Experten: så skapar ni affärsnytta med maskininlärning och internet of things

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

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 underhåll och driftparametrar vilket gör att man kunnat spara cirka 300 kronor per drifttimme. Det kanske låter lite för ett rederi, men med en flotta på 50 fartyg som seglar 24 timmar om dygnet 26 veckor om året blir den årliga besparingen över 60 miljoner kronor.

Läs mer: Expertens bästa tips: så här kommer du igång med IoT

Resursoptimering 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. Detta för att skapa modeller för att bestämma exakt hur mycket gödningsmedel, vatten och bekämpningsmedel som ska användas för att maximera lantbrukarens avkastning.

Internet of things gör det också möjligt att effektivisera transporter inom sjöfart och med lastbil genom ruttoptimering, minimerad bränsleförbrukning och bättre 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.

Läs mer: Allt om maskininlärning

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 har många faktorer i samverkan gjort maskininlärning till en realitet: tillgång till stora datakällor 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 Amazon och Netflix. Även banker använder tekniken för att kunna göra automatiska kreditbetyg och upptäcka bedrägerier. Dagens system för röstigenkänning och för att identifiera föremål i video arbetar också med maskininlärning. Och ingen har väl undgått den snabba utvecklingen av självkörande bilar, som till stor del bygger på samma teknik.

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 till exempel artificiella neuronnät, beslutsträd och bayesiska nätverk. Träningen genomförs som:

• Guidad inlärning (“supervised learning”), där 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 hur Googles tillämpar 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 (till exempel fläktar, pumpar, hastigheter och fönster) är det svårt om inte omöjligt att bygga en modell med klassiska metoder. I stället använde Google maskininlärning och sänkte sin totala energiförbrukning med 15 procent. Det representerar hundratals miljoner dollar i besparingar för Google under de närmaste åren.

Läs mer: 7 myter om maskininlärning

Affärsnytta med maskininlärning skapas, som visas i exemplen ovan, genom att förbättra processer, minska kostnader, skapa en bättre upplevelse för kunden eller att öppna för nya affärsmodeller.

Så när dina internet of things-lösningar börjar generera stora datamängder kan det vara dags att börja med maskininlärning. Särskilt lämpligt är det om datan innehåller information som till exempel bilder eller video som är svårtolkad 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.

ANNONS: Storsatsande eventet IBM Analytics University kommer till Stockholm 17–20 september 2018