Sikrer du verdiskaping fra dine maskinlæringsmodeller over tid?

En bølge av kunstig intelligens slår inn over norske virksomheter, og maskinlæring er en vital del av denne. Ifølge IBM vil 75% av alle bedriftsapplikasjoner benytte seg av maskinlæring.

  Av: Helge Legernes

Maskinlæringsmodeller identifiserer mønstre i data, og hjelper datateknikere å løse problemer. Modeller kan forutsi verdier, identifisere uvanlige forekomster, fastslå struktur og opprette kategorier. Maskinlæring har mange bruksområder og mulighetene utvides stadig. Noen av mulighetene maskinlæring gir er å

–      avdekke innsikt,
–      forbedre brukeropplevelser,
–      forutsi kundeatferd,
–      redusere kostnader og
–      redusere risiko.

Noen bransjer maskinlæring allerede er tatt i bruk er bank og forsikring, transport, detaljhandel, kundeservice, industri, jordbruk, energi og i biler.

Maskinlæringsfaget er ikke nytt. Fundamentet ble lagt på 50-tallet, men det er først i dag, etter massiv økning av prosessorkraft og billige kompakte dataminner, at utviklingen har tatt fart. Å finne maskinlæringseksperter med flere års bransjeerfaring er en utfordring, men heldigvis har våre universiteter begynt med adekvate utdannelser innenfor faget.

To neglisjerte områder innenfor maskinlæring som viser at faget fortsatt trenger modning er produksjonssetting (deployment) og forvaltning av maskinlæringsløsninger/analysemodeller.

Forenklet, kan man si at det finnes to typer maskinlæringsløsninger: de som forbedres og de som forringes over tid. Enten tilpasser seg modellen endringer i analysegrunnlaget, eller så slutter de å være lønnsomme. Vi snakket nylig med et selskap innenfor forsikring. De hadde tapt store verdier på prising og bonussetting innenfor bilforsikring. Grunnen var at deres risikomodeller ikke ble oppdatert for å ta hensyn til den stadig økende andelen elbiler. Hvis dine beslutninger gjøres basert på gamle modeller, er det nok på tide å oppdatere dem!

Verdien fra en maskinlæringsløsning er avhengig av både produksjonssettingen og forvaltningen. Vi i Vivento innsikt kaller dette for Machinelearning Model Management (MMM). Først må man sikre seg at modellen vil «overleve» og gi korrekte resultater i produksjon. Her er validering viktig, men også skalering. Når ML-modellen er satt i produksjon, er det på tide å tenke på forvaltningsfasen. Den statistiske fordelingen til dataene vil ofte forandres over tid. Tar modellen hensyn til dette? Leverer modellen slik den skal over tid? En ML modell må oppdateres oftere enn en vanlig applikasjon, så her må et forvaltningsregime som ivaretar dette på plass.

Skal din virksomhet få kontinuerlig verdi av maskinlæringsmodellene bør dere ha et MMM-regime på plass (Machinelearning Model Management)!

Ønsker du å lære mer om maskinlæring? Kom på vårt frokostseminar 4.mars. For påmelding trykk her:

Rull til toppen