Maskinlæring og kunstig intelligens

Vi hjelper våre kunder med å effektivisere og skape store verdier hvert år ved hjelp av maskinlæring og kunstig intelligens. Vi skal være Norges sterkeste fagmiljø innen maskinlæring og kunstig intelligens.

Erfaring

Gjennom omfattende erfaring fra prosjekter i både offentlig og privat sektor har vi opparbeidet oss verdifull erfaring når det kommer til å realisere gevinster ved hjelp av maskinlæring og kunstig intelligens. Dette har gjort at vi har greid å etablere et svært kompetent fagmiljø bestående av 10-20 konsulenter med dette som fagområde. Du kan lese mer om tjenestene vi tilbyr nederst på denne siden. Vi ønsker å fremheve vår erfaring på områder som ofte kan være en utfordring ved gjennomføring av maskinlæringsprosjekter.

  • Produksjonssetting og livssyklushåndtering 
    Flere av prosjektene vi har gjennomført med våre kunder har blitt satt i produksjon og skapt dokumenterte verdier for kunden. Produksjonssetting og livssyklushåndtering av maskinlæringsmodeller stiller nye krav i kontrast til tradisjonell softwareutvikling.
  • Data Engineering
    Det er noe helt annet å jobbe med store mengder data som er i konstant endring sett opp i mot konseptutprøvinger på datauttrekk. Vi har erfaring i å bygge robuste og skalerbare dataflyt-løsninger med store krav til lav forsinkelse. 
  • Personvern (GDPR)
    Vi har gjennomført flere prosjekter som har involvert arbeid med sensitive data, og har gjennom dette skaffet oss en god oversikt over hvordan en kan jobbe med sensitive data i henhold til retningslinjene i personvernforordningen.
  • Forklarbarhet
    Vår erfaring er at mange av våre kunder stiller krav til forklarbarhet fra maskinlæringsmodellene. Samtidig ønsker de naturligvis best mulig kvalitet på modellene. Vi har god erfaring med å tilfredsstille begge disse kravene, og utfordres gjerne på hvordan dette kan gjøres i praksis. 
  • Etiske problemstillinger
    Bruk av maskinlæringsmodeller kan medføre en rekke etiske problemstillinger knyttet til rettferdighet, diskriminering og automatisering. Slike vurderinger er en integrert del av vår arbeidsprosess når vi jobber med maskinlæringsprosesser. 
  • Kobling mot forretningsprosesser
    Sist, men ikke minst ønsker vi å fremheve vår evne til å forstå forretningsprosesser og koble bruk av maskinlæring og kunstig intelligens opp mot disse. Dette gjør at vi kan jobbe mest mulig effektivt mot de områdene som skaper verdi for kunden.

Metode
Vi baserer vår arbeidsmetode på CRISP-DM, som står for Cross Industry Standard Process for Data Mining. Denne metodikken sikrer at forretningsforståelse og gevinstrealisering står i høysetet. Kombinert med gode verdiforslag og effektive konseptutprøvinger så oppnår vi resultater raskt.

crisp-dm

 

Teknologistack

Vår teknologistack er i kontinuerlig endring, og vi er stadig på utkikk etter verktøy som øker produktiviteten vår. For tiden er dette et utvalg av de teknologiene vi bruker aller mest i hverdagen. 

teknologistack

Faglig utvikling

Våre konsulenter har stort fokus på faglig utvikling og har avsatt dedikert tid til dette. Vi er også aktive bidragsytere i fagmiljø både som foredragsholdere, workshopholdere og veiledere for studentoppgaver ved NTNU. 

Spesialistkompetanseområder (Centres of Excellence)


For å sørge for at vi til enhver tid ligger helt i front når det kommer til kompetanseutvikling har våre konsulenter etablert spesialistområder innen utvalgte displiner som vi vet vil være verdifulle for våre kunder. Konsulenter med ansvar for disse kompetanseområdene sørger for å spre denne til de andre i teamet jevnlig. 

centres of excellence

Referanser

Under er en oversikt over prosjekter vi er/har vært vært involvert i sammen med våre kunder. 

Tjenester

  • Evaluering av virksomhetens muligheter til å realisere gevinst ved hjelp av ML&AI
  • Konseptutprøving
  • Kompetanseheving
    • Kurs
    • On-the-job training av kundenes egne ansatte
  • Rådgivning på arkitektur av ML-løsninger

Ta gjerne kontakt for å avtale et uforpliktende møte dersom dere er nysgjerrige på våre tjenester. Vi vil gjerne høre om deres utfordringer! 

