Maskinlæring

«Alle» snakker om kunstig intelligens og maskinlæring, og hvordan dette vil endre samfunnet fremover. Du synes kanskje mulighetene som skisseres med maskinlæring virker spennende, samtidig som konseptet kan virke litt fremmed og konsekvensene ganske skumle. Vi i Einr hadde fagdag i februar for å lære mer om maskinlæring. Dette hjelper oss å bedre kunne se mulighetene med og konsekvensene av maskinlæring innen varehandel.

Enkelt forklart er maskinlæring en form for programmering, der dataprogrammet kan mates med data og trenes opp til å løse definerte problemer. Man kaller gjerne dataene som sendes inn for «input», og resultatet som dataprogrammet kommer frem til for «output». Dataprogrammet fungerer som en «mapper» mellom input og output, og læringen skjer gjennom justeringer av parametere i en modell i dataprogrammet. Hvis vi kjenner output for en bestemt input, kaller vi dette for en «label», som brukes til å bestemme hvordan parameterne i modellen skal justeres. Jo mer data vi mater inn i dataprogrammet, jo bedre generaliserer modellen. Generaliseringen innebærer at vi kan estimere output for nye data, når vi ikke vet hva output er. Hvis utformingen av modellen i dataprogrammet er god, og den har blitt matet med nok data, har vi en «ferdig trent» modell.

«Når har jeg bruk for en slik modell?» tenker du kanskje nå. Et enkelt og mye brukt eksempel finner vi innenfor klassifisering av blomstertyper. De ulike egenskapene til en blomst kan uttrykkes gjennom «attributter», som for eksempel farge, høyde og antall blader. Selv om vi har mange blomster av samme type, har mest sannsynlig ingen av blomstene helt like verdier for alle attributtene vi har valgt. I dette tilfellet er en trent modell for dette problemet kjempenyttig!

Hvis vi mater dataprogrammet med blomstens attributter som input, kan programmet anslå hvilken type blomst dette er, selv om modellen aldri har sett akkurat denne blomsten tidligere.

Dette konseptet kan overføres til alle mulige former for klassifisering, for eksempel til å plassere en ny vare innenfor en varegruppe.

Det finnes selvfølgelig mange andre former og bruksområder for maskinlæring, og det kommer stadig nye. «TensorFlow», som er Googles rammeverk for maskinlæring, kan integreres med SAP HANA og gir muligheter for å utvikle egne modeller opp mot SAP. SAP Leonardo tar sikte på å introdusere mer maskinlæring inn i logistikkverdenen, og vi er spente på hvordan dette vil påvirke fremtidens varehandel. Vi følger med!