Hur du skapar du affärsnytta med maskininlärning

I takt med den ökade spridningen av internet of things (IoT) samlar allt fler företag data från sina uppkopplade produkter. Dessa data innehåller värdefulla insikter som ytterligare kan öka affärsnyttan med internet of things. Hur kan artificiell intelligens (AI) bidra till att uppnå sådana värden?

I och med användningen av internet of things samlar allt fler företag data från sina uppkopplade produkter. Enligt Statista uppgick den globala mängden data som samlats in av IoT-lösningar under 2018 till 14 Zettabytes (ZB). De prognostiserar att datamängden växer till 80 ZB år 2025. Det är svårt att föreställa sig hur mycket data det är, men om man kunde lagra 80 ZB på DVD-skivor skulle högen med DVD-skivor nå till månen 10 gånger!

Data volume of internet of things (IoT) connections worldwide in 2018 and 2025(in zettabytes)

Källa: Statista

Med så mycket data att analysera och som dessutom genereras i realtid krävs stöd för att kunna göra analyser och beslut. Vi kommer långt med statistiska och algoritmiska analyser men när dessa inte räcker till behöver vi en annan lösning.  Det är här som AI och dess förmåga att utifrån data lära sig att t.ex. prediktera olika utfall utan att vi exakt behöver veta hur det går till verkligen kan bidra till ökad affärsnytta.

Vad är egentligen AI/maskininlärning?

Maskininlärning (Machine Learning eller ML) kallas ett område inom AI där man utifrån observerade data tränar ett system att automatiskt identifiera mönster och upptäcka avvikelser i data som smarta sensorer och enheter genererar. Tekniken är särskilt väl lämpad för data som är svåra att analysera analytiskt som t.ex text, tal, ljud, bild och video. 

Bilden ovan visar en typisk arkitektur för en IoT-lösning. De uppkopplade enheterna levererar data till en server som lagrar insamlade data. Ofta lagras dessa i molnet. En av de största fördelarna med molnet är att det ger tillgång till praktiskt taget oändlig lagrings- och bearbetningskraft.  Med hjälp av maskininlärning kan vi analysera stora datamängder och generera användbara insikter. Det kan handla om att förbättra processer, minska kostnader, skapa en bättre upplevelse för kunden eller att öppna för nya affärsmodeller.

Den kanske vanligaste tillämpningen av maskininlärning inom internet of things är prediktivt underhåll. Genom att analysera data från sensorer på komplexa maskiner och i förväg förutsäga underhållsbehov kan både tid och pengar sparas. Förebyggande underhåll gör att driftsavbrott inte behöver uppstå vilket skapar värden för användaren av maskinen och därigenom också affärsnytta för leverantören av utrustningen. 

Maskininlärning i praktiken

Caterpillar Marine säljer lösningar till rederier som minimerar fartygs bränsleförbrukning genom prediktivt underhåll. Systemet  övervakar allt ombord från generatorer och motorer till GPS och luftkonditionering. Genom prediktiva underhållsanalyser optimeras underhållet och driftparametrar vilket gör att man kunnat spara cirka 300 kronor per drifttimme. Det kanske verkar lite men med en flotta på 50 fartyg som seglar 24 timmar om dygnet under 26 veckor per år blir årliga besparingen över 60 miljoner kronor.

Optimering av resurser är ett annat område där maskininlärning med fördel kan användas inom internet of things. Till exempel använder John Deere sensorer på traktorer och jordbruksutrustning för att övervaka jorden, växterna, insekter, fukt med mera för att bygga modeller för att bestämma exakt hur mycket bekämpningsmedel som ska användas för att maximera lantbrukarens avkastning. 

Internet of things möjliggör effektivisering av transporter inom sjöfart och med lastbil genom optimering av rutter, minimering av bränsleförbrukning och förbättrad logistik. Maskininlärning används för att ständigt utveckla modeller som, utifrån många olika parametrar,  i realtid ger förslag på till exempel rutter eller samkörning av gods.

