Digitalisering

En blogg om utmaningar och möjligheter med digitaliseringen inom samhällsplanering och samhällsbyggnad.

Artificiell intelligens – framtiden för Sweco?

18 oktober 2018

Artificiell intelligens, Machine Learning, deep learning och artificiella neurala nätverk

Intervju med Cornelia Wallander, nyanställd inom IT för samhällsutveckling i Stockholm. Cornelia skrev sitt exjobb hos oss under våren och nu anställd som konsult

Till att börja med, vad är skillnaden mellan Artificiell intelligens, Machine Learning, Deep Learning och (Artificiella) Neurala nätverk? Hur hänger de ihop?

AI: Artificiell intelligens är dataprogram med intelligent beteende som kan agera, resonera, anpassa sig och fatta beslut.

ML: Machine learning (maskininlärning) är ett fält inom artificiell intelligens och datavetenskap. Det finns två olika grenar inom machine learning. Dessa är supervised learning (övervakat lärande) och unsupervised learning (oövervakat lärande).

DL: Deep learning (djupinlärning) är en del av machine learning som innehåller modeller och algoritmer som är uppbyggda på ett flöde av multipla lager. En kategori av algoritmer som tillhör deep learning är artificiella neurala nätverk vars arkitektur har inspirerats av den mänskliga hjärnan.

ANN: Artificiella neurala nätverk består av flertalet lager som i sin tur byggs upp av flertalet neuroner. Neuronerna är förenade med länkar som har olika vikter. Styrkan med artificiella neurala nätverk är att de har en förmåga att kunna lära sig komplicerade och abstrakta mönster. Svårigheten med artificiella neurala nätverk kan vara att det finns många parametrar att justera och det krävs stora mängder träningsdata för att träna upp ett neuralt nätverk.

Artificiella neurala nätverk är inte någonting nytt, det har funnits i mer än 50 år men på grund av att algoritmerna har blivit effektivare, tillgången på beräkningskraft har ökat och det finns stora mängder av klassificerad/märkt data har de blivit allt mer populära.

När/i vilka situationer passar det att använda vad?

Generellt så passar det att använda sig av machine learning när det finns tillgång till data av hög kvalitet. Det behövs många exempel, som är strukturerade på samma sätt och datat behöver vara konsekvent. Om man ska börja testa något är det bra att det är ett avgränsat problem.

Den klassiska bilden av artificiell intelligens, är väl mer någon sorts människoliknande robot som kan allt och tar över världen. Då rör det sig om AGI – artificiellt generell intelligens – ett program som är bra på många olika områden. Just nu finns inte riktigt det, i alla fall inte särskilt utvecklat. Nu används AI för att förbättra, lösa och effektivisera specifika saker och problem.

Det beror sedan mycket på från situation till situation vilket tillvägagångssätt (ex. ML, DL, ANN) som används. Allt hänger ihop så går inte riktigt att skilja ut när man borde använda vad, då det är ihopkopplat. Med det finns vissa specifika exempel, t.ex. vid bildigenkänning så används generellt sett ANN.

Berätta om ditt ex-jobb, hur kom du in på Machine Learning?

Jag visste att jag ville göra något inom ML, och jag har läst flera kurser om det och blivit mer intresserad av det. Det har kommit och kommer hela tiden mycket nytt och många är intresserade. Det börjar bli ett allmänintresse men samtidigt är det så nytt och stort att det finns många områden där ingen har gjort något alls tidigare. Så det finns stor potential och mycket att utforska, vilket lockade mig.

Sedan diskuterade jag tillsammans med Sweco vad som skulle kunna vara intressant och relevant för båda parter att undersöka. Det finns en del förutsättningar så som data och någon part som vill undersöka ett avgränsat problem.

Tillslut blev arbetet ett samarbete med Helsingborgs stad som har tillhandahållit projektidé och indata till studien. De ville undersöka om Machine learning skulle kunna användas för att avgöra vilka skyddsanordningar som behövs vid vägarbeten. Det är ofta ett ganska komplext beslut för trafikingenjören och machine learning passar perfekt för att klassificera stora datamängder och stödja handläggare i komplexa ansökningsprocesser. Trafikingenjören behöver då endast gå igenom fall som är svårbedömda för algoritmen, och får mer tid för annat, som till exempel platsbesök.

Slutresultatet blev: “Rigid barrier or not?: Machine Learning for classifying Traffic Control Plans using geographical data”

Vad var det som intresserade dig mest med ML?

Det jag tycker är roligast är att man får vara så kreativ. Man måste förstå kunden, verksamheten och deras utmaningar samt hur olika processer kan effektiviseras. Här får jag själv bestämma hur problemet ska angripas och kan spåna fram idéer. Det är kul med något som är helt nytt, och spännade att utforska nya områden som kan lösa problem på ett bättre sätt.

Vad stötte du på för hinder på vägen?

