Varför tillämpad AI?
I vår bransch har vi kommit långt när det gäller AI och maskininlärning och de olika delarna som behövs för att implementera maskininlärning att fungera i praktiken är äntligen här. Det är inte längre en fråga om ”rocket science” för att använda dem på ett bra sätt i applikationer, företag och lösningar.
Med AI och maskininlärning kan du fatta smartare beslut snabbare, kombinera analys och prioritering gjord av människor med datorns kapacitet, automatisera processer och använda ny teknik för att lösa gamla problem på helt nya sätt.
Vi tror starkt på kraften i återanvändning av mjukvara och tillämpar det på allt från idéer till kod. Olika verktyg och ramverk är tillräckligt mogna, och vi använder dem för att förbättra eller bygga nya lösningar. Maskininlärning är redan på gång i många branscher och är redo för att påverka ditt dagliga arbete. Vi kallar allt detta för tillämpad AI.
Ett exempel som vi gjorde med vår kund Sensenode är att vi gjorde det möjligt för deras kunder att övervaka strömförbrukningen för när tunga maskiner har avvikelser. Realtidsdata är en perfekt kandidat för maskininlärning. Vi tog fram ett lovande proof-of-concept för anomalidetektion genom att låta två sommarjobbare träna faltningsbaserade djupa neurala nätverk som kunde identifiera anomalier.
Maskininlärning börjar äntligen bli användbart och tillgängligt på riktigt och det är dags att förstå hur du kan använda det i ditt företag.
Softhouse Way för AI/ML
Många faktorer spelar en roll när man avgör om maskininlärningsprojekt är genomförbara eller inte. Softhouse kan hjälpa dig med att bedöma genomförbarheten i ett projekt eller att bygga prototyper. Om du har en stor datamängd men inte vet hur du kan använda Machine Learning kan vi använda våra ”Machine Learning -ögon” för att se vilka möjligheter det finns i datan för att skapa värde för dig. .
Vi brinner för att använda verktyg och ramverk som vi vet faktiskt fungerar. Vi uppnår resultat snabbare, billigare och med mindre buggar. Lika viktigt är vår djupa förståelse och historia av smidiga arbetssätt. Det är särskilt fördelaktigt med en iterativ metod när du tillämpar ny teknik som AI och maskininlärning.
Det är en vanlig uppfattning att maskininlärning och data science inte passar bra i agil metodik. Inget kan vara mer fel! Att skapa en MVP och iterera är nyckeln till framgångsrika maskininlärningsprojekt. I många fall kan Machine Learning -produkten själv användas i iterationen. Dessutom är sprint-demonstrationer, varannan vecka, med kommunikation av resultat viktiga för att anpassa prioriteringar och förstå framsteg. På Softhouse har vi det agila tänket direkt i vårt DNA.
Kerstin Johnsson
AI och maskininlärningsingenjör
+46 73- 912 30 47
kerstin.johnsson@softhouse.se