Bedre melk og effektiv fakturaflyt. Slik jobber Tine med KI og dyp læring
Hos Tine bruker de nå kunstig intelligens som støtte til å ta bedre beslutninger og spare tid på ulike oppgaver. I kurset «Introduksjon til dyp læring» hos Universitetet i Oslo kan du lære om de samme metodene – og se hvordan din egen virksomhet kan komme i gang.
– Dette er en ny måte å løse problemer på for Tine. Og sikkert også for en del andre bedrifter, sier Ivar Kristoffer Huitfeldt.
Han er del av et lite team med utviklere som jobber på to prosjekter med data science og dyplæring i Tine – på vidt forskjellige områder: Utfylling av faktura – og analyse av melkeprøver som skal oppdage sporedannende bakterier.
Helt urelaterte er disse prosjektene likevel ikke. Begge handler om å bruke data og kunstig intelligens for å spare tid og få støtte til å ta bedre beslutninger.
Mer spesifikt bruker de her såkalte nevrale nettverk og dyp læring. Slikt vil høres komplisert og kanskje avskrekkende ut for mange. Men faktisk er dette noe veldig mange virksomheter kan utforske – og ha stor nytte av, mener Huitfeldt.
– Når det er snakk om nevrale nettverk og lignende teknologi, tenker folk med en gang på ansiktsgjenkjenning og selvkjørende biler. Men det er bare snakk om en metode for å automatisere ulike beslutninger, som kan brukes til ganske dagligdagse administrative oppgaver. Det er egentlig ikke så veldig hokus pokus, sier han.
Hva slags muligheter som ligger i denne teknologien for alle typer virksomheter, kan du nå lære om i mikroemnet «Introduksjon til dyp læring» på Universitetet i Oslo, en del av UiOs nye videreutdanning i data science, «Fra data til innsikt».
Emnet er i praksis et tredagers kurs, som holdes 21.-22. februar og 4. mars. Dette er nå åpent for påmelding for ansatte i offentlig sektor og i næringslivet, med frist 7. februar.
Fakta: Dyp læring
Dyp læring er en metode innen maskinlæring der en trener opp såkalte nevrale nettverk til å gjenkjenne mønstre i data.
Datamaskinen vil her lete etter mønstre i data på en måte som er inspirert av hvordan menneskehjernen fungerer. Ved hjelp av algoritmer kjøres de relevante dataene gjennom ulike «nevroner», som er designet for å fungere litt som hjernens nerveceller. Disse er knyttet sammen og bygget opp i flere lag – slik at dataene, etterhvert som de går gjennom nettverket, vil vurderes og vektes opp mot variabler og utfall fra andre deler av nettverket. Det er derfor det kalles «nevrale nettverk». Til slutt vil en kunne få et bestemt forslag eller svar på problemet i den andre enden.
Lær mer og se hvordan du kan komme i gang gjennom kurset «Introduksjon til dyp læring» på Universitetet i Oslo, med påmeldingsfrist 7. februar.
Bruker kunstig intelligens til å finne sporedannende bakterier
Hva slags bedrifter er dyp læring aktuelt for? Det er ikke noe fasitsvar. Det handler om å bli bevisst på mulighetene – og så må det komme et initiativ. Enten det kommer ovenfra eller nedenfra. Slik var det også hos Tine. Huitfeldts team jobber med automatisering av forretningsprosesser som primæroppgave, der de fort så potensialet i maskinlæring og dyp læring som et viktig verktøy for å oppnå dette.
Det første prosjektet deres innenfor kunstig intelligens ble til litt tilfeldig, gjennom at Huitfeldts team hadde dialog med en avdeling som selv ønsket å digitalisere og ta i bruk data i beslutninger. Her så de kjapt et potensial for å automatisere deler av prosessen med å analyse melkeprøver for sopp.
– Dette er en veldig ressurskrevende prosess. I veldig mange av melkeprøvene de plukker ut, finnes det ingen sporer. Det betyr at de bruker ressurser der det ikke er nødvendig. Ønsket var at de skulle ta ut langt færre prøver, men med høyere treffsikkerhet.
– Vi har derfor utviklet en algoritme som gir dem forslag til om en bestemt prøve skal plukkes ut for analyse eller ikke, sier Huitfeldt.
