) beskriver en bestemt type af neurale netværk som indeholder mange skjulte lag, hvilket øger kompleksiteten og muligheden for at lære af data.

Falske negativer er når en test fejlagtigt forudser at en tilstand ikke er til stede. Det er med andre ord forkert at forudsigelsen er negativ.

Falske positiver er når en test fejlagtigt forudser at en tilstand er til stede. Det er med andre ord forkert at testen er positiv.

En feature er en målbar individuel karakteristik, som kan bruges til at forudsige en værdi. Vibration, temperatur og lyd er alle eksempler på features.

Feature vigtighed beskriver, hvilke features der har den største betydning for en models forudsigelser.

Business Continuity Plan er en guideline for hvordan virksomheden vil håndtere forskellige katastrofe scenarier såsom et hacker angreb, hvis data forsvinder grundet en naturkatastrofe, eller et partnerskab med en vigtig leverandør ophør.

Frequency Aliasing er en tilstand hvor signal data (sensor-data som vibration) opsamles med for lav en frekvens. Dette forårsager at signalet bliver oversat forkert fra analog til digital, hvilket resultere i en signalforvrængning. Nyquist-Shannon sample teori er en metode til at beregne den rette frekvensrespons.

Frossen data betegner situationen hvor data fra sensorer ikke overføres til den ønskede destination, såsom en dataplatform. Ofte viser frossen data sig som samme måling over en længere periode.

Hyperparameter optimering af en model beskriver processen hvor de bedste modelparametre findes, for at få den mest generaliserbare model.

Kausalitet er forholdet mellem årsag og effekt. Det beskriver når den observerede korrelation har en årsagssammenhæng.

Klassificering er en kategori af problemer hvor man ønsker at detektere hvilken klasse et givent objekt hører til.

Klyngeanalyse eller clustering er en kategori af problemer, hvor vi ønsker at opdele datapunker i grupper (klynger) som ligner hinanden. Klyngeanalyse er ofte udført på ikke-labelet data med eksplorative formål for at skabe indsigt.

Et konfidensniveau er en værdi mellem 0 og 1, som giver information om hvor sikker en model er omkring den givne forudsigelse.

En korrelation beskriver et gensidigt forhold mellem to uafhængige variable. Korrelationen beskrives som værende enten positiv eller negativ og udtrykkes ofte som en værdi mellem -1 og +1.

Kunstig Intelligens (fra engelsk, AI), er teorien og udvikling af computersystemer som kan udføre opgaver der normalt ville anses for at kræve menneske lignende intelligens såsom visual opfattelse, talegenkendelse, beslutningstagning, og oversættelse mellem sprog. AI er oftest udviklet ved brug af maskinlæring.

En kvalitativ variabel er en værdi som kan kategoriseres såsom køn, og aldersgruppe.

En kvantitativ variabel er målbar. Du kan beregne gennemsnittet og standardafvigelsen af disse værdier, dvs. værdien er numerisk (kontinuerlig).

Kvartiler beskriver en proces hvor man sortere datasættet fra mindste til største værdi, inden data opdeles i fraktiler. Disse fraktiler er oftest opdelt i nedre kvartilen (25%-fraktilen), medianen (50%-fraktilen), øvre kvartilen (75% fraktilen). Kvartiler er en god aggregeringsmetode, da den tydeliggør anomalier samt distributionen af data.

En Machine Learning Engineer (ML Engineer) arbejder med hele maskinlæringslivscyklussen: alt fra design, udvikling, produktionssætning, monitorering, og vedligeholdelse af maskinlæringssystemer.

Maskinlæring (ML) beskriver kategorien af algoritmer som benytter data til at opnå det ønskede resultat, i modsætning til at skrive specifikke logiske og matematiske formler. ML algoritmer lærer fra eksempler af data, og resultatet af en algoritme kaldes for en model.

Mean er det samme som et gennemsnit.

Mean Absolute Error (MAE) anvendes til at validere regressions problemer. MAE er et gennemsnit af den totale, absolutte, forskel mellem den sande og forudsagte værdi. Store og små fejl i MAE behandles som værende lige vigtige da værdierne er absolute modsat Mean Squared Error.

Mean Squared Error (MSE) anvendes til at evaluere regressions problemer. MSE er forskellen mellem den sande og forudsagte værdi, opløftet i anden. MSE anvendes når man ønsker at straffe store fejl, i modsætning til Mean Absolute Error.

En model er en generaliseret repræsentation af noget konkret data, ofte udledt af en maskinlæring algoritme. Modellen er unik for det givne problem og det data som den er trænet på. En trænet model kan bruges til at ræsonnere omkring nye datapunkter.

