Hvordan skape verdi med maskinlæring
September 29, 2020
Når man tar i bruk AI og maskinlæring er det viktig å kunne gjenkjenne utfordringer og problemer som kan løses med denne teknologien. Maskinlæring har et enormt potensiale for å løse komplekse utfordringer som tidligere var svært krevende om ikke umulige å finne en løsning på.
En observasjon vi «konsulenter» ofte gjør når vi snakker med kundene våre er at ønske om å ta i bruk «ny teknologi» stammer fra it-siden i bedriften. Som utvikler kan jeg relatere til dette. Jeg er den første til å henge meg på alle teknologiske trender – ofte kun for teknologien skyld. Som resultat har jeg (på hjemmebane) skapet fullt av gode intensjoner, men uten et klart bruksområde. Utfordringen fra et bedriftsperspektiv er å få med forretningssiden, som forstår bedriften og hvor skoen trykker, til å finne områder hvor maskinlæringens potensiale kommer til sin rett. Maskinlæring er kun et verktøy, og det må brukes på riktig plass. Så fra et data science og utviklingsperspektiv; hvilke utfordringer egner seg for å løse ved hjelp av maskinlæring?
- Utfordringen krever ikke en eksakt løsning
Maskinlæring egner seg godt til å løse utfordringer som innebærer å gjøre estimater, anslag og vurderinger. Det klassiske eksemplet på dette er «produktforslag» og personalisert markedsføring. Vi «gjetter» på at en kunde som kjøper barberskum også trenger barberblader. Om algoritmen vår tar feil tar ingen skade av det. Et godt eksempel er tjenester for ansiktsgjenkjenning innenfor politiet. Skal tjenesten identifisere en gjerningsperson bør den helst ha riktig svar.
Spørsmålet man bør stille seg er – om maskinlæringsalgoritmen vår tar feil, er dette en feil vi kan tolerere? Hvis svaret er ja, så er dette er en utfordring som kan egne seg for å løses ved hjelp av maskinlæring.
- Utfordringen har en løsning det er vanskelig å formulere
Maskinlæring handler om å oppdage komplekse sammenhenger ut fra data for deretter å «lage» regler basert på disse sammenhengene. Hvis regelen enkelt kan uttrykkes ved hjelp av «hvis, da» regler, så får man en sterkere «regelmotor» gjennom klassisk programmering.
Ofte vil maskinlæring egne seg for «ikke-deterministiske» utfordringer. Altså utfordringer der man ikke kjenner alle kombinasjoner av inndata og utfall. Forståelse av språk og bilde er klassiske eksempler på dette, men maskinlæring kan hjelpe innenfor de fleste områder der det er vanskelig å forklare hva som ligger bak vurderingen man gjør.
- Utfordringen har nok gode eksempler (data) å lære fra
Maskinlæring henter sammenhenger ut fra eksempler. I praksis strenger man eksempel på en input, og utfallet av gitt input. På den måten kan maskinlæringen finne sammenhengen mellom input og output.
Min erfaring er at det er en del usikkerhet rundt hvor store mengder data det er behov for. Hvor mye data er «nok» for å komme i gang? Dette er et spørsmål det er vanskelig å svare på, men med en gang man passerer 1000 eksempler begynner man å kunne finne enkle sammenhenger i data med mindre komplekse maskinlæringsalgoritmer. En fin veileder finner man her.
Maskinlæring er middelet, ikke målet.
Hvis man ha svart ja på disse tre spørsmålene har man en utfordring der muligens maskinlæring kan anvendes. Den eneste måten å bli helt sikker på at utfordringen lar seg løse er ved å «eksperimentere» med de dataene man har. Maskinlæring representerer derfor en stor grad av usikkerhet og man er avhengig av å kunne verifisere hypoteser raskt. Et god tips er å lage en ML-pipeline for å strømlinje utviklingsprosessen slik at ideer som faktisk gir verdi raskt kommer til produksjon.
Som Pedro Domingos skriver i sin fantastiske bok «The Master Algorithm» så har maskinlæring ingen egenverdi, det er kun en vektstang som gir en fordel når man vil skape verdi. Konklusjonen er derfor ganske enkel; maskinlæring må adressere faktiske behov i en bedrift. Verdi skapes ved å løse utfordringer; enten raskere, billigere eller bedre enn tidligere. Maskinlæring er et mektig verktøy som det tar tid å beherske – men i seg selv er den verdiløs.
