Beslutsstöd, Företagskultur

Skrivet 2017-10-13

Det här är andra delen av två i en rapport från IP Expo Nordic som gick av stapeln på Stockholmsmässan i slutet av september och där min fokus låg på eventet "Analytics, Machine Learning & IoT". Första delen är en sammanfattning av keynoten och handlar om Digital Single Market.

machine-learning-smart-brain.jpg

Ett av de bättre seminarierna handlade om hur företag börjar gå ifrån mobil-först till AI-först. Tekniken kan användas till att lösa många affärsproblem och skapa förutsättningar för att få konkurrensfördelar genom datorkraft i många olika vertikaler. Ett målande exmpel var en liten japansk grönsakshandlare som gjort en hemmabyggd lösning för att sortera gurkor genom att montera webbkameror på ett löpande band och implementera neurala nätverk för att analysera och sortera gurkorna efter kvalitet. Ett annat exempel var ett energibolag som använder deep learning och prediktiv analys för att prognostisera väderförhållanden runt sin vindkraftpark, och på så sätt reducerar sina kostnader från 30M EUR till 100K EUR för denna tjänst samt uppnår precisionen som krävs för att effektivt kunna planera energiproduktionen. 

På IBM pratar man om Adaptive Intelligence i kontrast till mer traditionell Business Intelligence. Deep Learning och Machine Automation funkar bäst i kombination med mänskligt omdöme. Låt maskinerna sköta repetitiva och beräkningstunga uppgifter som att hitta mönster och fylla i kunskapshål i stora datamängder och låt istället människor koncentrera sig på att styra maskinerna i rätt riktning samt kontrollera imperfektioner i algoritmerna och säkerställa att resultaten blir etiskt försvarbara. Låt människor göra det som de är bäst på helt enkelt!

Att jobba med Adaptive Intelligence är dock inte det lättaste. Ju större och mer komplexa datamängder vi har, desto svårare är det att hantera datan och leverera agerbara insikter. Det krävs rätt system och rätt kompetens för att jobba fram bra lösningar. En existerande BI-plattform är en grundbult i arbetet, men långt ifrån hela svaret för hur man kan komma igång med mer avancerad prediktiv analys.

Den generella rekommendationen är att börja i liten skala med att definiera ett affärscase och en konkret fråga eller mål att besvara. Sen börjar man se över om den existerande datan och systemen kan användas för att besvara den. Ofta räcker det till en början med existerande infrastruktur om man har rätt analytisk kompetens på plats som kan jobba med en vetenskaplig metod för att samla data, ställa upp och testa hypoteser samt validera resultaten. Resultaten kan till exempel integreras i existerande rapportverktyg eller automatiseras som komponent i större system.

Microsoft fanns representerat på mässan med en Data Scientist som visade hur man kan dra nytta av molnverktyg i Azure ML Studio, där man genom ett smidigt dra-och-släpp-verktyg kan komma igång snabbt med att bygga upp ett arbetsflöde för att besvara prediktiva frågor eller hitta mönster i sin data. Exemplet som användes på seminariet visade hur man på 10 minuter kunde bygga upp en modell för att med hjälp av Machine Learning algoritmer träffsäkert kunde förutspå villapriser i Stockholmsområdet baserat på variabler som dess läge, storlek, årstid, väder mm. Att göra en flervariabelanalys av det slaget kan vara väldigt svårt utan datorkraft och rätt algoritmer, men med den här typen av verktyg kan en affärsanvändare skapa egna insikter. Har man dock krav på ett mer robust utförande där spårbarhet är viktigt så kan man komplettera med kompetens i form av en ML-expert eller Data Scientist, som kan ta fram egna arbetsflöden och program med hjälp av statiska verktyg som R. 

I stort så fanns det många spännande seminarier och företag representerade på IP Expo Nordic och framtiden ser ljus ut för Adaptive Analytics, Machine Learning och den digitala marknaden.