Machine Learning
Med Machine Learning kan du forudse tendenser og mønstre via en algoritme i computeren, som ikke behøver at blive overvåget af en ansat.
Hvad er machine learning?
Et af tidens hotte emner kan opsummeres som “anvendt statistik”. Med lidt flere ord er anvendelse af teknologi til at “lære” et program at spotte mønstre i data. Nogle gange er det for at lære maskinen hvordan den skal gøre kendte ting, andre gange er det for at få synliggjort sammenhænge mellem data, der ellers ikke var klare ved første øjekast. Machine Learning lyder tit futuristisk, men det anvendes allerede i dag bredt til mange ret konkrete opgaver.
Det bruges bl.a. til billedgenkendelse, i selvkørende biler eller for at forudse hvornår vedligehold er nødvendig i vindmøller. Men det bruges også lavpraktisk til at finde ud af hvor intranet dokumenter skal lægges, og det er efterhånden så udbredt, at det ikke længere er raketvidenskab. Den største udfordring ved machine learning er i virkeligheden at finde det rigtige datagrundlag, programmet skal have noget at lære ud fra. Konkret findes der flere forskellige metoder inden for machine learning, der er gode til meget forskellige ting.
Hvordan fungerer machine learning?
Før i tiden skulle en computer have meget præcise instruktioner for at kunne løse en given opgave. I dag kan vi via machine learning fortælle en computer, hvordan den skal lære at løse en opgave selv. Programmørens opgave er at udpege hvilke statistikker og algoritmer der skal til, for at computeren kan lære at identificere et mønster. Fordelen med machine learning ligger derfor i at så snart computeren kan forudsige et mønster i noget data, kan den meget præcist forudsige eksempelvis et kommende stop i en produktion, hvis en enhed skal serviceres, mm.
Hvordan forløber et machine learnings projekt hos os?
En stor del af machine learning er at finde ud af om ens antagelser holder. Et machine learning projekt hos Iterator IT starter derfor altid med en undersøgelsesfase hvor vi beviser casen. Outputtet her kan være en visualisering eller bare en dokumentation for, at det vi havde sat os for, kunne lade sig gøre – og gav de ønskede insights.
Oftest timeboxer vi forprojektet og sætter f.eks. 2 uger af, så der er et loft over hvor lang tid research fasen varer. På den måde er der ikke noget der pludseligt stikker af tidsmæssigt.
Hvordan skaber det værdi for jer
Det er vigtigt at en IoT-løsning tager afsæt i konkrete behov og use cases. Det er ikke afgørende at man har en fuld forretningsplan for at komme i gang, men det er en god idé at have en vision om hvor man gerne vil hen. Løsningen skal selvfølgelig tage afsæt i et konkret behov, men i løbet af et projekt vil man undervejs blive meget klogere og skarpere på, hvor man præcist får et stort udbytte.
Ved at få et IoT-udviklingshus som os, til at hjælpe jer med jeres IoT-løsning, har I hele tiden ekspertøjne på jeres projekt. Vi er opdateret på alt det nyeste, der rører sig inden for området, og vi vil derfor også være i stand til at udvikle, rådgive og guide projektet fra start til slut, med den nyeste viden i baghånden. IoT kan give store langsigtet besparelser, så kan I se øjeblikkelige forbedringer I jeres forretning, så snart jeres løsning er implementeret.
Machine Learning case
Her er et eksempel på et af vores machine learning projekter. Til dette projekt havde vi vores ML specialist onsite hos FarrowTech for at arbejde med træningsmateriale og machine learning.
Farrowtech
Intelligent kamera hvis mission er at halvere antallet af dødfødte med machine learning teknologi.
