Deep learning kan forandre alt for virksomheder

Deep learning kan forandre alt for virksomheder

Årtiers udvikling af algoritmer, neurale netværk og computerkraft har sat gang i en industriel revolution, som kan vende op og ned på vindere og tabere i den globale konkurrence.

Masser af data, computerkraft, avancerede algoritmer og neurale netværk er ved at forandre verden.

World Economic Forum har for længst udråbt big data som en af de drivende faktorer i verden lige nu, og i 2013 udnævnte det amerikanske teknologiuniversitet MIT’s Tech­nology Review deep learning som en af årets vigtigste teknologier.

Virksomheder, der er med på beat­et, gennemtrawler i dag nettet for at finde data, der kan gøre deres forretning mere effektiv via såkaldt deep learning eller machine learning.

Med big data fra både egne interne databaser og eksterne kilder optimerer virksomhederne deres processer, forbedrer kvaliteten og knytter kunderne tættere til produkterne.

»Jeg tror, vi står foran en ny industriel revolution, hvor masser af trivielle opgaver bliver automatiseret med big data og avancerede algoritmer som deep learning. Der vil ikke være en branche, som ikke bliver influeret, og de, som ikke er med, vil bukke under,« siger den danske ph.d. og ingeniør Morten Middelfart, der er bosat i USA og er en af de mere erfarne, når det gælder brug af big data i kommercielt øjemed.

Siden 1995 har han startet flere succesfulde virksomheder i Danmark og USA, hvor basis har været avancerede analyse-algoritmer, fuzzylogik og neurale netværk. I 1996 grundlagde han analysevirksomheden Targit. I dag arbejder han med analyse af kræftceller i virksomheden Genomic Expres­sions og sammenkædning af brugere af sociale medier via virksom­heden Social Quant.

Data giver dominans

Morten Middelfart opfordrer derfor virksomhederne til at komme i gang:

»For hvis du mestrer trenden, så taler vi ikke bare om en lille forbedring i markedsandele, vi taler om global dominans inden for en industri,« siger ingeniøren, der har to ph.d.er og en MBA med sig i bagagen.

Det er imidlertid endnu langtfra alle danske virksomheder, der har opdaget potentialet i data, viser en undersøgelse fra Dansk Industri. Blandt de små og mellemstore medlemsvirksomheder bruger kun hver tiende i dag big data i deres forretning, mens det er 40 procent blandt de store virksomheder:

»Men heldigvis har vi i Danmark en tradition for hurtigt at optage nye digitale værktøjer, så jeg tror, at også de mindre virksomheder hurtigt vil begynde at udnytte muligheder med big data og avancerede analyseværktøjer,« siger Adam Lebech, branchedirektør for DI Digital.

En af dem, der allerede er hoppet med på vognen, er den dansk-tyske virksomhed Easi’r, der leverer management-systemer til bilbranchen. Her bruger man neurale netværk til at analysere data fra kunder, så en bilforhandler for eksempel kan sende det helt rigtige tilbud på det tidspunkt, hvor kunden er mest tilbøjelig til at slå til.

Læs også: Fuzzylogik fortæller bilforhandleren, når du er købeklar

Årtier fra tanke til handling

Tankerne og teknikkerne bag machine learning og deep learning er på ingen måder nye. Fra tidligt i 1950’erne og frem til begyndelsen af det nye årtusinde har drømmen om neurale netværk, der kan efterligne den menneskelige hjernes neuroner og processer, bølget frem og tilbage med større eller mindre succes.

Ideen er at ‘træne’ netværket med store mængder data, så det kan lære sammenhænge. Men algoritmerne, som fodrer data ind i netværkene, var i årtier enten for svage, eller computerkraften for ringe.

I årene 2006 til 2010 skete der imidlertid noget: Deep learning- teknikker, hvor hvert lag i netværket har sin egen funktion og fodrer det næste lag, mødte en stærkt forøget computerkraft og adgang til enorme mængder data. Og så begyndte forskerne at få resultater. Siden er det gået over stok og sten, og i dag findes der netværk med over en million neuroner og tusindvis af lag.

