– Dette er en ny m?te ? l?se problemer p? for Tine. Og sikkert ogs? for en del andre bedrifter, sier Ivar Kristoffer Huitfeldt.
Han er del av et lite team med utviklere som jobber p? to prosjekter med data science og dypl?ring i Tine – p? vidt forskjellige omr?der: utfylling av faktura – og analyse av melkepr?ver som skal oppdage u?nskede sporedannende bakterier.
Helt urelaterte er disse prosjektene likevel ikke. Begge handler om ? bruke data og kunstig intelligens for ? spare tid og f? st?tte til ? ta bedre beslutninger.
Mer spesifikt bruker de her s?kalte nevrale nettverk og dyp l?ring. Slikt vil h?res komplisert og kanskje avskrekkende ut for mange. Men faktisk er dette noe veldig mange virksomheter kan utforske – og ha stor nytte av, mener Huitfeldt.
– N?r det er snakk om nevrale nettverk og lignende teknologi, tenker folk med en gang p? ansiktsgjenkjenning og selvkj?rende biler. Men det er bare snakk om en metode for ? automatisere ulike beslutninger, som kan brukes til ganske dagligdagse administrative oppgaver. Det er egentlig ikke s? veldig hokus pokus, sier han.
Hva slags muligheter som ligger i denne teknologien for alle typer virksomheter, kan du n? l?re om i mikroemnet ?Introduksjon til dyp l?ring? p? Universitetet i Oslo, en del av UiOs nye videreutdanning i data science, ?Fra data til innsikt?.
Emnet er i praksis et tredagers kurs, som holdes 9.–10. og 16. januar 2023. Dette er n? ?pent for p?melding for ansatte i offentlig sektor og i n?ringslivet, med frist 12. desember 2022.
Fakta: Dyp l?ring
Dyp l?ring er en metode innen maskinl?ring der en trener opp s?kalte nevrale nettverk til ? gjenkjenne m?nstre i data.
Datamaskinen vil her lete etter m?nstre i data p? en m?te som er inspirert av hvordan menneskehjernen fungerer. Ved hjelp av algoritmer kj?res de relevante dataene gjennom ulike ?nevroner?, som er designet for ? fungere litt som hjernens nerveceller. Disse er knyttet sammen og bygget opp i flere lag – slik at dataene, etterhvert som de g?r gjennom nettverket, vil vurderes og vektes opp mot variabler og utfall fra andre deler av nettverket. Det er derfor det kalles ?nevrale nettverk?. Til slutt vil en kunne f? et bestemt forslag eller svar p? problemet i den andre enden.
Bruker kunstig intelligens til ? finne sporer
Hva slags bedrifter er dyp l?ring aktuelt for? Det er ikke noe fasitsvar. Det handler om ? bli bevisst p? mulighetene – og s? m? det komme et initiativ. Enten det kommer ovenfra eller nedenfra. Slik var det ogs? hos Tine. Huitfeldts team jobber med automatisering av forretningsprosesser som prim?roppgave, der de fort s? potensialet i maskinl?ring og dyp l?ring som et viktig verkt?y for ? oppn? dette.
Det f?rste prosjektet deres innenfor kunstig intelligens ble til litt tilfeldig, gjennom at Huitfeldts team hadde dialog med en avdeling som selv ?nsket ? digitalisere og ta i bruk data i beslutninger. Her s? de kjapt et potensial for ? automatisere deler av prosessen med ? analyse melkepr?ver for sporer.
– Dette er en veldig ressurskrevende prosess. I veldig mange av melkepr?vene de plukker ut, finnes det ingen sporer. Det betyr at de bruker ressurser der det ikke er n?dvendig. ?nsket var at de skulle ta ut langt f?rre pr?ver, men med h?yere treffsikkerhet.
– Vi har derfor utviklet en algoritme som gir dem forslag til om en bestemt pr?ve skal plukkes ut for analyse eller ikke, sier Huitfeldt.
Denne maskinl?ringsalgoritmen er trent opp med relevante datasett, slik som historiske data om tidligere melkepr?ver – samt ting som v?rdata fra g?rden melken kom fra. Nedb?r rundt tiden for innh?sting av f?ret til kyrne er nemlig en av faktorene som spiller inn p? om det kan komme sporer i melken.
