LØRN case C0056 -
LØRN. STARTUP

Ariel Fisher

Gründer

Quantifio

Kunstig intelligens — mer kunstig enn intelligent

I denne episoden av #LØRN snakker Sunniva med gründer av Turning Data Into Products AS / Quantifio, Ariel Fisher. I jobben som dataanalytiker utviklet Ariel en analyseplattform som endte opp med å erstatte og gjøre analysearbeidet mer effektivt enn han selv klarte. Ariel bestemte seg derfor for å starte opp sitt eget data science-selskap hvor de gir selskaper en løsning som utnytter den fremvoksende teknologikunnskapen til det fulle og legger til rette for at team bestående av ulik kompetanse kan samarbeide effektivt med produksjon og distribusjon av dataanalyse og innsikt. I episoden forteller Ariel mer om hvordan han lagde et økosystem for dataanalyse, hvorfor smarte og kreative menneskehjerner alltid vil være viktig, samt om hvorfor det er viktig at mennesker er premissleverandør i anvendelsen av AI.
LØRN case C0056 -
LØRN. STARTUP

Ariel Fisher

Gründer

Quantifio

Kunstig intelligens — mer kunstig enn intelligent

I denne episoden av #LØRN snakker Sunniva med gründer av Turning Data Into Products AS / Quantifio, Ariel Fisher. I jobben som dataanalytiker utviklet Ariel en analyseplattform som endte opp med å erstatte og gjøre analysearbeidet mer effektivt enn han selv klarte. Ariel bestemte seg derfor for å starte opp sitt eget data science-selskap hvor de gir selskaper en løsning som utnytter den fremvoksende teknologikunnskapen til det fulle og legger til rette for at team bestående av ulik kompetanse kan samarbeide effektivt med produksjon og distribusjon av dataanalyse og innsikt. I episoden forteller Ariel mer om hvordan han lagde et økosystem for dataanalyse, hvorfor smarte og kreative menneskehjerner alltid vil være viktig, samt om hvorfor det er viktig at mennesker er premissleverandør i anvendelsen av AI.
Facebook
Twitter
LinkedIn
Email

19 min

Choose your preferred format

SS: Hei, du lytter til Lørn.tech. I dag er tema AI, eller kunstig intelligens. Med meg for å lære meg og dere mer om tema har jeg med meg Ariel Fisher som er founder av Turning data into products AS/Quantifio. Du kommer fra Quantifio, men hvem er du og hvordan ble du interessert i kunstig intelligens?

AF: Takk for å være her. Jeg er grunder i et software teknologiselskap etter å ha jobbet 10 år med dataanalyse i ulike bedrifter i næringslivet. Jeg har jobbet mye med sofistikert dataanalyse, der man blir skitten på henda for man må ned å grave og finne innsikt i data. Det er en viktig prosess, men en krevende prosess. I søken etter kunnskap og svar der jeg har jobbet, har maskinlære kommet opp som en av teknikkene vi har anvendt.

SS: Du sier maskinlæring, og ikke kunstig intelligens?

AF: Ja, jeg liker maskinlæring som et begrep.

SS: Men for lytteren så kan vi tenke på det som det samme, selv om man teknisk kan lage skiller, men nå går kunstig intelligens og maskinlæring i hverandre?

AF: Se på det som det samme.

SS: Hva driver dere med i Quantifio? Maskinlæring?

AF: I Quantifio lager vi et økosystem for dataanalyse. Det som er problemstillingen jeg har jobbet mye med er hvordan man kobler domenekunnskap med teknisk kunnskap i søken etter svar når man har mye data.

SS: La oss starte med domenekunnskap. Jeg har en nettside, og den har domene, er det nettadressen?

AF: Det jeg mener med domene og spesifikk kunnskap er at du kjenner en bransje og en industri veldig godt som gjør at du kan resonnere rundt dette tema med en menneskelig hjerne. Når jeg sier teknisk kunnskap så er det personer som ofte vet hvordan man skal gå fram for å løse ting på en teknisk måte. Dette med hva og hvordan, det er ofte vanskelig.