Denne maskinlæringsalgoritmen er trent opp med relevante datasett, slik som historiske data om tidligere melkeprøver – samt ting som værdata fra gården melken kom fra. Nedbør rundt tiden for innhøsting av fôret til kyrne er nemlig en av faktorene som spiller inn på om det kan komme sporer i melken.
– Det er langs veien fra fôr til jur til melk at det oppstår sporer. Da kan vi for eksempel koble inn data fra Meteorologisk institutt for å se på nedbørsmengden på et bestemt tidspunkt på postnummeret der gården ligger, sier Huitfeldt.
Når lab-medarbeiderne nå skanner en melkeprøve, får de opp fargekoder hvor grønn betyr at den bør analyseres for anaerobe sporer og gul for aerobe sporer. Som et resultat, forteller Huitfeldt, jobber de ikke nå bare mer effektivt på laben, men oppdager flere melkeprøver enn tidligere som inneholder sporer.
Fakta: Fra data til innsikt
Ny etter- og videreutdanning (EVU) innen data science fra Universitetet i Oslo (UiO). Startet opp i et pilotprogram fra desember 2021, med «Verdien av data i beslutningsprosesser» som første mikroemne.
Hvert mikroemne er et kort kurs som går over tre dager og gir 2,5 studiepoeng. Disse kan fullføres enkeltvis eller settes sammen til en utdanning. Vinteren og våren 2022 gis det emner om digitale tvillinger, beregning av usikkerhet (maskinlæring) og dyp læring. I utviklingen av programmet har UiO samarbeidet DigitalNorway og Lørn.tech.
Neste emne heter «Introduksjon til dyp læring» og undervises av postdoktor Vegard Antun. Det er rettet mot ansatte i det offentlige og i næringslivet, gjerne i SMB-er, som ønsker å lære mer om mulighetene i denne teknologien for sin virksomhet. Anbefalte forkunnskaper er en bachelor i realfag, med noe bakgrunn i matematikk og programmering. En komplett liste over anbefalte forkunnskaper finner du på emnesiden.
Kurset holdes 21.-22. februar og 4. mars. Kursavgiften er i pilotperioden på kr. 5.000,-. Påmeldingsfrist 7. februar.
Sparer mye tid
Det andre data science-prosjektet som er produksjonssatt hos Tine, handler om innkommende fakturaer.
Også her har Huitfeldt og teamet utviklet en maskinlæringsalgoritme som kommer med et forslag. Nærmere bestemt vil algoritmen forsøke å fylle ut feltene i fakturaen automatisk – hvilken konto, type kostnad, hvilken avdeling, og så videre – og så er det opp til de enkelte medarbeiderne om de godtar forslagene.
Å bruke dyp læring var for dem et bedre og mer dynamisk alternativ enn å bruke hardkodede regler for hvordan fakturaer kan utfylles automatisk, som ville måtte endres manuelt hver gang det for eksempel kommer en ny leverandør.
– Med maskinlæring og dyp læring kan vi heller sette opp automatisk retrening, slik at algoritmen altså lærer av valgene som blir gjort underveis, sier Huitfeldt.
Er algoritmen usikker, kommer det ikke noe forslag. Per nå er det omtrent 40 prosent av fakturaene som får forslag, og av disse er 80 prosent riktig, forklarer Huitfeldt – som legger til at en viktig del av jobben er monitorering og justeringer når algoritmen først er satt i produksjon og løser reelle problemer.
Underveis logges alle automatiseringer og tiden som blir spart – og Huitfeldt anslår at de allerede sparer inn åtte timer med rutinejobb hver dag på denne prosessen, altså et fullt dagsverk.
For andre som vil utforske mulighetene med dyp læring, mener han at nettopp faktura kan være et bra sted å starte der en kjapt kan hente gevinster – fordi det er et område der en allerede har strukturerte og pålitelige data.
– Dyp læring er veldig godt egnet som metode når du har data du kan stole på, ønsker å predikere noe frem i tid, og vet at det finnes en link mellom historikken og det som vil skje i fremtiden. Da er maskinlæring og dyp læring et ypperlig verktøy for å finne den linken. Så er det selvfølgelig viktig at den outputen også gir forretningsverdi, sier Huitfeldt.
Vil du lære mer om mulighetene med kunstig intelligens og dyp læring? Meld deg på «Introduksjon til dyp læring» på Universitetet i Oslo innen 7. februar.
