C.A.G Årsredovisning 2018
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
INNOVATION<br />
Områden vi ser som särskilt viktiga för oss<br />
just nu är Deep Learning och prediktiv analys.<br />
Prediktion<br />
Prediktion baserat på strukturerat data, något<br />
vi redan idag har drivor av i databaser, implementeras<br />
idag relativt rättframt med hjälp av<br />
mogen och produktionsfärdig open-source<br />
mjukvara som till exempel Tensorflow, Keras<br />
eller Pandas.<br />
Machine Learning<br />
Grundläggande ML (Machine Learning) lärs<br />
idag ut på högskolorna. Unga ingenjörer som<br />
kommer ut i arbetslivet är fulla av iver och<br />
entusiasm över att implementera den nya coola<br />
tekniken. Men när maskininlärning sätts i produktion<br />
förstår man efter ett tag att stora delar<br />
av arbetet är helt vanlig datahantering.<br />
Arbetet börjar med att få tag i initialt data<br />
och att träna en modell. Det data som används<br />
måste vara tillgängligt såväl tekniskt som administrativt.<br />
Tekniskt måste data vara åtkomligt<br />
via databaser, API-er eller kanske ännu bättre<br />
via Data Warehouse eller en Data Lake. Data<br />
måste även vara spårbart och processen repeterbar<br />
– det måste vara möjligt att rätta och<br />
uppdatera en modell på ett inkrementellt sätt.<br />
Administrativt måste data vara tillgängligt att<br />
söka i och experimentera med.<br />
Lyckad maskininlärning kräver ibland<br />
mycket data, ofta allt data man har, och med stor<br />
sannolikhet kontinuerligt över tid. En fyrkantig<br />
tolkning och implementation av GDPR utgör<br />
här en motkraft som vi måste hantera.<br />
versionshanterar och gör dem spårbara och<br />
repeterbara. Träning av AI-modeller utgör<br />
inget undantag.<br />
Analys av affärsdata<br />
Ytterligare ett område där AI kan utnyttjas<br />
är analys av affärsdata. Genom detta upptäcks<br />
tidigare okända mönster som kan hjälpa till att<br />
vidareutveckla affärsmodeller eller assistera<br />
med att identifiera köpmönster. På C.A.G har<br />
vi specialister även inom detta område.<br />
Ett verktyg – inte en konkurrent<br />
I många fall imiterar AI det människor redan<br />
gör idag. Det krävs därför att tekniken införs<br />
på ett klokt sätt i samarbete med de medarbetare<br />
som idag utför uppgifterna som ska automatiseras<br />
och förädlas.<br />
AI är här för att stanna och utan tvekan<br />
kommer tekniken att assistera i allt fler uppgifter.<br />
Inledningsvis med enklare och repetitiva<br />
uppgifter. De som blir avlastade från detta arbete<br />
kan då omdisponera sin tid och fokusera på<br />
svårare uppgifter som måste hanteras manuellt,<br />
samt styra, justera och ansvara för produktionen<br />
i de automatiserade flödena. Rätt infört blir<br />
AI ett verktyg och inte en konkurrent.<br />
Automatiserad träning<br />
Ny mark som håller på att brytas är att låta<br />
AI-systemen själva hämta sin data och träna<br />
sina modeller automatiserat som en integrerad<br />
del av själva produktionen, och inte som ett<br />
manuellt steg i utvecklingsprocessen, vilket ofta<br />
är fallet idag. Detta är förmodligen bleeding<br />
edge. För oss på C.A.G faller sig dessa metoder<br />
naturliga i ljuset av de arbetssätt vi sedan<br />
länge tillämpar när vi automatiserar processer,<br />
Daniel Marell, C.A.G<br />
Kodande mjukvaruarkitekt och devops.<br />
43