SS: Kan du komme med et konkret eksempel på et domene og den tekniske kunnskap, et enkelt eksempel?

AF: Hvis du er en domeneperson som vet veldig godt om en brukergruppe, at du driver med salg av et bestemt produkt, også ønsker du å lære hvordan du kan gå frem i markedsføring for å ha en høyere treffsikkerhet på reklamen du sender ut.

SS: Jeg selger melk, og jeg ønsker å få solgt mer melk. Da er jeg en domeneperson som kan melk, og ønsker å selge mer melk.

AF: Enten så kan man følge magefølelsen hele veien “jeg er kongen på veien og melk er mitt fagfelt”, en annen variant som jeg har preferanse for er å se på dataen man har, salgstall, geografi, omsetning, når og hvor det handles, når på døgnet. Bruke det som et informasjonsgrunnlag inn i det å optimalisere hvordan man skal distribuere og markedsføre melkeprodukter.

SS: Ikke bare bli kjent med magefølelse, men bli kjent med sitt domene i dette tilfelle, melk.

AF: Da har man det tekniske med data, og sette ting i sammenheng og system, og man bruker det sammen med domenespesifikk kunnskap i prosessen. Det er en prosess som jeg har tro på, men som er vanskelig i praksis pga det er stort disconntect mellom det tekniske og det domenespesifikke domene.

SS: Det tekniske er kunnskapen om data?

AF: Det er kunnskapen om hvordan man skal håndtere data, hvordan man skal analysere data og hvordan man skal sørge for at det blir en effektiv analyse.

SS: Hvorfor er det en disconnect?

AF: Disconnect’en kommer som en følge av at hastighet og volum på informasjonen som er tilgjengelig er i dramatisk økning. Det er volum i den størrelsen at den vanlige personen ikke kan håndtere dette selv. En datamaskin er perfekt for å håndtere denne type datamengde, og for å få en datamaskin til å gjøre det trenger man mange tekniske personer til å fortelle en datamaskin hvordan man skal jobbe effektivt med disse dataene. Den tekniske kunnskapen er noe man tradisjonelt ikke har hatt. Når størrelse og volumet på data er så stort så er maskinlære en fantastisk teknikk ettersom en maskinglæring algoritme kan se på enorme tallsett og ved riktig bruk kan hente ut innsikt fra data som er komplekse sammenhenger, som vi mennesker ikke har sjans til å finne selv.

SS: Det er store mengder med data, og vanskelig å se mønstre og ting som skiller seg ut. Nå er det over på maskinlæring, hva er maskinglæring eller kunstig intelligens som vi bruker som begrep om hverandre.

AF: En analogi som jeg liker godt er å tenke at man ønsker å produsere en smoothie. For å komme dit trenger man ingredienser, oppskrift og blenderen. Det er en god analogi på hva dataanalyse generelt sett er. Smoothien er svarene som man er ute etter, og ingrediensene er dataene, oppskrifter er algoritmen, maskinlæring er igjen en gruppe av algoritmer man kan bruke, og blenderen er datamaskinen.

SS: Jeg tenkte at maskinlære var blenderen, men blenderen er datamaskinen.

AF: Blenderen er datamaskinen. Det er mye fokus på maskinlæring fordi datamaskinen har blitt veldig kraftige. Vi har en enorm økning i computepower, det betyr antall kalkuleringer en datamaskin kan utføre.

SS: En datamaskin er en maskin som er veldig god på å legge sammen tall, og det er den innmari god på.

AF: Nå har den type (?) blitt så tilgjengelig at maskinlæring har blitt allemannseie. Selskaper kan begynne å bruke maskinlæring hvor nivået for å komme i gang er ganske lav.

