Varför är maskininlärning en utmaning för företag? AppDynamics listar 8 vanliga anledningar

Vad är egentligen anledningen bakom framgångssagan Netflix och deras tjänst som gör att vi varje kväll kan få skräddarsydda filmerbjudanden från soffan?

Maskininlärning är svaret. Netflix är ett av de företag som dragit många fördelar av maskininlärning och Artificiell Intelligens. Maskininlärning spelar en otroligt viktig roll i affärsapplikationer idag och kommer få en större betydelse med tiden. Men trots de framsteg som maskininlärning gjort den senaste tiden är användningen av det en utmaning för många företag. Detta beror oftast på att omfattande maskininlärningstillämpningar är bristfälliga inom företagskulturen. Eller en okunskap om vad maskininlärning faktiskt innebär.

Maskininärning handlar förenklat om att få datorer att tolka information och dra slutsatser på samma vis som vi människor gör. I ett tidigt skede trodde man att viss data och information kunde utveckla en intelligens hos datorn likvärdig med människans. Idag vet vi bättre, men med hjälp av AI kan vi däremot ge datorn verktyg att förstå och generalisera information genom olika verktyg och ramverk.

Det finns en hel del fallgropar att undvika när man använder sig av maskininlärning. Men en tveksam inställning är inte en bra strategi. Eftersom att den som förlorar anslutningen kommer att betala dyrt: genom minskande konkurrenskraft.

Applikationsexperten på AppDynamics listar åtta problem som företag måste ta sig förbi för att lyckas.

Det är oklart vad maskininlärning är.

Även IT-experter vet inte alltid vad maskininlärning är. Maskininlärning betyder att matematiska metoder används för att söka stora mängder data för att sedan hitta mönster. Dessa algoritmer tar bort störande ”buller” från dataproverna.

Förmånerna är inte uppenbara

Styrkan hos ML-algoritmer är att de kan anpassa sig till växlande system utan mänskligt ingripande. De kan skilja på normala och onormala beteendemönster och kan därför vara till nytta inom många områden, till exempel sjukvård och säkerhetsapplikationer. Detsamma gäller applikationer som klassificerar data eller ger användarna rekommendationer om vilka varor som passar deras smak. Ett annat användningsområde är tal-och-bildigenkänning.

Hitta rätt start

Företag vet ofta inte hur man ska implementera maskininlärning. Detta görs ofta på två sätt: Anställda börjar använda ML för egen dataanalys alternativt att företag skapar en lösning som integrerar ML-algoritmer, som exempelvis en lösning för applikationsresultathantering.

Förbered data

Att enbart samla in relevant data för att sedan ”jaga” en ML-algoritm fungerar inte. Snarare måste data aggregeras och kompletteras med saknad information. Det är också nödvändigt att ta bort skräp på datorn och att kunna sätta informationen i rätt ordning.

Brist på offentligt tillgängliga, sekretessbelagda uppgifter

Första steg mot maskininlärning skulle vara lättare om tillräckligt med ”märkta” dataset var tillgängliga. Sådan information är nödvändig för att öva maskininlärning och djupa inlärningssystem. Tyvärr är sådana informationslagren endast tillgängliga i begränsad utsträckning. Därför tvingas företagen ofta till en ”kallstart” när de initierar ett ML-projekt.

Domänkunskaper krävs

Man skulle kunna beskriva maskininlärning som den perfekta kombinationen mellan en algoritm och ett problem. En maskininlärningsexpert behöver därför ”domänkunskap” som inkluderar speciell kunskap om branschen som företaget verkar i, vilken tillverkningsteknik företaget använder och kunskap om vilken data som IT-systemet genererar.

Dataspecialister har inte alltid rätt kompetens

De flesta som arbetar med datavetenskap är i grunden matematiker. Därför besitter de inte alltid domänkunskap som är relevant för sina arbetsgivare.

Ett vanligt ”språk” saknas.

I maskininlärningsprojekt i företag finns det ofta inga regler om hur resultaten ska erhållas. Därför skapas ”silor” eftersom anställda använder olika dataprover och definitioner av inmatningsvärden. Som ett resultat producerar ML-analyser mycket olika resultat. Sådana skillnader kan ge upphov till tvivel om fördelarna med ML.