Maskinlæringens gullalder

Helsevesenet, landbruket, banker, forsikringsselskap, media, og så videre. Alle har begynt å ta i bruk maskinlæring (ML). Et konkret eksempel er forsikringsselskapet Fremtind hvor Amazon SageMaker er en sentral del av selskapets maskinlæringsplattform. Ved å bruke teknologi fra AWS kan de skalere og håndtere store datamengder for analyse og læring. I praksis handler det om å bruke data for å gi kundene riktige forsikringspremier.

Et annet eksempel er selskapet Cerner som bruker maskinlæring til å forbedre behandlingen av pasienter. For eksempel kan de takket være ML forutse hjertesvikt hele 15 måneder før klinisk diagnostisering.

Spørsmålet er ikke lenger om bedriften skal investere i maskinlæring, men når, og hvordan prosessen skal settes i gang. I AWS har vi allerede jobbet med dette i 20 år, og det finnes ikke en eneste del av vår virksomhet som ikke har blitt bedre takket være maskinlæring. Det skjedde selvsagt ikke over natten. Vi har vært gjennom et kulturelt og teknologisk skifte som har lært oss hvordan man skal lykkes med teknologien.

Det første handler om å få orden på eksisterende data. Data blir av mange sett på som den største utfordringen i startfasen. En uklar datahåndteringsstrategi kan gjøre ML-jobben langdryg og tung. Ekspertene blir sittende med rydding og organisering fremfor å fokusere på nye algoritmer.

For å unngå denne situasjonen er det tre spørsmål som bør stilles. Hvilke data har vi i dag, hvilke data kan vi få tak i og hvilke data vil vi om tre år være glade for at vi samlet inn? I tillegg er det viktig for prosessen å unngå at de ulike avdelingene jobber i siloer. Kun når hele landskapet er synlig er suksessen innen rekkevidde. Underveis er det viktig å sikre riktig tilgangskontroll og datastyring.

Det er også viktig å identifisere riktig forretningsområde. Finn ut hvor skoen trykker, hvilke data som er korrekte, hvordan vil det påvirke forretningsmodellen og om maskinlæring er noe som kan benyttes? Fremfor å sette ut på en treårig ML-reise er det bedre å fokusere på mindre oppgaver som kan løses på seks til ti måneder. Start med et område der bedriften sitter på hittil mye ubrukt data. Finn deretter ut om dette er noe som kan brukes fornuftig ved hjelp av maskinlæring eller om du i realiteten forsøker å fikse noe som allerede er ubrukelig. Unngå også å velge et område som ikke har en tydelig verdi for bedriften da det fort kan ende opp som en engangsforeteelse som ikke engang får sett dagens lys.

Et godt eksempel her er Formel1. Motorsporten så etter løsninger for å modernisere sporten. Utfordringen var at de hadde 65 år med data å gå igjennom. Etter å ha identifisert dataene som var mest relevante for fansen, benyttes nå Amazon SageMaker til å levere et mer engasjerende produkt.

I tillegg har hver bil nå 120 sensorer som gjennom et løp generer 3GB data og over 1500 datapunkter i sekundet. Via Amazon Kinesis fanges data opp for å gi deltagerne ytelsesanalyser i sanntid.

Et annet viktig punkt for å lykkes, er å skape en maskinlæringskultur. Teamet må se helheten og ta innover seg at det vil være en del voksesmerter. I bunn og grunn er ML eksperimentering som blir bedre med tiden. Det er viktig å lære av sine feil og ha et langsiktig perspektiv.

En feil vi ofte ser bedrifter gjøre er å sette tekniske eksperter på egne team. Denne type silojobbing fører til bygging av ML-modeller som «proof of concept» fremfor å takle virkelige utfordringer. Sett derfor sammen et variert team som jobber med reelle utfordringer.

Sist, men ikke minst, må arbeidsgruppen utvikles. Sørg for å gi nødvendig opplæring, og sørg for at ledere på alle plan forstår hva maskinlæring kan bidra til og gjøre. Internt i AWS har for eksempel lenge hatt et Machine Learning University (MLU) for opplæring av egne utviklere. I 2018 gjorde vi kursene tilgjengelig for alle som ønsker, og fra 2021 vil alt materiale fra MLU være tilgjengelig på on-demand video sammen med tilhørende kodemateriale.

Lykke til på reisen.

Swami Sivasubramanian, VP, Machine Learning, AWS.