– Det er langs veien fra f?r til jur til melk at det oppst?r sporer. Da kan vi for eksempel koble inn data fra Meteorologisk institutt for ? se p? nedb?rsmengden p? et bestemt tidspunkt p? postnummeret der g?rden ligger, sier Huitfeldt.
N?r lab-medarbeiderne n? skanner en melkepr?ve, f?r de opp fargekoder hvor gr?nn betyr at den b?r analyseres for anaerobe sporer og gul for aerobe sporer. Som et resultat, forteller Huitfeldt, jobber de ikke n? bare mer effektivt p? laben, men oppdager flere melkepr?ver enn tidligere som inneholder sporer.
Fakta: Fra data til innsikt
Ny etter- og videreutdanning (EVU) innen data science fra Universitetet i Oslo (UiO). Programmet startet opp h?sten 2021 og g?r n? for andre gang.
Hvert mikroemne er et kort kurs som g?r over tre dager og gir 2,5 studiepoeng. Disse kan fullf?res enkeltvis eller settes sammen til en utdanning. Vinteren og v?ren 2022/23 gis det emner om digitale tvillinger, beregning av usikkerhet (maskinl?ring) og dyp l?ring. I utviklingen av programmet har UiO 亚博娱乐官网_亚博pt手机客户端登录et DigitalNorway og L?rn.tech.
Neste kurs heter ?Introduksjon til dyp l?ring? og undervises av postdoktor Vegard Antun. Det er rettet mot ansatte i det offentlige og i n?ringslivet, gjerne i SMB-er, som ?nsker ? l?re mer om mulighetene i denne teknologien for sin virksomhet. Anbefalte forkunnskaper er en bachelor i realfag, med noe bakgrunn i matematikk og programmering. En komplett liste over anbefalte forkunnskaper finner du p? emnesiden.
Kurset holdes 9.–10. og 16. januar 2023. Kursavgiften er i pilotperioden p? kr. 5.000,-. P?meldingsfrist 12. desember 2022.
Sparer mye tid
Det andre data-science-prosjektet som er produksjonssatt hos Tine, handler om innkommende fakturaer.
Ogs? her har Huitfeldt og teamet utviklet en maskinl?ringsalgoritme som kommer med et forslag. N?rmere bestemt vil algoritmen fors?ke ? fylle ut feltene i fakturaen automatisk – hvilken konto, type kostnad, hvilken avdeling, og s? videre – og s? er det opp til de enkelte medarbeiderne om de godtar forslagene.
? bruke dyp l?ring var for dem et bedre og mer dynamisk alternativ enn ? bruke hardkodede regler for hvordan fakturaer kan utfylles automatisk, som ville m?tte endres manuelt hver gang det for eksempel kommer en ny leverand?r.
– Med maskinl?ring og dyp l?ring kan vi heller sette opp automatisk retrening, slik at algoritmen alts? l?rer av valgene som blir gjort underveis, sier Huitfeldt.
Er algoritmen usikker, kommer det ikke noe forslag. Per n? er det omtrent 40 prosent av fakturaene som f?r forslag, og av disse er 80 prosent riktig, forklarer Huitfeldt – som legger til at en viktig del av jobben er monitorering og justeringer n?r algoritmen f?rst er satt i produksjon og l?ser reelle problemer.
Underveis logges alle automatiseringer og tiden som blir spart – og Huitfeldt ansl?r at de allerede sparer inn ?tte timer med rutinejobb hver dag p? denne prosessen, alts? et fullt dagsverk.
For andre som vil utforske mulighetene med dyp l?ring, mener han at nettopp faktura kan v?re et bra sted ? starte der en kjapt kan hente gevinster – fordi det er et omr?de der en allerede har strukturerte og p?litelige data.
– Dyp l?ring er veldig godt egnet som metode n?r du har data du kan stole p?, ?nsker ? predikere noe frem i tid, og vet at det finnes en link mellom historikken og det som vil skje i fremtiden. Da er maskinl?ring og dyp l?ring et ypperlig verkt?y for ? finne den linken. S? er det selvf?lgelig viktig at den outputen ogs? gir forretningsverdi, sier Huitfeldt.
Vil du l?re mer om mulighetene med kunstig intelligens og dyp l?ring? Meld deg p? ?Introduksjon til dyp l?ring? p? Universitetet i Oslo innen 12. desember 2022.