Machine Learning, eller specifik AI som det också kallas, är redan verklighet. Men vad är egentligen specifik AI och hur skulle du kunna använda det i ditt dagliga arbete? Det är något vi på Exicom börjat utforska. I denna artikel får du några exempel på praktiska tillämpningsområden för specifik AI.

Maskininlärning, eller machine learning, är ett område inom datavetenskapen. Det handlar om metoder för att få datorer att "lära" sig utifrån data utan att datorerna har programmerats för just den uppgiften. Genom att skapa matematiska modeller som körs många gånger kan programmet ”prova” en mängd olika samband och lösningar.

Området angränsar till statistik, artificiell intelligens och mönsterigenkänning och brukar ofta benämnas som specifik AI.

Inget nytt fenomen

Maskininlärning är, trots att det fått uppmärksamhet som något nytt de senaste åren, inget nytt fenomen. Principen bakom maskininlärning är istället gammal. Redan på 1920-talet fanns elektroniska apparater som lärde sig hur ekon uppstod på Atlantlinjer, och som kunde skapa kompenserande signaler som släckte ut ekot.

Men hur kan vi då använda maskininlärning i dag? Svaret är att det kan användas på många olika sätt. För att ge exempel på vanliga tillämpningar tar vi upp hur vi på Exicom börjat utforska maskininlärning för att optimera våra system.

1. Träna datorer att bli bättre och bättre på en uppgift

Genom maskininlärning kan datorer själva träna på att bli bättre och bättre på en viss uppgift. Denna uppgift behöver vara ganska ”snäv” som till exempel att svara på vanliga kundservicefrågor, få en robot att hålla balansen, spela schack, svara på jeopardyfrågor eller att konversera som en människa.

I vårt fall på Exicom skulle maskininlärning kunna användas för att träna vårt system att föreslå tidrapportering utifrån historik och mönster.

Till exempel om en medarbetare ofta varit på en viss plats geografiskt och ofta rapporterat tid hos en viss kund så kan systemet föreslå rapportering på den kunden utan att medarbetaren matar in det själv. I detta fall kopplar vi ihop vårt system med Googles positioneringstjänst.

2. Optimera ett system mot ett specifikt mål

Ett annat sätt att använda maskininlärning är att optimera mot olika mål, till exempel ett företags vinst. Genom att ge programmet tillgång till data kan programmet föreslå åtgärder som skulle kunna öka vinsten.

För Exicom skulle det kunna vara att vårt system analyserar profiler och kompetenser hos våra kunders konsultmedarbetare och hur de rapporterar tid på olika uppgifter. Med denna information skulle systemet gradvis kunna ge rekommendationer för hur framtida uppgifter ska estimeras för att skapa bättre lönsamhet.

3. Identifiera samband i stora datamängder som är svårt för oss människor att upptäcka

Ett tredje sätt att använda AI i form av maskininlärning är att ge datorn friare händer att hitta och föreslå samband den kan identifiera.

Ett exempel från vår värld skulle kunna vara följande:

Säg att vi skickar medarbetare på en säljutbildning.

Maskininlärning skulle kunna hitta samband för hur väl olika medarbetare tar till sig utbildningen. Till exempel genom att identifiera en tydligare korrelation mellan förbättrade säljresultat efter utbildningen för vissa grupper jämfört med andra. På detta sätt kan en chef eller controller hitta ledtrådar till hur de kan förbättra sin verksamhet eller förstärka faktorer som har positiv påverkan på något de vill uppnå. I detta specifika fall får vi förståelse för vilka utbildningar som har bäst effekt på vissa undergrupper i företaget.

Maskininlärning kan alltså handla om att få hjälp att se samband som människor har svårt att upptäcka. Både snabbare och bättre slutsatser med andra ord.