SS: Vi er på dataanalyse, vi kan gjøre noe med de dataene. Jeg er eksperimentell fysisker, så å samle data, den er jeg med på. Men kan maskinen lære, hva ligger i det?

AF: Det er en interessant spørsmål. Jeg brenner for det selv, for en av de viktige tingene når man jobber for maskinlære er generelt å skille mellom læring og hukommelse. Det er lett å kunne gå i fellen og tro man har funnet læring, så har man oppnådd at datamaskinen har memorert et stort tallsett. Når det kommer til maskinlære fungerer det ofte at man har et stort datasett, tenk på det som en matrise eller kolonner i et Excel ark.

SS: Et Excel ark fylt med tall og rader.

AF: Det fine med maskinlæring er at det håndterer både tall og bokstaver. Den kan finne interessante sammenhenger hvor det er strukturert og ustrukturert informasjon sammen. Når det kommer til læring sitter man ofte på mye historisk data, det kan være hendelser og salgstall på melk, som vi snakket om tidligere, så vet du hva det resulterte i. Når du vet hva tilstanden er på datasiden og du vet hva som kommer ut, så kan man bruke maskinlæring på den måten at man viser en del av tallsettet man har, også får man datamaskinen til å se nøye på det og prøver å finne om man er i stand til å kunne gi den samme responsen. Da bruker man regnekraften til å bruke sofistikerte matematiske modeller, men på overflaten ser det veldig enkelt ut. Man kan få en maskin til å gjenkjenne mønstre og være i stand til å predikere en respons eller et svar.

SS: Man kan forutsi hva svare kommer til å bli.

AF: Jeg startet med å si at man bruker deler av tallsettet man har fordi det er viktig at når man begynner å bruke modellen, så har man et datasett man kan teste på og se hvor bra modellen er i praksis.

SS: Du må dele opp datasettet?

AF: Ja. Hvis du ikke gjør det er sjansen høy for at du oppnår hukommelse og ikke læring.

SS: Du må teste ut og sjekke om ting faktisk funker. Sånn er det med alt vi driver med, og må sjekke og det er riktig eller galt det vi gjorde, så finner man fasiten .

AF: Her er det viktig å være klar over at det er forskjell på hvor farlig det er å ta feil, i f.eks ulike industrier.

SS: Hva man bruker maskinlæring til?

AF: Du vil alltid få et svar, men du vet ikke hvor godt svaret er.

SS: Du kan lage en dårlig algoritme og ha et dårlig datasett, men du vil få et svar.

AF: Ja. Noen ganger har du et datasett hvor det ikke gjør stor skade hvis du får feil svar for det kan du lære av og bli bedre. Men så er det andre segmenter i f.eks investeringsbeslutninger eller kontrollsystemer for navigasjon og trafikk, hvis du i teknisk betegnelse får en falsk positiv som betyr “gjør dette”, men du skulle ikke gjort det. Da kan det få dramatiske konsekvenser. Derfor er det viktig å passe på at man lærer og ikke bare husker, altså at algoritmene husker.

SS: Man må gjøre en god jobb.

AF: Ja. Så er det et sitat jeg liker veldig godt som gjelder akkurat dette, og det er “if you torture the data long enough, it will confess.”

SS: Det høres ut som det oppsummerer det.

AF: Det er viktig å ha i bakhodet, man kan putte på enorme mengder datakraft og sofisikerte modeller, og man vil alltid få et svar.

SS: Er problemet at man bruker det feil? Dette er jo statistikk, og det koden gir er at du bør gjøre dette med så og så stor sannsynlighet. Den sier ikke at dette er det riktige svaret, den sier mer eller mindre sannsynlig? At vi da mistolker det?

AF: Det synes jeg er et riktig perspektiv å ha på ting. Du vil alltid få et svar, med min bakgrunn fra fysikk og matematikk er det er alltid en usikkerhet i hvert svar man får.

