Maskinlæring i lildog med CEML Niro

lilbits sjef for maskinlæring: – Enhetene våre blir smartere jo mer de brukes

En rekke filmer og TV-serier har portrettert dystre fremtidsutsikter der kunstig intelligens har tatt over verden og ført til menneskehetens undergang. Det er kanskje ikke så rart av slike scenarioer presenteres, for kunstig intelligens har utvilsomt et vanvittig stort potensial, både på godt og vondt.

"lilbit kan ikke spå fremtiden, men kan i hvert fall gjøre noe: utnytte de seneste teknologiske fremskrittene til å utgjøre en positiv forskjell." - Niro

Ved hjelp av såkalt maskinklæring, en undergruppe av kunstig intelligens, kan lilbit gjøre det enklere for folk å ta vare på dem man er glad i.

Finner sammenhenger vi ikke ser

I lilbit er det Niro som er sjef for maskinlæring.

Han har alltid vært interessert i teknologi, men det var TV-serien «Person of Interest» som for alvor fikk ham interessert i kunstig intelligens, og da spesielt maskinlæring. Serien handler om datamaskin som er i stand til å forutsi kriminelle handlinger, før de er begått. I serien kunne maskinen gjøre dette ved analysere enorme mengder data fra mobiler, webkameraer og overvåkningskameraer, for å nevne noe. Selv om «Person of Interest» er en science fiction-serie, fikk Niro en større forståelse av potensialet til kunstig intelligens.

Han lot seg fascinere av det faktum at algoritmer kan læres opp til å finne sammenhenger vi mennesker ikke ser. I dag er Niro overbevist om at maskinlæring kan brukes som et ledd i å ta vare de rundt oss.

Men hvordan er det egentlig mulig? Hvordan kan lilbits teknologi hjelpe deg med å passe på en hund for eksempel?

Oversetter hundens atferd

I denne artikkelen tar vi utgangspunkt i en av lilbits merkevarer, lildog. Dette er en digital hundepasser som kan avdekke typiske tegn på sykdom og skader hos hunder. Enheten oversetter hundens atferd, inkludert bevegelser, til et språk hundeeiere kan forstå. Man kan på mange måter si at lildog gir hunden en ekstra stemme. For å at lildog skal kunne gjøre dette på en nøyaktig og pålitelig måte, er maskinlæring helt sentralt.

Vi lar Niro forklare:

– I utgangspunktet vet jo ikke enheten noen ting. Den vet i hvert fall ikke hva en hund er. Men takket være et akselerometer og gyroskop kan enheten registrere hundens bevegelser, forteller Niro.

Og med en enhet som kan registrere hundens bevegelser, er man allerede på god vei til å kunne tilføre verdi for hundeeieren.

– Men uten innspill fra oss mennesker betyr ikke disse dataene noe som helst for enheten, sier Niro.

Det er her maskinlæring kommer inn i bildet. Basert på bevegelsene som registreres av enheten, kan vi servere maskinen med fasiten på hva de ulike bevegelsene faktisk betyr. Når hunden setter seg, og denne bevegelsen gjentar seg flere ganger, kan vi si til algoritmen at akkurat denne bevegelsen betyr at hunden sitter.

Ved å fôre lildogs algoritme med denne informasjonen, vil den bli enda flinkere til å gjenkjenne disse bevegelsene neste gang. Nøyaktigheten vil deretter deretter bli bedre og bedre.

– Enheten kan lære seg å plassere innkommende data på egen hånd. Den kan lære seg om hunden sitter, står eller løper. Den kan også automatisk legge inn dataene i forskjellige kategorier. Hver gang den gjør feil kan vi gå inn i algoritmen og korrigere. Jo mer data enheten får, jo smartere blir den, forklarer Niro.

Nettopp dette er kjernen i maskinlæring. Ved å gi enheten mer data, vil den på egen hånd bli smartere. Som et resultat kan lilbit tilby et produkt som kontinuerlig blir flinkere til å gjenkjenne tidlige tegn på sykdom og andre helseproblemer.

Supervised vs. unsupervised

I dag jobber lilbit mest med såkalt supervised maskinlæring. Dette er en type maskinlæring der algoritmen vet hva den skal observere og lete etter fordi vi allerede har gitt den informasjon om dette.

– Vi har allerede masse informasjon om hunder. Vi vet en del om hva en hund gjør når den er syk eller skadet. Siden vi har en fasit, kan vi gi algoritmen noe å jobbe med. Algoritmen vet hva den skal lete etter – den må bare identifisere funnene og plassere dem på riktig plass. Hver gang algoritmen gjør en feil, kan vi korrigere den og dermed gjøre enheten smartere.

I fremtiden kan det for lilbit bli aktuelt å også ta i bruk såkalt unsupervised maskinlæring.

– Da vil ikke maskinen vite hva den skal lete etter. Vi vet heller ikke hva den skal lete etter, og eventuelt finne. Vi vet rett og slett ingenting – vi får bare masse data. Men da vil vi lete etter mønstre i dataene som registreres. På forhånd er det umulig å vite om informasjonen vi får er «gull eller bare tull», forklarer Niro.

Ved å kategorisere og sortere dataene, kan det hende man finner noe som er nyttig. Hvis algoritmen finner nyttig informasjon, kan lilbit fortelle algoritmen at den skal lete etter den samme informasjonen flere ganger.

– Lilbits produkter er unike fordi de kan varsle kundene om helseproblemer som ikke er lette å se med det blotte øyet. Maskinlæring spiller en svært viktig rolle i dette arbeidet, avslutter Niro.

Les mer: Produksjon av maskinvare for libit's produkter med Product Owner Erik