Virksomheder som Facebook, Google, IBM og Microsoft investerer enorme beløb i teknologierne og har løbende ansat førende forskere på feltet. I 2014 købte Google den britiske virksomhed DeepMind, som havde lært en software-robot at spille ‘Space Invaders’ alene ved at fodre den med data for pixels på skærmen.

Hvis deep learning og big data virker som en ordentlig mundfuld for de mindre danske virksomheder, er der hjælp at hente. Flere initiativer med støtte fra DI, Industriens Fond og Innovationsfonden er klar til at hjælpe virksomheder ind i den nye verden.

Kommentarer (11)

Vil først lige gøre opmærksom på et Coursera kursus i machine learning.

https://www.coursera.org/specializations/m...

Et eksempel må være Tesla's selvkørende biler, men det kunne være spændende at se eksempler på anvendelser fra mindre danske virksomheder, - som kursus beskrivelsen står, har jeg meget svært ved at se det praktisk anvendt, - her kunne inspiration være en rigtig god ide.
Vi mennesker lærer jo også bedst gennem eksempler, ligesom computerne n gør :)

  • 1
  • 0

Præcis! Kan ikke lige se, hvordan "big data" kan være brugbart i en virksomhed der f.eks. producerer hydraulik cylindre... Tror næppe big data er relevant for alle brancher.

  • 1
  • 1

Præcis! Kan ikke lige se, hvordan "big data" kan være brugbart i en virksomhed der f.eks. producerer hydraulik cylindre... Tror næppe big data er relevant for alle brancher.

Uden at kende bare en smule til produktion af hydrauliske cylindre: Udrydde fejl. Fodr modellen med data for leverandør af materialet, tidspunkt for produktionen, maskine, medarbejder etc. og brug resultatet til ekstra check af specifikke eksemplarer.

Men det er nok ikke det mest oplagte område, det har du nok ret i.

Meget firkantet sagt, så er "big data" modeller oftest bedst til at gode til at FORUDSIGE om næste kunde/produkt etc vil have et bestemt egenskab, men det sker på bekostning af overskueligheden. Hvis man ønsker en FORKLARING på hvorfor det er tilfældet, så er gammeldags statistiske metoder nok bedre, selv om de er mindre præcise i deres evne til at forudsige.

I tilfældet med hydraulik cylindre, så vil man med big data kunne få at vide hvilke cylindre der skal have et ekstra check, men hvis man vil vide hvor i processen det gå galt, så er det bedre f.eks. at lave en simpel logistisk regressionsmodel, hvor man meget gennemskueligt kan se om det er stålet, maskinen, medarbejderen eller tidspunktet der er den største årsag til fejl.

Det største der nok er sket de sidste par år er ikke med algoritmerne, men tilgængeligheden. Det er i dag utroligt nemt at komme igang med at få testet om machine learning kan hjælpe en eller ens virksomhed.

Jeg kan stærkt anbefale at afprøve Microsoft Azure Machine Learning, hvis man har en smule interesse eller praktisk erfaring med statistik. Hvis man har et nogenlunde "rent" datasæt, så er det formidabelt nemt at komme igang med. For mig tog det under 30 minutter fra jeg første gang havde hørt om Azure ML til jeg havde fået trænet den første model og yderligere en lørdag indtil jeg havde fået rekodet variablerne til noget mere brugbart, testet de fleste muligheder igennem og optimeret modellen. Og hvis forsøget falder heldigt ud, så har man med to klik et færdigt API eller sågar et Excelark, der kan lave forespørgslerne for en.

Og det allerbedste: Microsoft Azure giver en 1300 kr og en måned til at afprøve det før man skal til at betale for nogetsomhelst. Det er faktisk langt rigeligt til at få en god fornemmelse af hvad Machine Learning er på et brugerniveau og om det kan tilføje værdi til ens forretning.

(hvis jeg så bare kunne finde mig et job, hvor jeg kunne bruge det, så ville det jo være helt perfekt)

  • 3
  • 0