Maskininlärning och data science

Maskininlärning (ML) är ett område inom artificiell intelligens där modeller tränas baserat på historiska data. ML används för att träna modeller inom vitt skilda områden. Dagens populära neuronnätsmodeller som rönt stora framgångar inom bild-, ljud- och textanalys har alla tränats med maskininlärning.

Fördelar med maskininlärning är bland annat att det är ett snabbt och enkelt sätt att få tillgång till avancerade modeller. Det finns många vältestade algoritmer tillgängliga idag för en mängd olika typer av problem.

En nackdel med många maskininlärningsalgoritmer är att modellerna blir svarta lådor som kan ge väldigt bra resultat men som är hart när omöjliga att förstå hur de fungerar.

Maskininlärningsalgoritmer är också känsliga för skev, eller på annat sätt missvisande, data. Om träningsdatan inte är representativ för det problem man vill lösa så kommer modellen inte bli bra.

Många metoder för maskininlärning passar för problem med ganska mycket tillgänglig träningsdata som också täcker utfallsrummet väl. Det gäller alltså att ha koll på vilka algoritmer som finns och vilka styrkor och svagheter de har.

Prognoser och beslutsstöd som ger mätbar effekt i verksamheten

Planering

I många fall är den värdeskapande processen hos ett företag lång, komplex och beroende på många parametrar. Att planera och optimera ledtider, beställningspunkter, lager och logistik är en ständigt pågående utmaning för alla företag.

Rätt använd kan maskininlärning och AI ta din planering till nästa nivå. Genom att använda prediktiva modeller för hur en handling påverkar ett utfall, så kan man simulera kedjor av handlingar och beslut och se vilka aktiviteter som ger bäst utfall på en högre nivå. Tillsammans med planerande modeller kan man få ett mer strategiskt perspektiv på sina ML-modeller.

AI-baserad planering används ofta för att balansera risker mot intäkter och utgifter eller för att tidigt undvika flaskhalsar i komplexa processer. Nästan alla företag kan utveckla sin planering ytterligare och på så sätt ge stöd i prioriteringar och beslut för produktionen. Ingen produktionsprocess är dock helt stabil. Beroende på inre och yttre faktorer varierar resultatet och kvaliteten. Det är en ständig strävan att göra dessa variationer så små som möjligt men framförallt att bättre kunna förutse när de kommer och när de faller utanför tolerans. När en störning uppstår vill man kunna planera om så snabbt som möjligt baserat på de nya förutsättningarna, och i en sådan process kan AI också komma väl till pass.