Kan maskinlæring løse bedriftens problemer?

Innen 2030 kommer vi til å jobbe med maskiner på måter vi en gang i tiden bare kunne drømme om. Måten vi lærer, jobber, kommuniserer, pendler – til og med rutinemessige helsesjekker – alt kommer til å endres.

Kunstig intelligens, maskinlæring, dyp læring og big data har vært på alles lepper de siste årene – og med god grunn. Mengden data som genereres øker for hvert år som går, takket være de 20 milliarder enhetene det forventes vil være koblet sammen innen år 2020. Det er ikke lenge til. Ser vi fram mot 2050, kan vi forvente en billion – tusen milliarder – tilkoblede enheter og «ting».

Maskinlæring (ML) er viktigere enn noen gang, og IKKE en døgnflue som vil forsvinne innen vi rekker å erfare verdien det kan tilføre virksomhetene våre. Innen 2030 kommer vi til å jobbe med maskiner på måter vi en gang i tiden bare kunne drømme om. Måten vi lærer, jobber, kommuniserer, pendler – til og med rutinemessige helsesjekker – alt kommer til å endres. ML er her, og alle bruker vi det nesten hver dag.

ML er en form for kunstig intelligens (AI) som gir maskiner evnen til å lære fra data uten at dette er eksplisitt programmert på forhånd. Når disse dataprogrammene eksponeres for ny data, lærer, vokser, endres og utvikles de på egenhånd. Som teknologi er ikke maskinlæring noe nytt, men muliggjort for mange takket være intelligens og prosesseringskraft som kan analysere data og mønstre for å hjelpe bedrifter med problemløsing. Slik tar ML avgjørelser som leder til håndfaste utfall for bedriften.

Tenk tilbake på forrige gang du handlet online, og butikken ga deg anbefalinger om andre relevante varer. Eller da musikkappen din foreslo rett sang på akkurat riktig tidspunkt. Hvordan kunne de vite hva de skulle vise deg? Dette er enkle eksempler, men det de har til felles, er systemer som raskt finner sammenhenger i data og mønstre for å forutse hva du trenger og når du trenger det. For selskaper er det store fordeler å hente når det kommer til å skape kundelojalitet, engasjement og tilfredshet, bygge nye inntektsstrømmer og kostnadsbesparelser ved å investere i maskinautomatisering og produktivitet.

ML er et sett med teknikker (algoritmer) som kan behandle enorme datamengder på en intelligent måte ved å utvikle logiske regler for å levere informasjonen som etterlyses. Veldig enkelt forklart, får en ML-algoritme et sett med læredata som den bruker til å svare på et spørsmål. For eksempel kan man gi en maskin et sett med bilder, på noen står det «dette er en katt», på andre står det «dette er ikke en katt». Videre kan du mate maskinen med nye bilder, og den vil begynne å identifisere hvilke bilder som var av katter

Enkelt forklart, dette kreves for å bygge en ML-løsning

  1. En utfordring: Hva synes folk om det nye produktet ditt?
  2. Samle data: Samle hele det digitale arkivet ditt. Du trenger minst 100 000 eksempler.
  3. Merk dataen: Gi hvert eksempel en verdi for å vise maskinen hva som forventes.
  4. Del datasettene: Dataen må deles inn i trenings-, validerings- og testdata.
  5. Evalueringskriterier: Sett standarder for å bestemme hva et godt resultat er, for eksempel en nøyaktighetsscore.
  6. Forventninger: Transformer rådatainput til en passende form for å trene en ML-modell.
  7. Modelltrening: En gjentagende raffineringsprosess av modellens ytelse med testdata. Juster dataen for å forbedre ytelsen til algoritmer med mer data, forskjellige egenskaper eller tilpassede parametere.
  8. Bruk modell- / bedriftsløsning: Rull ut den ferdig trente modellen for å gjøre forutsigelser med ny data = Et dataprogram som gjør forutsigelser du kan bruke for å løse din virksomhets problemer.

Det ser enkelt ut, men for mange bedrifter er det ikke nødvendigvis det. En maskin kan ikke bli smartere enn dataen den mates med. Dess mer data som mates inn i algoritmene, jo raskere kan den lære og raffinere analysene sine. Suksess med ML avhenger av store og brede datasett, men ML er mye mer enn data. Suksessfull ML avhenger også av ambisjonsnivå og tilgjengelighet på teknologi, verktøy og riktig kompetanse; alt fra bedriftsstrategi, produkt, markedsføring, bedriftsutvikling og teknologer (utviklere, dataforskere, analytikere, osv.)

