21 december 2017

Begreppet Machine Learning är ett omtalat ämne idag och används i allt större utsträckning i organisationer. Inte så konstigt egentligen, med tanke på vilka fördelar det medför. Men vad är egentligen Machine Learning, hur fungerar det och vilka användningsområden finns det? Det tillsammans med tips till dig som ska köra igång med Machine Learning berättar vi om nedan.

Vad är Machine Learning och hur fungerar det?

Machine Learning, eller maskininlärning på svenska är ett forskningsområde som växt fram ur AI (Artificiell Intelligens) och som går ut på att utveckla maskiners förmåga att självständigt förstå och hantera stora mängder data. Till skillnad från ren programmering där du talar om för datorn exakt vad den ska göra används istället algoritmer som gör det möjligt för datorn att tolka och lära sig från den data den bearbetar för att sedan kunna förutse mönster. Ju mer data och information datorn utsätts för, desto smartare blir den. Precis som du vill lära dina barn när de växer upp fungerar också Machine Learning - istället för att berätta vad som är rätt får de tänka själva och testa sig fram för att få fram det rätta svaret.

Machine Learning består huvudsakligen av tre steg: 1.Inlärning, 2.Träning och 3.Utvärdering

1. Inlärning

Ett första steg är att träna maskinen att utföra uppgiften och för att göra det kan du använda dig av två olika inlärningssätt: övervakad- och oövervakad inlärning.

Övervakad inlärning tillämpas på merparten av all maskininlärning och innebär att du tränar med märkt data, dvs. data som innehåller exempel på önskade svar. Denna typ av inlärning kan till exempel användas när du vill identifiera falska kreditkort och då använder en datauppsättning med både kända falska och giltiga debiteringar för att träna modellen.

Oövervakad inlärning tränas med omärkta data där syftet är att identifiera relationer. Detta inlärningssätt kan till exempel användas när du vill identifiera och gruppera kunder med liknande köpvanor.

2. Träning

Efter att du har valt inlärningssätt och förberett datan är det dags att träna modellen för att få så korrekt utfall som möjligt. Om du exempelvis ska använda dig av övervakad inlärning för att identifiera falska kreditkortkort som i exemplet ovan så matar du maskinen med den data som innehåller korrekta och felaktiga uppgifter. Därefter delar du slumpmässigt upp datan och använder en del för att träna modellen och en annan del för att testa eller utvärdera modellen.

3. Utvärdering

När du har en tränad modell utvärderar du den med hjälp av den testdata som återstår. Du använder data med ett resultat du redan känner till, så att du kan se om din modell gör korrekta förutsägelser. Machine Learning är en ständigt pågående process som kommer att göra bättre och fler förutsägelser ju mer data du tillför.  

Varför Machine Learning?

Machine learning gör det möjligt att enkelt dra slutsatser från stora mängder kunddata och att snabbt kunna anpassa kommunikation och erbjudanden till nyfunnen information. Detta kan appliceras genom hela kundlivscykeln. Du kan till exempel upptäcka mönster som visar att en kund har behov av att utveckla affären, eller håller på att lämna dig.  Machine Learning kan upptäcka mönster som inte det mänskliga ögat eller hjärnan kan och är på vis ett fördelaktigt verktyg att använda sig av.

Fyra smarta användningsområden för Machine Learning

Ökad lönsamhet - Machine Learningens algoritmer kan identifiera behovet av exempelvis serviceresurser. Genom att analysera historiska data och göra intelligenta antaganden om framtiden kan du förutspå vad som kommer hända och därmed bättre planera service för dina kunder. 

Tre tips för Machine Learning

  1. Se till att du finns mycket data att använda dig av för att snabbare få så korrekt data och analys som möjligt.
  2. Det kommer inte att bli rätt första gången, modellen måste tränas för att kunna förutse beteenden. Igen: ju mer data desto bättre.
  3. Analysera resultatet och lägg till och/eller ta bort parametrar. Fundera på vad som kan göras bättre för att få så korrekt data som möjligt.