Istället för hinder skulle jag istället säga att jag stötte på utmaningar. En utmaning var att datat jag skulle basera mina modeller på delvis var inkonsekvent. I vissa fall saknades värden i datasetet, ibland var det på fel form t.ex. en textsträng istället för en siffra, etc. Det kan skapa stora problem om antalet datapunkter är stort. Detta är ett exempel på ett problem som relativt enkelt skulle kunnat lösas i ett tidigare steg genom att endast tillåta input-objekt på en viss form för det attributet.

Dök det upp något oväntat vad gäller resultat eller vägen dit, som du inte hade kunnat ana innan?

Något jag inte väntat mig var att det var så extremt mycket arbete med datat. Ungefär 80% av tiden gick åt till det, till bland annat att klassificera. Datat fanns men jag behövde kunna presentera geografiska data i siffror. Jag valde då att använda mig av avstånd, vilket inte var självklart vid start men som under arbetets gång visade sig ge det bästa resultatet.

När detta görs på universitetet så får man alltid ”perfekt” data, vilket inte riktigt är fallet i verkligheten. Det var svårt att förutse hur mycket arbete som faktiskt krävdes med det.

Om man vill börja lära sig om ML, DL, ANN och AI hur börjar man?

Det första steget skulle väl vara att kolla på tutorials och ladda ner program. Det är viktigt att börja läsa på och få koll på det teoretiska, men minst lika viktigt att börja testa i olika program. Om man har erfarenhet av programmering så finns det möjlighet att hitta program med bekanta programmeringsspråk. Börja med olika träningsdataset för att förstå konceptet och vilka problem man kan lösa eller hur man kan effektivisera. Det finns jättemycket olika dataset att hämta hem för att öva på.

Om man vill fördjupa sig ytterligare och börja spåna kring affärsmöjligheter så är nog det bästa att träffa likasinnade och diskutera från olika perspektiv – det är mycket lättare att ta sig framåt tillsammans.

På vilket sätt kan vi på Sweco hjälpa våra kunder genom att använda AI?

På ett större plan så kan vi hjälpa till med att förbereda och vägleda verksamheter hur de ska hantera och samla in data. Vi har även väldigt nära kundrelationer, vilket är centralt för att förstå behov och processer som skulle kunna effektiviseras. Det går inte att använda som ett verktyg om man inte har en förståelse för processerna och vad som man måste göra och hur man skulle kunna förbättra varje liten del.

Utmaningar?

En stor utmaning är att kunna se helheten och koordinera och samverka mellan olika områden. Det krävs också förståelse för tekniken på en hög nivå för att kunna identifiera när det är ett bra tillfälle att använda sig av AI. Att få in kunskap och kompetens överallt inom alla affärsområden skulle vara optimalt, så att alla kan ha det i bakhuvudet under arbetets gång.

Finns det något specifikt där du ser stor potential för effektivisering?

Eftersom jag har snöat in på området beslutsstöd och experter så tror jag att det kan underlätta alla arbeten där vi vill basera våra beslut på faktiska data. Komplexa problem där vi som människor har flera parametrar att ta hänsyn till kan vara svårbedömda för oss. Det är dessa problem som algoritmerna är riktigt duktiga på att lösa.

Sedan ser jag en stor potential i verksamheter där liknande ansökningar/planer/dokument kommer in löpande. Som i mitt exempel, TA-planer, men även andra verksamheter, t.ex. bygglov och andra ansökningar där formulären är utformade på samma sätt.

Hur kommer all denna nya teknik påverka oss och utvecklingen i samhället, tror du?

Jag tror att det framför allt kommer fungera som verktyg för att bli effektivare, för att kunna lägga mer tid på det som är essentiellt i det vi gör. Man skulle bl.a. kunna få hjälp repetitiva uppgifter. Jag tror att det kommer att fungera som ett stöd, och inte ersätta hela arbetsområden.

Det finns tyvärr yrken där man kan förstå viss oro för att jobben kommer ersättas, men på det stora hela så tror jag inte att det finns så mycket att oroa sig för. Dock kommer rollerna  förmodligen att skifta lite och arbetsdagarna kommer nog att se annorlunda ut.

Vad blir vårt nästa steg?

Jag skulle säga att vi på Sweco först och främst måste informera våra kunder om att ML och delar inom AI kan skapa ett stort värde. Grunden till allt är data, och vill vi vara med och arbeta på ett effektivt och hållbart sätt i framtiden är det nu vi ska lägga grunden. Vi måste hjälpa våra kunder i att se över vad för data som finns sparat och hur det är presenterat. Mängden och kvaliteten på datat är A och O för att kunna göra smarta prediktioner med hjälp av ML. Jag tror att det krävs en relativt liten insats i dagsläget för att hjälpa våra kunder att se till att de har tillgång till historiskt data och att den datan håller en hög kvalitet, något dock som kan vara svårt att återskapa i efterhand.

Jag tror att det viktigaste är att vara nyfiken och våga testa på att lösa befintliga problem med nya tekniker och inte fastna i samma arbetssätt.

På sweco.se använder vi cookies för att webbplatsen ska fungera på ett bra sätt för dig. Vi lagrar ingen personlig data. Om du inte accepterar cookies kan du stänga av det via din webbläsare.