ML-proces

Vi har en velafprøvet proces, som vi anbefaler til machine learning-projekter

1. Behov og værdiskabelse

Vi udfører en behovsafklaring sammen, hvor vi præciserer en Use Case, som skaber værdi. Derefter gennemfører vi et mindre projekt, en POV (Proof-Of-Value), som afklarer, om den tænkte værdiskabelse med et ML-projekt kan lykkes i praksis.

I den indledende dialog er der især er fokus på data, tilstanden af disse data, og i hvor høj grad data er brugbare i forhold til den Machine Learning-model, der understøtter Use Casen. Der er også fokus på at forstå kundens forretningsbehov, og hvordan ML-projektet bedst muligt bliver nyttigt og værdiskabende.

Vi arbejder videre med at rense og omdanne data, så de er klar til afprøvning i forskellige Machine Learning-modeller, typisk supervised og/eller unsupervised modeller. Endelig samler vi resultaterne, præsenterer dem for kunden, og kunden beslutter, hvorvidt vi sammen skal gå videre.

2. Udvidet analyse

I den detaljerede analyse er der fokus på at inkludere et langt bredere udsnit af data, både ift. mængden og kompleksiteten. Der er derfor også et større arbejde med at rense, omdanne og berige disse data, før de er klar til brug. I modsætning til trin 1 bruger vi her også Machine Learning-modeller til selve dataomdannelsen og -berigelsen.

Når data er klargjort, anvender vi ML-modellerne først ud fra de erfaringer, der blev gjort i trin 1, og dette fører ofte til en iterativ proces, hvor flere modeller afprøves og tunes, før der foreligger troværdige og brugbare resultater.

Trin 2 afsluttes med en præsentation af den detaljerede analyse, og sammen diskuterer vi behov og art for yderligere analyser.

3. Udvikling af modul

I trin 3 udvikles det Machine Learning-software-modul, som skal implementeres hos kunden. Hvor de to foregående trin typisk gennemføres i værktøjer, der er specifikke for Machine Learning, vil modulet på dette trin typisk udvikles på samme platform, som kunden i forvejen benytter, således at det resulterende modul kan indgå i kundens eksisterende software arkitektur med færrest mulige tilretninger.

Trin 3 inddrager erfaringerne fra de to foregående trin, idet der nu er fokus på at opsætte og optimere en automatiseret proces, hvor Machine Learning-algoritmerne løbende afvikles på indkommende data, og resultaterne ligeledes løbende kommer til rådighed; både dataindsamling, datarens, dataomdannelse og databerigelse, samt selve eksekveringen af ML-modellerne, automatiseres, og bringes til at indgå i kundens normale data workflow.

Det færdige resultatet er typisk en udvidelse af kundes Business Intelligens platform med det udviklede modul, og således høster kunden frugten af arbejdet, analyserne og moduludviklingen i trin 1-3, og med opfyldelse af det oprindelige forretningsbehov.

Andreas Nordstrand
Forretningskonsulent
andreas.nordstrand@visma.com
51 39 31 24

Vi anvender cookies til at indsamle information om din aktivitet på vores hjemmeside. Kombineret med data, du har oplyst os, skaber vi en profil, så vi kan vise dig indhold, der er tilpasset dine interesser. Når du accepterer, giver du os lov til at indsamle og behandle dine persondata som beskrevet her.

Se, hvilke cookies der gemmes, når du bruger siden og hvordan du ændrer dine præferencer i vores cookiepolitik.