AI, ML og GPT-4

Med en eksplosiv vekst innen maskinlæring og kunstig intelligens (AI) kan det være krevende å holde seg oppdatert på mulighetene og hvordan man kan ta det i bruk i egen bedrift. Dette er noe Fraktal både kan og ønsker å hjelpe til med. 

Eksplosiv vekst innen kunstig intelligens og maskinlæring 

Sjelden har endringene innen kunstig intelligens (AI) og maskinlæring (ML) vært like hyppige og markante som i disse tider, og det skrives og snakkes om AI og ChatGPT i mange ulike situasjoner og kanaler. For eksempel nådde ChatGPT 100 million brukere to måneder etter lansering, noe som gjør den til den raskest voksende forbrukerorienterte applikasjonen i historien, ifølge en UBS studie.  Nå i mars lanserte OpenAI neste versjon av modellen, GPT-4, som skal gi mer nøyaktige resultater. I tillegg til alt som skjer innen nye AI/ML-tjenester hos både Microsoft, Amazon, Google og andre, gir dette tilgang på et vell av nye verktøy og dermed mange nye muligheter innenfor en rekke industrier og bedrifter. Utfordringen kan være å ha oversikt og forståelse for når og hvordan disse verktøyene kan brukes 

Truls Fretland, fagansvarlig Maskinlæring i Fraktal

Maskinlæring og anvendelser 

Felles for alle disse tjenestene og verktøyene er det vi kaller maskinlæring, der vi gir maskinen tilgang på historiske data slik at en algoritme (steg-for-steg prosess) kan trene opp en modell. Hvis datagrunnlaget er godt, og modelltreningen vellykket, så vil modellen avdekke strukturer i dataene. Da kan man gi modellen nye observasjoner, og den vil kunne gi et svar basert på disse. 

Et vanlig eksempel er prediksjon av strømforbruk, der vi som datagrunnlag har historisk strømforbruk og værdata. Selv om det er kjent at strømforbruket øker når det blir kaldere, kan modellen vi trener opp si mer nøyaktig hvordan forbruk og temperatur følger hverandre.  

Et annet eksempel er å anslå sannsynligheten for at en kunde ikke betaler tilbake et lån. En erfaren kundebehandler kan nok vurdere dette basert på data om kunden og markedet, men ved å trene opp en modell kan man tilgjengeliggjøre denne ekspertisen for langt flere og sørge for at kundebehandlingen er konsekvent. 

Viktigheten av gode data 

Som Stian Bakke er inne på i sin artikkel , er gode data helt avgjørende for vellykket bruk av dem. Det gjelder også innen maskinlæring, der hele modellen bygges kun basert på tilgjengelige data. For mange type modeller kreves det store mengder data for å få en god modell. Heldigvis finnes det anvendelser der man ikke trenger så store mengder data, fordi problemstillingen er av en mer generell art. Da kan man benytte ferdigtrente modeller som er finjustert med egne data. Et eksempel er klassifisering av dokumenter. Her finnes det ferdigtrente modeller som er gode på å finne struktur i tekst, og disse kan finjustere med bedriftens egne dokumenttyper, slik at modellen blir i stand til å klassifisere i kategorier som er unike for din bedrift. 

En oversikt over tilgjengelige Microsoft-tjenester innen AI/ML – i tillegg kommer alle de andre leverandørene.

Truls Fretland, fagansvarlig Maskinlæring i Fraktal

Hva nå? 

Vi i Fraktal er lidenskapelig opptatt av å sikre et godt datagrunnlag, og tilgjengeliggjøre dataene for bruk i beslutninger. I noen tilfeller egner dataene og forretningsproblemstillingene seg godt til å løse ved bruk av maskinlæring eller AI-tjenester. Vi kan bistå med rådgiving og implementering av løsninger, både der man kan benytte ferdigtrente modeller som tjenester, gjøre finjusteringer av disse med egne data, eller der man må bygge og produksjonssette virksomhetsspesifikke modeller basert på egne data.

Vi har fokus på å alltid løse problemstillingene med de verktøyene som raskest gir gode resultater. Dette ønsker vi å hjelpe dere med og tar gjerne en prat om mulighetene som finnes innenfor dette området.