Robot der holder forskellige ting i mange arme

Det er svært at spå - især om fremtiden. Men de avancerede algoritmer og modeller bag begrebet machine learning gør hele tiden forsøg på det, når de ved hjælp af data prøver at forudse udviklinger og mønstre baseret på menneskers tidligere adfærd.

Du har allerede mærket brugen af machine learning, selv om du som de fleste ikke ved, hvad begrebet egentlig dækker over.

Men det er machine learning, der hjælper Google til at blive bedre og bedre til at levere de søgeresultater, som matcher dine søgninger. Det er også machine learning, der udvælger interessante film og serier til dig på Netflix eller fungerer som en personlig shopper på nettet og kan lave indkøbslister baseret på dine tidligere indkøb og indkøb, som andre der ligner dig, har foretaget. Og der er machine learning bag Facebooks udvalg af reklamer og forslag til at finde nye venner til dig.

”Machine learning handler om at bruge statistiske modeller til at forudse, hvad der sker i morgen. Eller sagt på en anden måde, så prøver man at forudse adfærd. Det sker selvfølgelig på baggrund af data, som man skal have mange af for at få machine learning til at give resultater,” siger Thomas Rosenquist, som er Senior Enterprise Architect i Office of Technology i KMD.

”Et klassisk eksempel er, at man i telebranchen længe har brugt machine learning til at forudse, hvilke af ens kunder, der planlægger at opsige deres abonnement i næste måned,” siger han.

Mobilselskaber har længe arbejdet med big data, og når man sætter kundernes stamoplysninger som køn, alder og bopæl sammen med kundernes adfærd, får man ny indsigt. Mobilselskaberne ved alt fra antallet af opkald til kundens mor, venner og forretninger og til hans brug af data. Med disse data kan man lave en beregning på, hvor stor sandsynligheden er for, at han også vil være kunde i næste måned – fordi man sammenligner hans adfærd med andre brugeres adfærd.

”Machine learning giver dig indsigt i mængder af data, som ellers er alt for mange og alt for uoverskuelige til at se sammenhænge i for os mennesker,” siger Thomas Rosenquist.

Machine learning giver dig indsigt i mængder af data, som ellers er alt for mange og alt for uoverskuelige til at se sammenhænge i for os mennesker

Thomas Rosenquist, Senior Enterprise Architect i Office of Technology i KMD

Machine learning gør computerne klogere

Machine learning er et af tidens store buzzwords og repræsenterer da også store fremskridt i computernes evne til at ”lære”. Siden man begyndte at bruge machine learning i 1990erne, er der dog to væsentlige faktorer, som har ændret sig: Mere data og mere regnekraft. For at machine learning skal kunne give nogle brugbare resultater, skal der bruges store mængder af data. Samtidig er computerkraften fortsat med at stige, så man kan beregne på langt mere data og langt hurtigere end tidligere.

”Men mange ved ganske enkelt ikke, hvad machine learning er. Det optræder næsten som en slags magisk støv, vi kaster over tingene, og på ingen tid kommer der resultater ud på den anden side. Men der findes ikke magi. Det er resultatet af hårdt arbejde, hvor man virkelig skal have styr på sine data,” siger Thomas Rosenquist.

”Det skyldes også, at der er en masse begrebsforvirring omkring machine learning og kunstig intelligens, som er den overordnede paraply for hele området. Machine learning er på mange måder regnemaskinen bag kunstig intelligens, hvor man kan sende data ind, og så bliver de behandlet og giver et resultat,” siger han.

Behov for data og forretningsforståelse

Thomas Rosenquist understreger, at den vigtigste faktor for at udnytte machine learning er at have styr på sine data og sin datakvalitet. Sender man dårlige data ind i systemet, så får man også dårlige og forkerte resultater ud.

”Men så må man heller ikke tro, at man bare drysser det her magiske machine learning-støv ud over det hele, og så kommer der et brugbart resultat. Det er afgørende, at man har et klart formål med det, man gerne vil lave. For at få effekt af machine learning skal man nemlig have en stor forretningsforståelse. Det nytter ikke noget, man bare sætter regnedrengene ned i kælderen og laver modeller, uden at man selv forstår, hvad de leverer,” siger Thomas Rosenquist.

Som eksempler nævner Thomas Rosenquist, at data sagtens kan vise, at en mand på 40 år har 75% chance for at blive gravid. Her vil den menneskelige erfaring og forretningsforståelse dog hurtigt sige, at det nok ikke hænger sammen. I eksemplet er det ligetil at se, at der må være noget galt med data eller modellen. Men i andre tilfælde er det ikke lige så nemt at gennemskue, om resultatet nu også hænger sammen med virkeligheden.

”Det samme gælder i skolen. Hvad er det for omgivelser og aktiviteter, der gør, at børn lærer bedst? Der skal du have data, fordi der er mange usikkerheder. Peter har måske lært en masse ved at have så og så mange dansktimer med den og den lærer, for det siger data, men er det de afgørende faktorer, der har gjort forskellen? Her skal man også have den menneskelige forståelse i spil,” siger Thomas Rosenquist.

”Så hvis man vil have succes med brugen af machine learning, skal man forstå sine data og hvilken forretningskontekst, tingene skal indgå i. Og så skal man være fokuseret i sin beslutning om at bruge machine learning. Udfordringen er, at man skal hele vejen rundt i virksomheden for at lykkes med det,” understreger han.

Hvis man vil have succes med brugen af machine learning, skal man forstå sine data og hvilken forretningskontekst, tingene skal indgå i.

Thomas Rosenquist, Senior Enterprise Architect i Office of Technology i KMD

Hvordan kan machine learning skaffe jobs?

Lige nu fokuserer Thomas Rosenquist på at bruge machine learning i KMDs jobcenterløsning KMD Momentum, som bruges i kommuner på tværs af landet. I dag vil en arbejdsløs borger lande i en given målgruppe i jobcentrets systemer baseret på fx alder og uddannelse. Det er målgrupper, som er defineret af lovgivning og arbejdsmarkedet – og kategoriseringen giver nogle bestemte tilbud og aktiviteter til den arbejdsløse.

”Men jeg vil gerne bruge machine learning og data til at segmentere folk på en anden måde ud fra deres baggrundsdata og den adfærd, de nu hver især har. Ideelt set kan man lave nogle andre målgrupper og ret præcist segmentere på folk, der er ens baseret på både adfærd og baggrund. Ud fra det kan man måske tilbyde nogle helt andre forløb baseret på data om, hvilke forløb der har medført et job for den type mennesker,” siger Thomas Rosenquist.

”Mit succeskriterium vil jo være, at folk kommer i job. Så hvad er det for data og ting, vi har gjort for, at det er lykkedes? Med et forløb, der er lykkes, kan vi så kigge på andre forløb, der ligner det – og så kan systemet begynde at lære på tværs,” siger han.

Men i sidste ende handler det om data, hvis brugen af machine learning skal blive en succes. Og derfor handler det om at få designet systemer, så det er nemt både at levere data ind i systemer – og at gøre det nemmere at få data i høj kvalitet ud af systemet igen.

”Samtidig er det også afgørende, at der stadig er mennesker i loopet, når vi taler om machine learning. Vi har stadig brug for det menneskelige realitetstjek og forretningsforståelsen, selv om machine learning også betyder, at computerne hele tiden lærer mere og mere,” siger Thomas Rosenquist.