Machine Learning

Med machine learning kan virksomheder forbedre både effektiviteten og kvaliteten af deres produkter og arbejdsprocesser. En succesfuld anvendelse af machine learning kræver indsigt i virksomhedens data, IT-systemer og forretningsgange, hvilket vi hos Sopra Steria har stor erfaring med.

Hvad er Machine Learning?

Machine learning er en metode til at få maskiner til at lære af data. Det er en underkategori af kunstig intelligens, men hvor kunstig intelligens forsøger bredt at imitere den menneskelige intelligens, så er machine learning fokuseret på at træne en model på data til at løse en bestemt opgave. Hvilken data man bruger og strukturen for modellen kan variere, men fællestrækket er, at modellen gradvist bliver tilpasset data under træningen. Modellen kan være bygget som et neuralt netværk eller en statistisk model eller noget helt tredje. Afhængigt af hvilken data man vælger og hvilket læringsmål man definerer, kan man med machine learning løse forskellige problemer inden for forskellige domæner og brancher.

Kontakt os

Gevinsterne ved machine learning

De væsentligste gevinster ved machine learning er:
Effektivitet: ML kan gøre nogle processer mere effektive ved at håndtere et arbejde, som man før måtte gøre manuelt.
Kvalitet: ML kan forbedre kvaliteten af et produkt, fx ved at lave kvalitetskontrol eller forudsige vedligeholdelsesopgaver (predictive maintenance).
Nye forretningsmuligheder: ML kan bruges til at løse problemer, hvor der ikke fandtes løsninger før, hvilket kan skabe helt nye produkter med ML-løsningen som en central feature.
Øget medarbejdertilfredshed: I mange tilfælde kan ML løse kedelige rutineopgaver, så medarbejderne får mere tid til de spændende opgaver.
Ny anvendelse af data: Mange virksomheder ligger inde med data, der ikke bliver brugt, og dette potentiale kan ML forløse ved at bruge data som træningsmateriale.

Sådan kommer du i gang med machine learning

Man kan opdele et ML-projekt i fire faser:
1). Definér forretningsproblem: Find use cases og identificér løsninger. Dette kan også opstå under udviklingsarbejdet med et andet IT-system eller under moderniseringen af en dataløsning.
2). Indlæs og transformer data: Identificér relevant data og gør den klar til udviklingen og træningen af modellen. Det kan indebære at hente data fra en produktionsdatabase og udtrække relevante features.
3). Udvikling og træning af model: Man kan vælge at bygge sin egen model fra bunden, bruge en kommerciel færdigbygget løsning, eller bruge en open-sourceløsning. Ligegyldigt hvad man vælger, så indebærer dette trin udviklingen, integrationen, og træningen af modellen. Det indebærer også test af modellen på et test-datasæt.
4). Deployment og monitorering: Den endelige udrulning af systemet, som også indebærer et system til at opsamle data til videreudvikling og træning af modellen samt monitorering af modellens performance.

Disse faser skal betragtes som en cyklus, hvor man kontinuerligt forbedrer modellen. En populær praksis inden for softwareudvikling og drift er DevOps, hvilket har en tilsvarende praksis i ML-verdenen kaldet MLOps, hvori de ovennævnte faser indgår. 

Hvilke teknologier kan bruges til machine learning?

Træning af modeller: Til at træne modeller kan forskellige frameworks blive brugt, for eksempel TensorFlow, Keras, PyTorch og Scikit-learn. Her kan modeller defineres, for eksempel ved at definere lagene i et neuralt netværk eller ved at definere en statistisk model. Frameworks kan også understøtte arbejdet i at indlæse data, køre træningsiterationerne og teste modellen på et testdatasæt.
MLOps: Hele MLOps-cyklussen kan understøttes af et MLOps-værktøj. Markante MLOps-værktøjer er blandt andet Azure Machine Learning, MLflow, Amazon SageMaker og TensorFlow Extended. Værktøjerne kan blandt andet bruges til at håndtere deployment af modeller, opdatering af data og at tracke versioner af modellerne.
Programmeringssprog: De fleste ML-systemer har interfaces for flere programmeringssprog. De mest brugte sprog er Python, R, Java, Scala og C#/F# med ML.NET.
MLaaS: Machine Learning as a Service er færdigbyggede ML-løsninger, der er klar til brug på Cloud-systemer på samme måde som Software as a Service leverer applikationer i Cloud. MLaas bliver tilbudt på de fleste Cloud-platforme, for eksempel Microsoft Azure, Amazon Web Services (AWS) og Google Cloud.

Lad os hjælpe dig med at bruge machine learning

Selvom færdigudviklede ML-systemer kan være lette at anvende som bruger, så kræver forretningsanalysen, opsætningen og vedligeholdelsen en særlig ekspertise, som vi kan levere. Machine learning er tæt knyttet til en virksomheds øvrige IT-systemer og processer, så det er vigtigt at sætte sig ind i disse inden man introducerer et ML-system.

Hos Sopra Steria har vi konsulenter med stor erfaring og viden om databaser, applikationsudvikling og analyse af forretningsprocesser, så vi er godt rustet til at identificere machine learning use cases og implementere ML-løsninger.

Hvis du er nysgerrig på at komme i gang med at bruge machine learning eller vil høre mere om, hvordan machine learning kan skabe værdi i din virksomhed, så er du meget velkommen til at kontakte os.  Vi kan forklare yderligere om vores tilgang til machine learning og hvordan det kan hjælpe jer.

Kontakt os