Kunstig intelligens, machine learning, deep learning og big data har fået stor opmærksomhed de sidste par år – og med god grund. Mængden af data, der genereres, stiger hvert år takket være de 20 mia. forbundne enheder, vi forventer at have nået i år 2020. Kigger vi endnu længere frem, mod år 2050, kan vi forvente at se en billion forbundne enheder.
Machine learning spiller i dag en større og vigtigere rolle end nogensinde før. Selvom teknologien stadig er i sin spæde start, har vi allerede oplevet den værdi, den kan tilføre virksomhederne. Inden vi når år 2030, vil vi arbejde med maskiner på måder, som vi hidtil kun har drømt om. Alt kommer til at ændre sig: Måden vi lærer på, arbejder på, kommunikerer med hinanden eller f.eks. pendler. Machine learning er kommet for at blive – og selvom vi måske ikke tænker over det, så bruger vi faktisk teknologien næsten hver dag.
Hvordan virker machine learning?
Machine learning er en form for kunstig intelligens (AI), som giver maskiner evnen til at lære af data, uden at det på forhånd er eksplicit programmeret.
Teknologien består af en algoritme med et bestemt sæt af ’læredata’, som den benytter til at svare på spørgsmål. Hvis du f.eks. giver en computer et læresæt med en række billeder, hvor der på nogle billeder står ”dette er en kat”, og på andre står ”dette er ikke en kat”, vil computeren på fremtidige billeder begynde at identificere, hvorvidt det er et billede af en kat eller ej.
Når maskinen eksponeres for ny data, kan den altså lære, vokse, ændre og udvikle sig selv ud fra disse data. Det betyder, at machine learning i dag kan hjælpe virksomheder med problemløsning, da teknologien kan analysere data og mønstre, som hjælper til at træffe velinformerede beslutninger, der kan føre til konkrete forretningsresultater.
Et eksempel på hvordan vi udsættes for kunstig intelligens i hverdagen er online shopping. Her bliver vi ofte præsenteret for en række produkter og varer i onlinebutikken, der er særligt udvalgt til os. Men hvordan ved butikken, hvad den skal anbefale lige netop dig? Dette er et simpelt eksempel, men kort forklaret handler kunstig intelligens – uanset størrelse – om systemer, der hurtigt finder en mening i data og mønstre for at kunne forudsige, hvad du har brug for og hvornår. For virksomheder betyder det, at der er store konkurrencefordele at hente ved brug af teknologien, når det kommer til kundeloyalitet, engagement og tilfredshed. Desuden kan teknologien skabe øget vækst og spare unødvendige omkostninger ved hjælp af automatisering, der øger produktiviteten.
Hvad skal der til, for at du kan bygge en machine learning-løsning?
- En udfordring: Hvad synes folk om dit nye produkt?
- Indsamling af data: Saml hele dit digitale register. Du skal bruge mindst 100.000 eksempler.
- Mærket data: Giv alle eksempler en værdi for at vise maskinen, hvad der forventes.
- Delt datasæt: Dataene skal inddeles efter trænings-, validerings- og testdata.
- Evalueringskriterier: Sæt standarder for at bestemme, hvad et godt resultat er – f.eks. en nøjagtighedsscore.
- Funktionsforventning: Transformer rå data til en passende form til at teste en machine learning-model.
- Test af model: En iterativ proces som raffinerer testmodellens ydelse med testdata. Juster dataene for at forbedre algoritmen med flere forskellige egenskaber for dataene eller tilpassede parametre.
- Brug modellen / forretningsmæssig løsning: Implementer den gennemtestede model for at forudsige ny data = Et computerprogram, som laver forudsigelser, der kan benyttes til at løse dine forretningsmæssige udfordringer.
Det lyder måske som en simpel proces, men hos rigtig mange virksomheder er det ikke tilfældet. En maskine kan ikke blive smartere, end den data den bliver fodret med. Jo mere data, desto mere kan den lære og forbedre sine analyser. Succesfuld machine learning afhænger altså både af store og brede datasæt, men også af ambitionsniveau, tilgængelig teknologi samt at have de rigtige personer involveret. Personer med de rigtige færdigheder inden for forretningsstrategi, produkt- og forretningsudvikling, marketing, data analytikere, infrastruktur arkitekter, applikationer m.v.