Multikollinearitet beskriver når to features har en perfekt lineær korrelation med hinanden. Vi kan altså forudsige den ene værdi, hvis vi kender den anden. Hvis to features er perfekt korreleret med hinanden, bør man fjerne den ene, da intet information går tabt, og multikollineære variable kan reducere modellens performance.

Outlier/Anomaly detektion er problemet omkring at identificere data punkter som ligger signifikant uden for majoriteten af det komplette datasæt. Der findes både simple statistiske metoder (IQR) og mere advancerede maskinlærings metoder såsom klyngeanalyse.

Overall Equipment Effectiveness (OEE) er en kendt målemetode indenfor Lean, som bruges til at sige hvor produktiv en produktion er. Den måler uplanlagt nedetid, stop mellem skift, og reklamationer fanget under produktionen.

Overfitting er en tilstand som beskriver at en maskinlæringsmodel har lært mønstre fra træningsdataen for godt, således at modellen ikke kan generalisere til nyt data.

Reaktiv Vedligeholdelse er en vedligeholdelsesmetode, hvor der foretages vedligeholdelse på udstyr når det er brudt sammen.

Recovery Point Objective (RPO) er den tid hvorpå vi mister data, fordi vi ikke kan opsamle data. RPO beskrives ofte sammen med Recovery Time Objective, og defineres i en Forretningskontinuitet Plan.

Recovery Time Objective (RTO) er den tid vi kan leve med ikke at have adgang til data. RTO beskrives ofte sammen med Recovery Point Objective, og defineres i en Forretningskontinuitet Plan.

Regression er gruppe af problemer hvor vi estimere forholdet mellem en eller flere variable for at kunne forudsige nye datapunkter. I modsætning til klassificerings problemer bruges regression til at forudsige et tal, f.eks. den resterende brugbare levetid eller salgsprisen på et hus.

Reinforcement Læring (RL) er en specifik læringsmetode indenfor maskinlæring, hvor algoritmen lærer ved at forsøge og fejle. Målet er at maksimere en specifik belønning, eksempelvis at gå efter maksimale point i et spil.

Reproducerbare analyser betyder at det er muligt at genskabe resultaterne ved en analyse, såfremt samme data, kode, og værktøjer anvendes.

Et repræsentativt datasæt betyder at alle mulige udfald der kan forekomme, er repræsenteret i datasættet. Er datasættet ikke repræsentativt er det biased. Analyser lavet på et datasæt som ikke er repræsentativt kan ikke bruges til beslutningstagen.

Residual er forskellen mellem den sande og forudsagte værdi af modellen.

Den resterende brugbare levetid, eller Remaining Useful Life (RUL), er en gren indenfor prædiktiv vedligeholdelse, som forudsiger slitage på udstyr. Med RUL er det muligt at kunne planlægge vedligehold i god tid, og ligeledes købe reservedele inden et nedbrud forekommer.

Right Data er konceptet om at være strategisk med hvilket data der opsamles i en virksomhed. Data skal ikke opsamles før vi ved til hvilket formål, og hvordan denne kan hjælpe virksomheden med at nå strategiske mål.

Tilstandsbaseret vedligeholdelse er en vedligeholdelsesmetode, som prøver at forebygge yderligere skade og nedetid på maskinerne ved at sætte grænser for specifikke værdier og derved give en alarm når disse er overtrådt.

Et trimmet gennemsnit er et gennemsnit hvor de mest ekstreme værdier er fjernet inden gennemsnittet beregnes. Typisk vil man fjerne de 5% nederste og øverste værdier, hvilket ofte resultere i et gennemsnit som ikke er præget af anomalier.

For at træne og verificere en maskinlæringsmodel bliver datasættet opdelt i trænings, validerings og test data. Størstedelen af datasættet bruges til at træne modellen. Validerings data bruges til at validere resultatet under træningen, mens test datasættet bruges til at evaluere hvorvidt modellen er generaliserbar.

En maskinlæringsmodel trænes oftest på historisk data. I træningsfasen er maskinlæringsmodellen introduceret for et større datasæt som den bruger til at lære mønstre i datasættet. Baseret på mønstre i historisk data, vil den trænede model kunne lave forudsigelser på uset data.

Value (værdi) fra Big Data beskriver, hvorvidt dataen som opsamles og analyseres skaber værdi for organisationen.

Variety (variation) fra Big Data beskriver data der kommer fra forskellige kilder. Data kan komme fra både struktureret data og ustruktureret data.

Velocity (hastighed) fra Big Data beskriver med hvilken frekvens data indsamles.

Veracity (sandfærdighed) fra Big Data fortæller hvorvidt data der indsamles er unbiased, repræsentativ, og troværdig.

Volume fra Big Data handler om at have store mængder data.