Avansert modellering

For problemer med mange variabler kan en modell lære å finne den mest hensiktsmessige løsningen – enten ved å belønnes for gode beslutninger eller ved å optimalisere mot et definert mål. Andre eksempler kan være prognoser basert på historikk og nåsituasjon eller å klassifisere store mengder data på en måte som ikke er åpenbart for oss mennesker.

Slike problemer kan løses med avansert modellering. Med det så mener vi statistiske modeller og maskinlæring. Området dekker en utvidet bruk av data til å løse kompliserte eller vanskelige problemer som krever regnekraft og noen ganger mengder med gode data. De fleste kjenner gjerne til at nettbutikker ofte har «andre kunder kjøpte også dette», eller at mange telefoner nå bruker ansiktsgjenkjenning for å autentisere deg som bruker.

Dette er et stort fagområde, en god del av disse metodene er ikke nye, og det finnes en mengde løsninger, biblioteker og lang og god praksis å støtte seg på. Det som kan være vanskelig er å finne ut om problemet en har faktisk er mulig å løse. En god dataplattform er til god hjelp også her, enklere tilgang til mengder av gode data kan korte ned tiden betraktelig for å få avanserte modeller på luften.

Vi skiller dette området fra de andre disiplinene hos oss. Selv om språkmodeller som ChatGPT og Claude har kapret begrepet Kunstig Intelligens, så er det ikke samme sak. Vi bruker selvsagt generativ KI for å utvikle og teste maskinlæringsløsninger, og de kan også brukes sammen i et data-økosystem.

Prosjekter for avansert modellering kan ofte nyte godt av et forprosjekt der en undersøker problemet i detalj og vurderer tilgang på data og andre faktorer som kan påvirke kvaliteten til en slik løsning. Det som ved første øyekast kan virke som noe enkelt trenger slett ikke å være det, og ofte kan det være omvendt.

Alle de store skyplattformene, Microsoft Azure, Amazon AWS og Google Cloud Services, har infrastruktur for å kjøre slike løsninger, men de kan også kjøres hos andre skyleverandører, hos driftsleverandører eller lokalt.