C.A.G Årsredovisning 2018

INNOVATION
Områden vi ser som särskilt viktiga för oss
just nu är Deep Learning och prediktiv analys.
Prediktion
Prediktion baserat på strukturerat data, något
vi redan idag har drivor av i databaser, implementeras
idag relativt rättframt med hjälp av
mogen och produktionsfärdig open-source
mjukvara som till exempel Tensorflow, Keras
eller Pandas.
Machine Learning
Grundläggande ML (Machine Learning) lärs
idag ut på högskolorna. Unga ingenjörer som
kommer ut i arbetslivet är fulla av iver och
entusiasm över att implementera den nya coola
tekniken. Men när maskininlärning sätts i produktion
förstår man efter ett tag att stora delar
av arbetet är helt vanlig datahantering.
Arbetet börjar med att få tag i initialt data
och att träna en modell. Det data som används
måste vara tillgängligt såväl tekniskt som administrativt.
Tekniskt måste data vara åtkomligt
via databaser, API-er eller kanske ännu bättre
via Data Warehouse eller en Data Lake. Data
måste även vara spårbart och processen repeterbar
– det måste vara möjligt att rätta och
uppdatera en modell på ett inkrementellt sätt.
Administrativt måste data vara tillgängligt att
söka i och experimentera med.
Lyckad maskininlärning kräver ibland
mycket data, ofta allt data man har, och med stor
sannolikhet kontinuerligt över tid. En fyrkantig
tolkning och implementation av GDPR utgör
här en motkraft som vi måste hantera.
versionshanterar och gör dem spårbara och
repeterbara. Träning av AI-modeller utgör
inget undantag.
Analys av affärsdata
Ytterligare ett område där AI kan utnyttjas
är analys av affärsdata. Genom detta upptäcks
tidigare okända mönster som kan hjälpa till att
vidareutveckla affärsmodeller eller assistera
med att identifiera köpmönster. På C.A.G har
vi specialister även inom detta område.
Ett verktyg – inte en konkurrent
I många fall imiterar AI det människor redan
gör idag. Det krävs därför att tekniken införs
på ett klokt sätt i samarbete med de medarbetare
som idag utför uppgifterna som ska automatiseras
och förädlas.
AI är här för att stanna och utan tvekan
kommer tekniken att assistera i allt fler uppgifter.
Inledningsvis med enklare och repetitiva
uppgifter. De som blir avlastade från detta arbete
kan då omdisponera sin tid och fokusera på
svårare uppgifter som måste hanteras manuellt,
samt styra, justera och ansvara för produktionen
i de automatiserade flödena. Rätt infört blir
AI ett verktyg och inte en konkurrent.
Automatiserad träning
Ny mark som håller på att brytas är att låta
AI-systemen själva hämta sin data och träna
sina modeller automatiserat som en integrerad
del av själva produktionen, och inte som ett
manuellt steg i utvecklingsprocessen, vilket ofta
är fallet idag. Detta är förmodligen bleeding
edge. För oss på C.A.G faller sig dessa metoder
naturliga i ljuset av de arbetssätt vi sedan
länge tillämpar när vi automatiserar processer,
Daniel Marell, C.A.G
Kodande mjukvaruarkitekt och devops.
43