SS: Det er det i den virkelige verden, hvis jeg stiller deg et spørsmål som går på at man kan forutsi noe, så kan ikke du si sikkert hva som kommer til å skje.

AF: Riktig. Med maskinlæring er det ingen eksakt løsning på et problem. Det er tilnærmet løsning på et problem som kan fungere fantastisk i enkelte situasjoner, så kan det være dramatisk i andre. Det at man ikke har eksakte løsninger betyr at man må være veldig påpasselig på at man forstår usikkerheten og hvor anvendelsen av den maskinlærings algoritmen man har bygd opp fungerer.

SS: Hva tenker du folk mangler for å forstå dette? Er det mangel på forståelse på hvordan programmering, koding og statistikk fungerer? Det tenker jeg.

AF: Det viktige er at man får på plass det gode samarbeidet mellom de som behersker teknologien og teknikken, og de som ønsker å bruke kunnskapen for det er to ulike domener. I dag er det vanskelig for at de domene skal samarbeide godt sammen. Jeg har jobbet mye i det grenselandet, og det å få på plass samarbeidet…

SS: Ting er ikke så strømlinjeformet?

AF: Absolutt ikke. Dataanalyse blir sett på som du har dataimport, analyse og presentasjon som en sekvens, det er ikke sånn man jobber. Den er ikke lineær, og den er ikke enveis, den går alle mulige veier. Da kommer man inn på hva vi gjør i vårt selskap.

SS: Nå skal vi snart runde av, så hva gjør dere og hva er de positive sidene ved kunstig intelligens og maskinlæring?

AF: En av de viktigste tingene man må gjøre er å få den sekvensielle måten å jobbe på, import, dataanalyse, presentasjon, til å bli parallel. Man skal importer, man skal alltid eksportere, man skal alltid analysere og alltid rapportere. Det skal skje samtidig kontinuerlig. Det er ikke situasjonen i dag, og det er den problemstillingen som vi jobber med.

SS: Hva er de beste eksemplene på bruk av kunstig intelligens?

AF: Det finnes mange gode eksempler. Et eksempel som jeg er glad i for å spare mye tid, er når jeg skal registrere reiseregninger der jeg jobber, så synes jeg det er fantastisk å bruke mobilen til å ta bilder av kvitteringen, så tar det bare noen sekunder så får jeg se totalen, MVA som er lagt til osv. Så tar jeg en kjapp titt, også ser det riktig ut. Jeg trykker “ok” og jeg kan til og med gjøre endringer. Når jeg kommer til pulten min, så ligger det et ferdig forslag til bokføring i regnskapssystemet. Det synes jeg er en fantastisk opplevelse fordi jeg har muligheten til å endre svaret. Hvis algoritmen tok feil så kan jeg rette. Men stort sett er det riktig. Jeg vil si det er 90 prosent riktig.

SS: For andre som hører på og bruker samme system som deg, tenker man at dette er helt greit. Men for meg som kommer fra universitetet og har holdt på med HR-portalen og reiseregninger der, så høres det helt fantastisk ut å gjøre ting på den måten. Man bruker mye tid og frustrasjon på reiseregninger.

AF: Det er den type ting maskinlæring egner seg godt til.

SS: Gjøre de kjedelig oppgavene som man kaster bort tiden sin med.

AF: Der har jeg oppfatningen med at man må passe på at der menneskene som setter premissene på bruk at teknologi. Det er for meg veldig viktig. Jeg tror det er det mest riktige, og passe på at vi vet hvordan teknologien vår anvendes.

SS: Hvis de som lytter nå har lyst til å lær mer om kunstig intelligens eller maskinlæring, har du noen tips til hva du burde gjøre, se eller lese?

AF: Vi er i en verden hvor det er så mye kunnskap tilgjenglig på internett, og der finner man kurs og gode videoer, TED talks f.eks.

SS: Har du noen favoritt? Eller finnes det generelt mye bra?

