Hva er egentlig maskinlæring og er det relevant for din bedrift?

Maskinlæring – en metode for å trene opp kunstig intelligens

Maskinlæring er et underfelt av kunstig intelligens, som består av metoder og teknikker for å trene opp et dataprogram, uten at det eksplisitt er blitt fortalt hva det skal gjøre. Vanligvis brukes et treningsdatasett som inneholder eksempler på oppgaven vi ønsker å løse.

Kunstig intelligens blir ofte sett på som en svart boks hvor man dytter data inn i den ene enden, og får ut intelligente analyser og smarte beslutninger i den andre enden. Modellen består av millioner av parametre som er med på å bestemme utfallet til algoritmen, noe som gjør det vanskelig å vite hvorfor eller hvordan en beslutning er tatt. 

I de seneste årene har man derfor forsøkt å gjøre boksen mer gjennomsiktig, via det vi kaller forklarbar kunstig intelligens, eller Explainable AI (XAI). Forklarbar kunstig intelligens kan for eksempel vise hvilket område i et bilde som var viktigst for beslutningen som ble tatt.

Hva kan kunstig intelligens og maskinlæring brukes til?

Kunstig intelligens og maskinlæring har mange bruksområder. De kan både brukes til å løse eksisterende problemer på en mer effektiv måte, og å løse tidligere uløste problemstillinger. De ser ofte sammenhenger i komplekse data som mennesker sliter med å få øye på, og kan også ta avgjørelser basert på dem.

La oss se på noen typiske eksempler på maskinlæring:

Medisinsk teknologi

Mange repetitive og tidkrevende medisinske oppgaver gjøres i dag manuelt av spesialister. Eksempler kan være å telle celler i histologiske bilder, skille ut kreftvev, og screening av prøver. 

Mange av arbeidsoppgavene er også betydelig vanskeligere, og selv eksperter på fagfeltet sliter med lav nøyaktighet og begrenset reproduserbarhet. Det kan for eksempel gjøre det vanskelig å stille riktig diagnose. Med KI kan utvalgte oppgaver bli automatisert, slik at spesialister kan jobbe mer effektivt og bruke mer av tiden sin på de vanskelige oppgavene. KI kan også brukes som et beslutningsverktøy for å hjelpe til med disse.

Norske sykehus sitter i dag på en gullgruve av data som kan benyttes i maskinlæringsalgoritmer. Den største ulempen er mangel av sannhetsmarkeringer på dataene, og at det ofte kreves eksperter for å lage disse markeringene.

Autonome kjøretøy

De største bilprodusentene jobber ivrig etter å utvikle selvkjørende biler og busser. Norge er i verdenstoppen på selvkjørende busser, og den første autonome bussen i rutetrafikk i Norge ble testet i 2018.

Noen bilprodusenter satser på å kombinere data fra flere sensorer, slik som kamera, radar og lidar for å lage en modell av verden rundt bilen. Andre selskaper, som for eksempel Tesla, har på sine siste bilmodeller gått for kun kamera og bildegjenkjenning.

Også i båtindustrien satser mange på autonome skip. Yara Birkeland har ambisjoner om å sette i drift verdens første selvkjørende containerskip i 2022 for å frakte mineralgjødsel mellom Porsgrunn og Breivik. I Trondheim frakter den lille førerløse fergen milliAmpére passasjerer over kanalen.

Presisjonslandbruk

Innen norsk jordbruk og matproduksjon er systemer som benytter kunstig intelligens allerede blitt testet ut, i det som omtales som presisjonslandbruk. Her brukes kunstig intelligens blant annet til å gjøre bruken av sprøytemidler mer presis, og automatisk plukking av jordbær. Bruk av KI innen landbruk kan potensielt føre til høyere lønnsomhet for bonden.

Også innen havbruk har kunstig intelligens en viktig rolle. Her brukes teknologien blant annet til automatisert veiing og telling av laks, som deretter rapporteres til Mattilsynet. Kamerateknologi og bildegjenkjenning blir brukt til å gjenkjenne laksens lengde automatisk.

«Disse målingene er mye mer nøyaktige enn den manuelle metoden, og i tillegg slipper man å ta opp og håndtere fisken utenfor merden. Derfor blir også dyrevelferden bedre.»  – Turid Storaas Nastad, prosjektleder i Inventas.

Edge-computing: Mikrokontrollere og FPGA

I KI-systemer fanger vanligvis sensorer og kameraer opp data, for så å sende den videre til skyen for prosessering. Men det er også mulig å prosessere dataene helt nede på sensornivå ved hjelp av mikrokontrollere og FPGA. Dette omtales ofte som edge-computing, og har flere fordeler.

Et eksempel kan være et prosessanlegg med tusenvis av ventiler. Disse har begrenset levetid og krever vedlikehold eller utskiftning. Ofte blir de byttet ut en god stund før levetiden er over, for å slippe nedetid som følge av en feil som oppstår. Med edge-computing kan en sensor overvåke tilstanden til ventilen i sanntid og bruke KI til å forutse feil før de inntreffer, og varsle operatøren.

FPGAer har også vist seg å fungere utmerket som edge-computing enheter. Studien Are FPGAs Suitable for Edge Computing? konkluderte med følgende:

«Basert på våre observasjoner, argumenterer vi for at FPGAer bør betraktes som en erstatning eller komplementær løsning for nåværende prosessorer på edge-servere.» – Are FPGAs Suitable for Edge Computing?

Kan jeg bruke maskinlæring i min bedrift? 

Du er kanskje nysgjerrig på hvorvidt maskinlæring og kunstig intelligens kan brukes i din bedrift. Det korte svaret er mest sannsynlig ja. Det betyr ikke at du nødvendigvis trenger det. Et bedre spørsmål å stille seg er: «Bør jeg implementere maskinlæring?» De fleste problemer kan nok løses på langt enklere måter. 

Skal du for eksempel regulere væskenivå i en tank, finnes det allerede robuste sensorer og løsninger på dette i dag. Har du derimot en del av prosessen som i dag blir utført manuelt av personell, fordi det ikke finnes sensorer eller systemer som kan erstatte arbeidsoppgaven, kan maskinlæring være en mulig løsning.

Maskinlæringssystemer trenger ikke nødvendigvis å erstatte mennesker helt. Mennesker trengs fremdeles som et beslutningsverktøy. Et ML-system kan overvåke tusenvis av sensorer, og kun presentere de sensorene som krever oppmerksomhet til en operatør. 

Et annet eksempel er leger på et sykehus som studerer medisinske bilder. Dette kan være en svært krevende oppgave, men med hjelp av ML kan både nøyaktigheten til legen gå opp, samtidig som tiden det tar å prosessere et bilde går ned.

Som nevnt, er det nødvendig med et stort datasett for å kunne trene opp en maskinlæringsmodell. Noen bedrifter sitter på store mengder data som de ikke vet hva de skal bruke til. Maskinlæring kan her benyttes til å finne nye sammenhenger, gi innsikt i dataene, og trene opp modeller som kan brukes til fremtidige prediksjoner på lignende data.

Vi kommer nok til å se maskinlæring dukke opp innen flere og flere bransjer fremover, men det er fortsatt et åpent spørsmål hvor raskt det vil gå.

«I think applied deep learning in the industry is generally doing well, except for a general tendency to oversell the capabilities of current technology, and be overly optimistic about the near future.» – François Chollet, skaper av Keras og Google AI-researcher

Samtidig er det sjelden dumt å være tidlig ute, for å slå konkurrentene dine til målstreken.