Sådan kommer du i gang med machine learning

Skrevet af
Martin Strandbygaard
Artikel

Del indlæg

3 skridt til at skabe nye machine learning projekter

Machine learning er en teknologi, som åbner mange nye og spændende muligheder, men samtidig kan alle mulighederne betyde, at det kan være svært at finde ud af, hvordan man kommer i gang med at arbejde med machine learning.

I denne artikel opstiller Martin Strandbygaard tre simple skridt til at skabe nye projekter med machine learning:

  1. Forstå, om machine learning kan anvendes og skabe værdi
  2. Start småt, og arbejd videre derfra
  3. Inddrag forretningen, og kommuniker resultaterne

Forstå problemet — og forstå om machine learning kan løse problemet

Vi anbefaler, at I altid starter med at identificere behovet og de mulige problemstillinger, som I håber på at løse med machine learning, samt hvilke fordele I ønsker at opnå med løsningen. På den måde adskiller machine learning projekter sig ikke fra andre projekter.

Det kan virke fristende at kaste sig ud i at arbejde med en masse spændende værktøjer med imponerende funktionalitet, men det hele kan ende med at være spildt, hvis det viser sig, at machine learning ikke er den rette løsning på virksomhedens egentlige problemstilling. Eller hvis det viser sig, at udfordringen kunne være løst og gevinstrealiseringen opnået mindst lige så godt med et af de simple “machine learning-værktøjer”, de fleste organisationer allerede råder over, som f.eks. Microsoft Excel.

Start småt, og arbejd videre derfra

Når I så har et klart billede af den problemstilling, I vil arbejde med, og hvordan machine learning passer på den problemstilling, så anbefaler vi, at I starter helt simpelt og gradvist bygger løsningen op.

I stedet for at bygge clustre med mange servere og kaste sig ud i at træne komplekse deep learning-algoritmer med hundredvis af gigabyte data, så er det ofte bedre — og ikke mindst meget mere realistisk og tilgængeligt — at starte med et lille udtræk af de data, der allerede er til rådighed i virksomheden. F.eks. gennem eksisterende BI-løsninger og eksperimentere med dem i f.eks. R eller Excel.

Hvis I ikke i det små kan demonstrere, at machine learning kan løse en udfordring, så er det heller ikke sandsynligt, at store, komplekse systemer giver løsningen. Rigtig mange udfordringer løses fint med enkle machine learning-teknikker som logaritmisk regression.

Anvendelse af machine learning er en iterativ proces, hvor man hele tiden bygger videre på det, man har, og forfiner løsningen. Når I har skabt de første synlige resultater med en simpel løsning, så kan I derefter udvide den med stadig større og mere komplekse systemer.

Inddrag forretningen, og kommuniker resultaterne

At kommunikere resultaterne på en klar, tydelig og forståelig måde er særligt vigtigt med machine learning projekter.

Machine learning projekter kræver et stort committent, hvad angår tid og ressourcer, og det er derfor vigtigt at synliggøre, hvordan det skaber værdi.

Men endnu vigtigere er det at skabe tryghed i resten af organisationen, for at de resultater, der skabes, er rigtige og pålidelige i den sammenhæng, de skal bruges. Machine learning giver ofte anderledes måder at løse en problemstilling på, og det skaber en naturlig modstand i resten af organisationen, hvis den ikke har været med på hele “rejsen”.

Selv om man f.eks. kan påvise, at forebyggende vedligehold af målecensorer – der er baseret på en machine learning-algoritme og trænet på logdata og historisk information om fejl – bedre kan betale sig, end det kan at udskifte målecensorer, når de fejler, så kan det være meget svært at overbevise resten af organisationen om, hvis det kommunikeres reaktivt.

Globeteam hjælper vores kunder med at skabe værdi gennem data

Machine learning er en kompleks og meget specialiseret teknologi, og der vil opstå en lang række spørgsmål undervejs i projektet. Det kan f.eks. være i forhold til, hvordan I får opbygget de nødvendige kompetencer, hvordan I bygger en infrastruktur, der skalerer, og hvordan I kommer i gang med at indkøbe løsninger.

I Globeteam kan vi hjælpe med hele processen omkring rådgivning og implementering, så I får præcis den løsning, der er bedst for jer — og får den implementeret korrekt.

Andre læste også
Læs vores gode råd om ledelsesrapportering i Power BI
1. september 2022
8 gode grunde til at bruge Power BI
Vi anbefaler vores kunder blandt statens institutioner og selvejere at bruge Power BI til deres rapporter med f.eks. ledelsesinformation. Læs vores 8 gode grunde til at bruge Power BI.
Anbefalinger til sommerlæsning
29. juni 2022
Forkæl din hjerne i ferien – med gode bøger og podcasts
Inden vores konsulenter hopper i klipklapperne, har vi bedt dem dele deres bedste anbefalinger til læse- & lytteoplevelser, du kan nyde i sommerferien.
14. december 2021
Læs om Globeteams Art Gallery Intelligence løsning til kunstmuseer og gallerier
Det er ikke nok at have en fornemmelse for besøgende og deres adfærd. Der skal detaljeret viden til. Med Globeteams brancheløsning til museer bliver det muligt for administrationen at se, hvordan museet bliver brugt.

Nyhedsbrev

Få vores nyhedsbrev

Hold dig opdateret på din virksomheds digitale muligheder med cases og faglige artikler