Machine Learning

En ofte benyttet use case for ML og AI er ”recommendation systems”, hvor algoritmer kan komme med forskellige forslag baseret på tidligere data. Dette er oftest brugt inden for film, bøger, oplevelser og e-commerce produkter med henblik på mersalg. Men kan også bruges mere internt, eksempelvis ved forslag til behandlinger af patienter baseret på deres symptomer.

Det er ofte brugbart at kunne spå om fremtiden, f.eks. i forbindelse med ressourceplanlægning. Desværre er det ikke helt nemt at forudsige fremtiden, særligt hvis der er flere parametre der påvirker hinanden. I disse situationer kan ML være et godt værktøj til at afdække komplekse sammenhænge og efterfølgende bruge disse i forbindelse med planlægning og ressourceoptimering.

Forecasting kan f.eks. bruges som værktøj i Facility Management, hvor der blandt andet kan skabes samspil mellem ruteplanlægning af serviceopgaver, energiforbrug, personale og andre ressourcer.

Mange e-commerce hjemmesider opbevarer store mængder data omkring kunder, deres adfærd og køb. Disse data kan bruges til at blive klogere på kundesegmenter. Ved at blive klogere på kundesegmentet kan blandt andet markedsføring målrettes netop dette segment.

At finde afvigelser i realtid kan være særdeles relevant i monitorering af tunge processer, hvor det ikke er muligt at spotte afvigelser med almindelig overvågning.

Med tilstrækkelig stor mængde data kan man finde ”det normale” og dermed også finde det der stikker ud, metoden kaldes Abnormality Detection. Det sker uden på forhånd at have defineret hvad der er normalt.

I de fleste applikationer fremkommer afhængige parameter / variabler som man ønsker at optimere på.

Dette kan blandt andet være strømforbrug, tid, performance eller kvalitet.

I sådanne applikationer kan der ved hjælp af Machine Learning oprettes agenter til at kontrollere, optimere og holde styr på de parametre som ønskes. Herefter kan applikationen simuleres for at finde den optimale indstilling som gør at en eller flere parameter bliver optimeret.

Med proaktivt vedligehold (predictive maintenance) kan man ved hjælp af datadrevne forudsigelser optimere vedligehold og dermed forlænge produktets levetid, samtidig med at risici for nedbrud minimeres.

Ofte er det forskelligartede datakilder, der bruges til at lave den ønskede forudsigelse. Det kunne f.eks. være ændringer i energiforbrug, omdrejningstal, lyd, udnyttelsesgrad samt input fra forskelligartede sensorer.

Målet er i sidste ende at sørge for vedligehold eller service i rette tid.

Machine Learning kan bruges til at automatisere simple processer, som filtrering og sortering af data. Det kan være alt fra dokumenter, mails, anmeldelser samt resultater fra spørgeskemaer.

Det kan være svært at få det første overblik og se sammenhænge i store mængder data. Her kan man bruge ML algoritmer til at gruppere data for at identificere mønstre og sammenhænge, der kan være med til at give større indsigt og overblik.

Teknologien kan f.eks. bruges til automatisk at gruppere store mængder tekst for at finde mønstre, så man har et bedre udgangspunkt for at forstå problemet.

Grupperingen er blot første skridt i opgaven med at forstå et problem og komme med løsningsforslag.