Data Science

Advectas har under åren samlat på sig mycket erfarenhet av att tillämpa Data Science i olika branscher och olika funktioner. Vårt erbjudande är därför brett och sträcker sig från rådgivning och utbildning inom Data Science till att utveckla och produktionssätta lösningar baserat på den senaste tekniken.

Utbildning och inspiration

Undrar ni hur Data Science, Machine Learning och AI hänger ihop och fungerar? Vi håller ofta i seminarium, workshops och pratar på externa konferenser inom ämnet. Varför inte bjuda in din organisation till en inspirerande frukost-eller lunchföreläsning?

Det första Data Science-projektet

Eftersom fältet Data Science är relativt nytt har vi under åren hjälpt många företag att komma igång med deras Data Science-resa. Med denna erfarenhet har vi i samarbete med Högskolan i Skövde tagit fram en metodik för detta, vilket ni även kan läsa mer om längre ner.

projektåtagande
Behöver ni spetskompetens i att implementera Data Science för något specifikt? Vi sätter ihop ett leveransteam och projektleder från start till implementation. Kolla in tidigare kundcase för att se några exempel på vad vi har gjort.

resurskonsult
Behöver er verksamhet mer omfattande stöttning över en längre period? Vi har konsulter med roller som Data Engineers, Data Scientists, Machine Learning Engineers och Business Analysts (med niche mot datadriven verksamhetsutveckling) som kan bistå er verksamhet.

Plattformsutvärdering och Way of Working
Har ni redan påvisat värdet med Data Science och vill ta nästa steg på resan? Då kan vi hjälpa er att ta fram ett förslag på Way of Working samt en teknisk arkitektur skräddarsydd för just er befintliga miljö och era visioner. En teknisk utvärdering görs som en del i att ta fram en större metodik för att hantera hela livscykeln för era Data Science-lösningar. Här går vi även genom begrepp inom MLOps (DevOps för Machine Learning) för att effektivisera och skala upp era lösningar. 

SchemaoptimerarenAtt skapa ett optimalt schema blir snabbt komplext när antal anställda, regler, kriterier och önskemål stiger. Denna demo visar hur Data Science (och specifikt beslutsoptimering) kan tillämpas för att ta fram ett optimalt schema automatiskt.

Gå till lösningen för att testa själv

I det här webinaret presenteras en demo av lösningen

Audience Targeting
Prioritera rätt och bli mer träffsäker i din marknadsföring genom att använda Machine Learning som tränats på historisk kampanjdata.

Gå till lösningen för att testa själv

I det här webinaret presenteras en demo av lösningen

Walliz – en guide till bostadsmarknaden
Erbjud dina kunder en tjänst där de kan få reda på vart någonstans som de har råd att bo vid köp av bostad eller erbjud bostadsvärderingar för de som går i säljtankar.

Gå till lösningen för att testa själv

Data Science är ett område som tillämpar vetenskapliga metoder som matematik och datorvetenskap i kombination med programmering och affärsförståelse i syfte att extrahera insikter från data. Med hjälp av Data Science kan vi förutspå och agera på mönster i data och därigenom optimera verksamheten på ett sätt som annars inte är möjligt. 

Ett viktigt verktyg inom Data Science är den grupp av algoritmer som kallas för Machine Learning (ML), på svenska maskininlärning. En algoritm är en funktion eller modell som ett datorprogram kan följa och köra, där reglerna traditionellt bestämts manuellt av en programmerare. Tanken med Machine Learning är att algoritmen själv lär sig att hitta dessa regler baserat på mönster i data. Detta är nästintill ett måste när mängden data blir så stor att regler och mönster blir för komplexa att tolka för en människa. 

Om kopplingen mellan begreppen Data Science, AI och Machine Learning är fortsatt förvirrande har vi en bloggserie och ett inspelat webinar om området. Längre ner på sidan hittar du  även en kortare utläggning om Machine Learning – hur olika algoritmer kan ”lära sig” av data.

Machine Learning

Lärande i allmänhet (både för människa och maskin) kan ske på tre olika sätt. Det första är att man lär sig själv, utan påverkan från någon utomstående. Detta kallas Unsupervised learning. Det andra sättet är att man lär sig av någon annan, vilket kallas Supervised learning. Det tredje, och mest avancerade sättet är att sätta upp ett mål man strävar mot och testar olika sätt att nå det, med en belöning beroende på hur väl man presterat. Detta kallas reinforcement learning. Och det är dessa tre huvudsakliga metoder, inklusive en rad undergrupper, som används inom ML och Data Science.

Unsupervised Learning lämpar sig väl att använda om data är ostrukturerad och/eller komplex. Resultatet är mönster, ofta i form av kluster. Därefter är det nödvändigt att manuellt tolka dessa kluster för att koppla dem till insikter och/eller handlingar.

Supervised Learning innebär att en algoritm tränas upp för en specifik uppgift med hjälp av data försedd med etiketter (labels). Sedan verifieras modellen mot data som har labels, men som den inte har sett innan. Efter hand blir algoritmen bättre och bättre vilket resulterar i mindre och mindre fel.

Reinforcement Learning är den tredje större metoden och används ofta när det finns ett flertal möjliga handlingar som kopplar till incitament eller mål. En stor fördel är att träningen sker autonomt, utan behov av externa labels. Nackdelen är att algoritmen lär sig iterativt från början för varje problem, vilket betyder att det kan ta lång tid innan det blir en bra lösning.

Deep learning

Med hjälp av stora och komplexa artificiella neurala nätverk (som efterliknar den mänskliga hjärnans kopplingar mellan neuroner och synapser) kan vi idag lösa komplexa problem med hjälp av Machine Learning. Metoden kallas också Deep Learning och är speciellt kraftfull vid bildanalys; exempelvis när du låser upp din dator eller mobiltelefon med hjälp av ansiktsigenkänning.

Det är till stor del tack vare Deep Learning som AI blivit så kraftfullt idag. En särskilt häftig delmängd av Deep Learning är GAN-nätverk (Generative Adversial Network) med vilka man kan generera nya data, exempelvis ta fram designskisser på nya kläder.

Beslutsoptimering

Ett annat viktigt verktyg som används av Data Scientists är beslutsoptimering. Målet med detta är att lösa komplexa problem med flera villkor (affärs– och verksamhetsregler). Ett exempel på detta är schemaläggning av personal inom sjukvården. Här finns det flera villkor som måste följas, som att man är ett visst antal personal med specifika kompetenser vid en viss tidpunkt, att anställda endast får jobba ett visst antal timmar i sträck, över en vecka, etc. Det blir snabbt väldigt komplext och tidskrävande att lösa manuellt när antalet anställda ökar. Ofta brukar vi även berika dessa lösningar med prediktioner för att vara mer proaktiva i vår optimering. I exemplet ovan skulle det vara att först göra en prognos på behovet av mängden personal per enhet, för att därefter skapa ett optimalt schema för alla anställda, för att minimera behovet av timvikarier.