Machine Learning

Machine Learning (ML) er en afgrening af Artificial Intelligence (AI), der i Business Intelligence (BI)-sammenhæng ofte bruges som supplement til den i forvejen etablerede BI- & dataplatform. ML hører under avancerede analyser, som bruges til bl.a. mønstergenkendelse, klassificering og predictive analytics. En ML-model består af to elementer - nogle matematiske processer, som kaldes en algoritme, og nogle data, som bruges til at træne algoritmen. Data er derfor essentielle i alle ML-projekter.

Machine learning har mange potentielle anvendelsesmuligheder i forskellige brancher, som fx at analysere og monitorere store mængder data, automatisere repetitive, tidskrævende opgaver; eller til at opdage anomalier i store datasæt eller til automatiseret beslutningsstøtte.

Hvordan kommer I i gang, og hvor skal I starte?

Machine learning er et område, der omspundet af megen ”buzz”, og som det kan virke forvirrende og uoverskueligt at komme i gang med. Derfor har ProActive udviklet en ”fail-fast” tilgang, der med et kort ”hands-on” Proof of Concept-forløb kvalificerer og afdækker den potentielle anvendelse og værdi af ML-modeller i jeres organisation.

ProActive PoC ML Workshop

1. Find de rigtige business cases

Beslutnings- og forretningsunderstøttelse:

• Churn: Hvilke kunder er på vej til konkurrenten?
• Recommendation: Skab produktanbefalinger på baggrund af forbrugsmønstre
• Forecasting: Analyser historiske tendenser til at forudsige udfald

Procesautomatisering:

• Marketing & salg: Kundesegmentering, kampagner og eftermarked
• IoT monitoring: Drifting sensors
• Sentiment analysis: Hvad mener vores kunder om os på SoMe?
• Support og kundeservice: Chatbot
• Pattern recognition og Cognitive Services: Tekst, tale, billede og videogenkendelse

Drift & sikkerhed:

• Predictive Maintanance: Er der udsving i performance på maskiner?
• Fraud detection: Hvilke transaktioner og hændelser ser mistænkelige ud?
• Security: Analysér og monitorér datalogs
• Anomaly detection: Er der opstået en hændelse, som vi burde reagere på?

2. Kom i gang med processen

Azure Machine Learning Studio indeholder i forvejen et stort bibliotek af præbyggede algoritmer, der hver er designet til at adressere en specifik type udfordring, inden for supervised learning, unsupervised learning og reinforcement learning. ProActive guider jer sikkert igennem hele PoC-forløbet med alt fra datapræparation, definering af business case, valg af algoritmer til træning-, validering- og scoring af modellen.

3. Implementér modellen og træn brugene

ProActive hjælper jer sikkert i mål i den afsluttende del af forløbet med implementering, overlevering og brugertræning i forbindelse med og idriftsætte den færdige ML-model.