AF: Det er et kurs som går på caltech, som heter “learning from data”. Det synes jeg er et veldig bra kurs, som også er en bok. Det er et teknisk kurs, så man må sette pris på den delen. Så finnes det en rekke klipp på YouTube, det er en serie fra “Asher” som har publisert one-on-one datascience kurs. En sekvens med video som forteller på et veldig enkelt hvis hva som er konseptet med dataanalyse og det vil jeg anbefale å ta en titt på.

SS: Hva er det lytteren må huske fra vår samtale?

AF: Jeg tenker det viktigste er at kreative og gode menneskehjerner må alltid være en premissleverandør for anvendelse av AI. AI har fantastiske usecase, man må bare passe på at det blir brukt riktig. Det tenker jeg er det viktigste.

SS: Mennesket er fremdeles viktig.

AF: Jeg har tro på mennesket.

SS: Det er veldig fint. Tusen takk til deg AF for at du kom hit og lørnet med oss, og tusen takk til deg som lyttet.




Hva gjør dere på jobben?

Om man skulle designet en løsning med samme impact som “regnearket” i dag, hvordan ser den ut? Har jobbet med å løse denne utfordringen i ti år - nå er vi et team som løser problemet i en større kontekst.

Hva er greia med AI?

En ikke-lineær teknikk som åpner opp for å finne finere nyanser i data og respons. Med dagens tilgang til maskinkraft og software er teknikkene blitt tilgjengelige for folk flest.

Hvorfor er det spennende?

Man kan finne mønstre i data som i praksis er umulig med tradisjonelle metoder.

Hvorfor er det skummelt?

Etiske utfordringer, som Kina sitt “social credit”-system eller når en selvkjørende bil i en nødmanøver kan kjøre ut av veien eller rett frem avhengig av hvem som man er i ferd med å kjøre på.

Ditt beste eksempel på AI?

Automatisk gjenkjenning av detaljer på scannet kvittering i regnskapssystem, med forslag til bokføring.

ine andre favoritteksempler på AI, internasjonalt og nasjonalt?

Fraud/anomaly detection, predictive maintenance og forenkle kommunikasjon på tvers av språk.

Hvordan funker det egentlig?

Masse relevant data, ofte som rader/matriser, der kombinasjonen av verdiene på en rad/matrise svarer til en respons. En maskinlærings-algoritme kan finne komplekse sammenhenger i datasettet og være i stand til å predikere utfall gitt nye data.

Hva gjør vi unikt godt i Norge av dette?

Det er flere svært gode anvendelser innen forskning, blant annet innen genetikk og kreftforsking.

Et kort AI-sitat?

Artificial intelligence is more artificial than intelligent.

Ariel Fisher
Gründer
Quantifio
CASE ID: C0056
TEMA: AI AND BIG DATA TECHNOLOGY
DATE : 181020
DURATION : 19 min
LITERATURE:
Perspectives and Challenges av Michael Jordan Learning From Data (bok og kurs på Caltech) av Yaser Abu-Mostafa Google's DeepMind AI Just Taught Itself To Walk Data Science for Beginners - 5 Questions Data Science Answers Data Science for Beginners: Is your data ready for data science?
YOU WILL LØRN ABOUT:
AI Etikk
Eksempler på AI
QUOTE
"Med AI kan man finne mønstre i data som i praksis er umulig med tradisjonelle metoder."
More Cases in topic of AI AND BIG DATA TECHNOLOGY
#C0045
AI AND BIG DATA TECHNOLOGY
Digitale tvillinger

Michael Link

Forsker

Kongsberg

#C0044
AI AND BIG DATA TECHNOLOGY
Big Data og geometrisk modellering

Heidi Dahl

Forsker

Sintef

#C0043
AI AND BIG DATA TECHNOLOGY
Slik kan Big Data predikere fremtiden

Sverre Kjenne

Leder

BaneNor