Tre olika typer av lärande

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.

Big data

En viktig faktor när det kommer till Machine Learning är att det som regel krävs mycket stora mängder data, ofta med historik flera år tillbaka i tiden, för att kunna göra bra analyser. Det är denna omfattande datamängd som brukar kallas Big Data. Datan kan komma både internt från exempelvis affärs-, produktions- eller CRM-system. Men också från externa källor, t.ex. olika webbplatser och sociala medier, eller sensordata och Internet of Things.

Den stora skillnaden mellan Business Intelligence och Data Science handlar om nivå av intelligens. Data Science kan sägas ta vid där Self Service BI slutar, även om gränsen kan vara flytande. BI-verktyg kan exempelvis användas i en DS-lösning för att visualisera resultaten. Men jämfört med BI ger Data Science generellt sett djupare insikter och större konkurrensfördelar.

En annan avgörande skillnad är att Data Science öppnar för en proaktiv strategi, eftersom analyserna kan ge prognoser för framtiden, medan Business Intelligence i princip alltid presenterar historisk information.

Från statistisk till inbyggd analys

Det finns också olika nivåer av analys, och ju högre upp i hierarkin, desto större blir möjligheterna. I stora drag finns följande nivåer:

Statistisk analys – Vad sker om trenden fortsätter? Prognos om framtiden, baserat på antagandet att samma mönster fortsätter.

Prediktiv analys – Vad är sannolikheten att något kommer att hända?

Preskriptiv analys – Vilka handlingar ska vi göra för få ett optimalt resultat?

Inbyggd analys – Exekvera de optimala handlingarna automatiskt (tillämpning, snarare än metod)

Ibland används även uttrycket ”generell AI”, vilket innebär att algoritmen resonerar, drar egna slutsatser och skapar egna handlingar efter egna mål. Detta är inget som existerar idag. Enligt en aktuell undersökning baserad på hundratals forskare inom AI ligger detta också långt fram i tiden. Chansen att vi ska ha generell AI om 50 år bedöms vara 50 %.

Proaktiv verksamhetsstyrning och innovation genom Data Science handlar inte bara om tillgång till data och avancerad teknologi. Vägen till den datadrivna organisationen är i lika hög grad en strategisk förflyttning, där ledningen kontinuerligt utmanas och måste agera utifrån nya insikter. Och det handlar inte bara om åtgärder som stöttar den befintliga strategin – utan också sådana som förändrar den befintliga strategin och affärsmodellen!

Advectas har ett antal metoder som hjälper er, både att komma igång med en pilot eller ett avgränsat POC-projekt och att vidareutveckla er befintliga Data Science-satsning. Bland annat Advectas Analytics Jumpstart.

Vi har dessutom ett flertal erfarna Management-konsulter med inriktning mot digital transformation, redo att hjälpa er att utvecklas i takt med att data blir en allt mer affärskritisk resurs i er verksamhet.

Projekt eller konsult på plats?

Vi du veta mer om vad Advectas Data Science-team kan göra för er verksamhet eller vill du hyra in någon av våra Data Scientist-konsulter för att stötta upp på plats hos er? Tveka inte att kontakta någon av våra säljare eller fyll i kontaktformuläret så återkommer vi till dig inom kort.

Ladda hem och läs mer!

Vill du veta mer om affärsutveckling och verksamhetsoptimering med Data Science? Här kan du ladda ned vår broschyr ”Från BI till AI”.