Hos Dell Technologies har vi forutsett disse trendene, og spiller en rolle i databehandling og innovasjon i datasentre som strekker seg over prosessering, data, AI, ML og analyser, til å levere komplette ende-til-ende-løsninger (fra Edge til Core til Cloud) som gjør digital transformasjon mulig. Faktisk er vår produkt- og driftsorganisasjon den eneste av sitt slag som ser hele IT-infrastrukturen som ett. Vi leverer løsninger og tjenester som kombinert er en «game-changer» for våre kunder.

For eksempel:

  • Vår Ready Solution For Artificial Intelligence og Ready Bundles of Machine and Deep Learning er designet og godkjent for å gjøre høyytelsebehandling av data tilgjengelig for organisasjoner, med raskere, bedre og dypere datainnsikt som gjør analyser for bedriftsinnsikt bedre. Dette gir deg en raskere start.
  • Våre infrastrukturløsninger blir smartere ved å lære fra data. Rollen til lagring i ML er at den trenger store datasett for å læres opp skikkelig. Data varierer voldsomt i struktur, men inkluderer nesten alltid enorme mengder ustrukturert data som må akkumuleres og lagres for å være tilgjengelig for læringsalgoritmen. I tillegg er ML-modeller svært store, og dataen som prosesseres er det samme, samtidig som alt skjer i sanntid. Porteføljen med Isilon og ECS er optimalisert for å lagre petabyte og exabyte med ustrukturert data som vil hjelpe ML bli nøyaktig. All flash-lagringssystemer, som PowerMax, VMAX AF, XIO, Unity og SC er optimalisert for å gi rask tilgang både inn og ut av Dell EMCs læringssystemer i sanntid.
  • Dell EMC har GPU-servere som kan akselerere både trening og slutningselementer i ML. Mens CPU-er til vanlig bruk kan kjøre ML-algoritmer, krever datamengden som må prosesseres vanligvis til at kunder legger til maskinvareakselerering til arkitekturen sin. GPU-er er en av de beste måtene å akselerere ML-systemer, og Dell EMC-servere representerer optimaliserte servere for både trening og inferens (f.eks. PowerEdge R940xa).
  • Dell Precision Optimizer bruker ML og kognitiv teknologi for å sette opp desktop-opplevelsen automatisk basert på hva den har lært om bruken av akkurat den arbeidsstasjonen og nødvendig ytelse. I tillegg lærer den over tid, og tilpasser seg hver gang en bruker logger på – noe som øker til økt produktivitet og tilfredshet blant brukerne.

Svaret på spørsmålet om ML kan løse bedrifters problemer, er definitivt «ja!». ML-programmer gjør analyseringsbiten enklere, og hjelper virksomheter med å identifisere risiko og levere bedre tjenester. Jeg tror det er avgjørende for et ML-prosjekt at man har muligheten til å samle, lagre og raskt ta i bruk store mengder av data, som kan prosesseres med de riktige verktøyene.

Min anbefaling er at hver eneste bedrift bør ha store ambisjoner, men handle smart. I den tidlige fasen bør man fokusere på mindre suksesser som vil lede til større prosjekter, hvor man omfavner en kultur hvor det er lov å feile på et tidlig stadie. Hvordan kan vi komme på, og teste ut, nye ideer om vi ikke våger å mislykkes, og ta lærdom av det? Utnytt det som er tilgjengelig av for eksempel skyplattformer. Unngå å overkomplisere ved å samle og rense data for hele prosjektet. Hold deg til beste praksis, vær fleksibel i tilnærmingen ved å kjøre ML-pipelinen gjentatte ganger. Engasjer et team som vet hvordan man anvender den siste ML-forskningen for å løse din bedrifts problemer, også videre.

Maskinlæring kan oppdages og beskrives fra mange perspektiver. Om du vil lære mer, eller har kommentarer, ikke nøl med å ta kontakt med meg på LinkedIn, eller via e-post: jette.hansen@dell.com,

Jette Hansen, Sr Presales Manager, Dell EMC Nordics

About the Author: Dell Technologies