Fra Device til Datacenter til Skyen
Hos Dell Technologies har vi forudset udviklingen og er derfor gået ind i databehandling og innovation i datacentrene, der spænder over compute og processing, data, AI, machine learning og analyser, for at kunne levere komplette end-to-end infrastukturløsninger – fra Device til Datacenter til Skyen – der gør digital transformation mulig. Faktisk er vi den eneste virksomhed af vores slags, som ser hele it-infrastrukturen som én og tilbyder løsninger og tjenester hertil – der kombineret kan være gamechangers for vores kunder.
Her kommer nogle eksempler:
- Vores Dell EMC Ready løsninger til kunstig intelligens, og Dell EMC Ready Bundles til machine learning og deep learning er designet og godkendt til at gøre high-performance computing lettere tilgængelig for organisationer ved hjælp af hurtigere, bedre og mere data indsigt, der forbedrer forretningens beslutningsgrundlag. Dette hjælper din virksomhed til at komme hurtigere fra start.
- Vores infrastrukturløsninger bliver smartere ved at lære af data. Fordi machine learning kræver store datasæt, spiller storage derfor en betydelig rolle. Data varierer meget i struktur, men består næsten altid af store mængder ustrukturerede data, der skal aggregeres og lagres for at være tilgængelige for læringsalgoritmenterne. Derudover er machine learning-modellerne meget store, og den data der behandles i realtid, består oftest også af enorme mængder.
Porteføljen med Isilon og ECS er optimeret til at kunne lagre petabyte og exabyte med ustruktureret data, der hjælper machine learning til at blive præcis. Alle flash-lagringssystemer, såsom PowerMax, VMAX AF, XIO, Unity og SC, er optimeret til at give hurtig adgang til og fra Dell EMC’s læringssystemer i realtid. - Hos Dell EMC har vi GPU-servere, der kan accelerere hele processen for machine learning. Hvor de almindelige CPU’er kan køre machine learning-algoritmerne, kræves det, at kunderne tilføjer hardware for at kunne behandle de store mængder data – og GPU’er er en af de bedste måder at accelerere machine learning-systemer på. Hos Dell EMC har vi optimerede servere, der kan klare hele processen (f.eks. PowerEdge R940xa).
- Dell Precision Optimizer bruger machine learning og kognitiv teknologi til automatisk at indstille desktoppen baseret på dét, den har lært om brugen af den pågældende arbejdsstation samt den nødvendige ydelse. Derudover lærer den over tid, og tilpasser sig hver gang en bruger logger på – hvilket både øger produktiviteten og brugertilfredsheden.
Kan machine learning løse din virksomheds udfordringer?
Hvis du stadig sidder og overvejer, om machine learning kan løse din virksomheds udfordringer, så er svaret ”ja!”. Machine learning-programmer hjælper nemlig både din virksomhed med at identificere risici og til at levere endnu bedre services. For at opnå succes med machine learning, er det dog afgørende, at du har mulighed for at samle, lagre og tage store mængder data i brug hurtigt, så det kan processeres med de rigtige værktøjer.
Min anbefaling til alle virksomheder er, at de skal turde at tænke stort – men handle klogt: Udnyt hvad der allerede er tilgængeligt, f.eks. på forskellige cloud-platforme, pas på med at overkomplicere processen ved at indsamle og rense data for hele projektet, hold fast i jeres best practices for it, vær fleksibel, når I tester jeres machine learning, og involver et team, der ved hvordan den nyeste machine learning kan hjælpe jeres virksomhed. I den tidlige fase er det dog vigtigt at omfavne en kultur, hvor det er tilladt at fejle. Hvis der ikke er plads til at fejle, og lære af disse fejl, er det svært for medarbejderen at finde på, og teste, nye idéer, der styrker din virksomhed.
Machine learning kan udforskes og beskrives ud fra mange forskellige perspektiver. Hvis du vil vide mere, er du meget velkommen til at kontakte mig på LinkedIn eller e-mail: jette.hansen@dell.com.
Jette Hansen, Nordic Enterprise Presales Manager, Dell EMC