  • Sjekkliste for maskinlæringsprosjekter

    Lurer du på om maskinlæring og kunstig intelligens er verktøy som passer oppgaver ved din arbeidsplass? Det er det flere som gjør. Vi har derfor utarbeidet denne sjekklisten for gjennomføring av ML/AI-prosjekter. Sjekklisten er basert på vår brede erfaring, og brukes gjerne tidlig i kartleggingsstadiet med nye kunder. Bruk derfor listen som et redskap for å finne ut hvor klar bedriften din er for å ta i bruk maskinlæring, samt hvor stor verdi man kan forvente å hente ut. 

    • Verdi: Er verdien av løsningen stor nok til å forsvare iverksettelse. Husk at mange kostnader spiser av potensiell gevinst.

    • Forretningsforståelse: Har beslutningstakeren i dette prosjektet forretningsforståelse? Beslutningsmyndighet bør delegeres til noen som forstår det store bildet.

    • Fokus på resultat: Kan du forklare hva resultatet skal bli og hvorfor det har en verdi? Fokuser på hva som skal lages, ikke hvordan det skal lages.

    • Enkelhet: Er du sikker på at det ikke finnes enklere løsninger (eks. logiske regler) som kan tilfredsstille kravene?

    • Er maskinlæring egnet? Hvis brukstilfellet kan adresseres med en enklere løsning eller krever 100 % nøyaktige svar, så er kanskje ikke maskinlæring riktig løsning.

    • Brukerperspektivet: Kan du beskrive hvem sluttbrukeren er, og hvordan de vil bruke prediksjonene fra modellen? Tenk på brukeropplevelsen tidlig, så unngår du dårlige løsninger.

    • Etikk: Har du tenkt over hvordan løsningen vil påvirke mennesker? Vil løsningen ha innvirkning på kulturen eller verdier i organisasjonen?

    • GDPR: Involverer løsningen personverndata? Er bruk av disse iht personvernforordningen?

    • Forventningsstyring: Er du innforstått med at selv om modellen kan bli god, så vil den ikke være feilfri? Kan du leve med at modellen tar feil av og til? Har du tenkt over hva det vil si fra et etisk ståsted?

    • Finnes det treningsdata? Finnes det gode treningsdata, og har du tilgang til dem?

    • Er det nok treningsdata? Har du spurt en statistiker eller maskinlæringsspesialist om mengden treningsdata du har er tilstrekkelig til å trene opp en god modell?

    • Maskinvare: Har du tilgang til kraftig nok maskinvare til å håndtere mengden treningsdata?

    • Kompetanse: Har du tilgang på den kompetansen som kreves på både det tekniske/algoritmiske og på forretningssiden? Får du samlet alle ressursene i et team?

    • Fasit: Hvis du skal gjøre veiledet læring, har du tilgang til en fasit for treningsdata? Hvis ikke, kan du betale mennesker for å merke treningsdata med fasitsvar?

    • Datakvalitet: Kan du stole på at datasettet du skal trene inneholder det som leverandøren av datasettet sier at det inneholder? For å lære av eksempler så behøver du gode eksempler!

    • Konsekvenser av feil: Siden modellen din vil ta feil av og til, er det noen typer feil som vil ha større konsekvenser enn andre typer feil? Er en falsk positiv verre enn en falsk negativ?

    • Kopling av kvalitetsmetrikker og forretningsverdi: Har du sørget for å finne en god sammenheng mellom kvalitetsmetrikker for modellen og hvilken innvirkning disse vil ha på forretningsverdien?

    • Evaluering av forretningsmetrikker: Sjekk at det ikke finnes tilfeller hvor man få høy uttelling på forretningsmetrikkene på en skadelig måte.

    • Kopling av forretningsmetrikker og kost-funksjon: Er det en korrelasjon mellom forretningsmetrikkene og standard kostfunksjoner? Hvis ikke, kan det være vanskelig å løse oppgaven.

    • Utvalg: Har du vurdert hvilke utvalg løsningen skal jobbe med i produksjon. Det statiske utvalget som brukes i ytelsesevalueringen må samsvare med dette.

    • Minimumskrav: Har du utvetydig definert hvilken kvalitet løsningen minimum må ha? Er du beredt til å vrake løsningen hvis disse kravene ikke innfris?
Profilbilde av Thomas Hjelde Thoresen
Thomas Hjelde Thoresen
Teamleder Maskinlæring & AI