 Maskininlärning är inte något nytt. Redan 1959 definierade Arthur Samuel begreppet som datorernas förmåga att lära sig att fungera på sätt som de inte var specifikt programmerade att göra. Idag samverkar många faktorer vilket gör maskininlärning till en realitet; tillgång till stora datakällor (i molnet) som är nödvändiga för lärandet, en kraftigt ökad beräkningskraft för att bearbeta information och dessutom algoritmer som har blivit både bättre och mer tillförlitliga.

Maskininlärning används idag regelbundet för att ge köpare köprekommendationer på onlinetjänster som t.ex. Amazon och Netflix. Även banker använder tekniken för att kunna göra automatiska kreditbetyg och upptäcka bedrägerier. Dagens system för att röstigenkänning och för att identifiera föremål i video använder sig av maskininlärning. Ingen har väl heller undgått den snabba utvecklingen av självkörande bilar vilken till stor del bygger på samma teknik.

Hur tillämpar du maskininlärning?

Idén med maskininlärning är att utifrån en mindre mängd träningsdata automatiskt skapa modeller som kan användas på verkliga data för att göra klassificeringar eller förutsägelser. Det finns många olika algoritmer för dessa modeller som t.ex. artificiella neuronnät, beslutsträd och Bayesiska nätverk. Träningen genomförs som:

• guidad inlärning (“supervised learning”) då man ger systemet rätt svar för de träningsdata som används. Om det inte är möjligt finns det alternativa metoder för att enbart tillhandahålla ett urval av mängden rätta svar.
• oguidad inlärning (“unsupervised learning”) där modellen skapas utan att ge några rätta svar. Syftet är ofta att upptäcka tidigare okända egenskaper i datamängden. 

Maskininlärning passar bäst när du vet vad du vill uppnå, men inte vet vilka variabler som påverkar beslutet. Ett bra exempel är Googles tillämpning av maskininlärning för sina datacenter. Datacenter måste kylas så de behöver stora mängder energi för att deras kylsystem ska fungera korrekt. Detta innebär en betydande kostnad för Google, så målet var att öka effektiviteten med maskininlärning. Med 120 variabler som påverkar kylsystemet (t.ex. fläktar, pumpar, hastigheter, fönster) är det svårt om inte omöjligt att bygga en modell med klassiska metoder. Istället använde Google maskininlärning och sänkte sin totala energiförbrukning med 40%. Det representerar hundratals miljoner dollar i besparingar för Google under de kommande åren.

Hus skapar man affärsnytta med AI?

Affärsnytta med maskininlärning skapas genom att förbättra processer, minska kostnader, skapa en bättre upplevelse för kunden eller öppna för nya affärsmodeller. Nedan finns exempel på tillämpningar som ger sådan affärsnytta:

• Förbättra processer och minska kostnader

• Googles system för att bättre styra kylningen av datacenter
• John Deeres system för att maximera lantbrukarens avkastning
• Finansbranschens system för att upptäcka kreditkortsbedrägerier och kreditbedömningar
• Caterpillar Marines lösning för prediktivt underhåll och beräkning av driftsparametrar minimerar bränsleförbrukningen hos fartyg 

• Bättre upplevelse för kunden

• Amazon, Netflix, Spotify med fleras system för köprekommendationer

• Nya affärsmodeller

• Självkörande bilar öppnar för helt nya affärsmodeller där vi inte längre behöver äga våra bilar

Så när dina internet of things-lösningar börjar generera stora datamängder kan det vara dags att börja med maskininlärning. Särskilt lämpligt är det om data innehåller information som till exempel bilder eller video som är svårtolkade med klassiska analysmetoder. Det är också lämpligt i de fall det är svårt att beskriva modellen för det man vill förutsäga eller styra, till exempel som den självkörande bilen.