F\u00f6rr i tiden kunde man som st\u00f6rre organisation ha ryggen fri om man hade en avdelning med folk som kunde statistik. Kanske r\u00e4ckte det med att statistikerna skickade ut en kvalificerad \u00e5sikt en g\u00e5ng per kvartal som en aptitretare inf\u00f6r den \u00e5rliga trycksaken som beskrev f\u00f6reg\u00e5ende \u00e5r. Men det var d\u00e5 det.<\/p>\n
Numera \u00e4r marknaden kring att n\u00e5 insikt och att jobba proaktivt (prediktivt?) lite mer stressad \u00e4n s\u00e5. Detta \u00e4r p\u00e5 grund av den allt st\u00f6rre \u00e5tkomst till nyttiga data och att bra datak\u00e4llor blev en resurs och en konkurrensf\u00f6rdel. N\u00e4r detta f\u00f6rst d\u00f6k upp i IT-sammanhang kallades detta f\u00f6r data mining<\/i> och mycket riktigt handlade det om att – likt ett dagbrott eller gruva – f\u00f6rs\u00f6ka gr\u00e4va sig fram till n\u00e5gon anv\u00e4ndbar insikt som dolde sig i all den data som stuvats undan.<\/p>\nData science \u00e4r inte en IT-fr\u00e5ga<\/h2>\n
Data science, eller n\u00e4rmare best\u00e4mt det som definierats som Data-Driven Decision Making (DDD), har studerats f\u00f6r vilken effekt det har (Brynjolfsson, Hitt, Kim, 2011) och det visar sig vara l\u00f6nsamt. Det finns en korrelation mellan DDD och avkastning, bel\u00e4ggning, marknadsv\u00e4rde och relationen ser ut att ha ett orsakssamband. Data science tycks vara en framg\u00e5ngsfaktor, leda till \u00f6kad produktivitet och avkastning.<\/p>\n
\u201cData science involves principles, processes, and techniques for understanding phenomena via the (automated) analysis of data. [\u2026] view the ultimate goal of data science as improving decision making\u201d
\n– Data Science for Business (2013)<\/p><\/blockquote>\nAnledningen till att \u00e5tminstone alla som har en ledande funktion beh\u00f6ver k\u00e4nna till n\u00e5got om data science \u00e4r vad jag antytt ovan – det \u00e4r en naturresurs. Precis som ledare i ett industrif\u00f6retag beh\u00f6ver allm\u00e4nbildning kring vilka resurser som \u00e4r f\u00f6ruts\u00e4ttning f\u00f6r verksamheten beh\u00f6ver man r\u00e4tt god k\u00e4nnedom om det v\u00e4rde som finns i datak\u00e4llor, och kanske lite om hur man utvinner v\u00e4rdet.<\/p>\n
I vissa organisationer \u00e4r data science verksamhetens k\u00e4rna. Exempel p\u00e5 s\u00e5dana f\u00f6retag \u00e4r m\u00e5nga av de snabbt v\u00e4xande f\u00f6retagen som utmanar etablerade branscher. Ofta g\u00f6mmer sig denna smarthet bakom popul\u00e4ra appar, musikspelare, webbplatser och alla budskap du tar emot \u00e4r allt mer s\u00e4llan baserade enbart p\u00e5 n\u00e5gon ledares magk\u00e4nsla.<\/p>\n
Data science utmanar HIPPO (Highest Paid Person\u2019s Opinion)<\/h3>\n
Nog f\u00f6r att erfarenhet fortfarande \u00e4r viktigt i hur man prioriterar och utf\u00f6r sitt jobb, men det \u00e4r inte l\u00e4ngre en h\u00e5llbar l\u00f6sning att enbart g\u00e5 p\u00e5 magk\u00e4nsla. Magk\u00e4nslan kan f\u00e5 st\u00f6d av efterforskning i de datak\u00e4llor man har tillg\u00e5ng till, eller s\u00e5 anv\u00e4nder man data f\u00f6r att g\u00f6ra en f\u00f6rsta s\u00e5llning av de valm\u00f6jligheter som st\u00e5r till buds.<\/p>\n
Du har s\u00e4kert tagit emot budskap och f\u00f6rslag fr\u00e5n en butik n\u00e5gon g\u00e5ng. I forntiden kunde nog handlaren f\u00f6rs\u00f6ka ge personlig service till en begr\u00e4nsad grupp kunder, medan vi idag kan erbjuda en motsvarighet till samtliga kunder om \u00e4n i en automatiserad form utan personlig kontakt eller ett leende ansikte.<\/p>\n
Masskommunikationen \u00e4r d\u00f6d<\/h3>\n
Ett popul\u00e4rt exempel p\u00e5 ett personaliserat butikserbjudande \u00e4r ton\u00e5rsflickan som fick f\u00f6rslag fr\u00e5n butikskedjan Target om att k\u00f6pa baby-produkter. Hennes k\u00f6pbeteende antydde att hon var gravid, vilket visade sig st\u00e4mma.<\/p>\n
Det h\u00e4r fenomenet att rikta budskap till var och en \u00e4r i hopp om att avs\u00e4ndarens m\u00e5l ska uppfyllas \u00e4r ocks\u00e5 det som kallas filterbubbla. Risken \u00e4r att man inte f\u00e5r in n\u00e5gra nya intryck och d\u00e4rmed stagnerar. Dels att man varje dag f\u00e5r sin v\u00e4rldsbild bekr\u00e4ftad i de medier och sociala n\u00e4tverk man deltar i, men ocks\u00e5 att man aldrig f\u00e5r n\u00e5gra intressanta infall. Med andra ord m\u00e5ste man vid design av sina l\u00f6sningar t\u00e4nka till hur man utmanar de antaganden som byggs upp. Att en kund kan bli gravid \u00e4r kanske ett g\u00e5ngbart exempel p\u00e5 vad man beh\u00f6ver ta h\u00f6jd f\u00f6r, men hur skulle du bygga upp ett rekommendationssystem f\u00f6r musik eller b\u00f6cker s\u00e5 en anv\u00e4ndare f\u00e5r nya intryck emellan\u00e5t?<\/p>\n
Proaktivitet: Tv\u00e5 dagars f\u00f6rvarning om extraordin\u00e4r h\u00e4ndelse – vad g\u00f6r du d\u00e5?<\/h2>\n
L\u00e5t s\u00e4ga att meteorologerna pekar ut att en storm av klass 3 med st\u00f6rsta sannolikhet kommer dra in \u00f6ver det omr\u00e5de d\u00e4r ni har er verksamhet. Hur tar du dig an den utmaningen ut\u00f6ver att b\u00f6rja varva upp krishanteringen?<\/p>\n
Ett s\u00e4tt \u00e4r att inventera vilka datak\u00e4llor som har historiska data som g\u00f6r att man kan planera lite, ordna med logistik, med mera. P\u00e5 s\u00e5 vis kan man f\u00e5 reda p\u00e5 omfattningen av n\u00e5got vid ett tidigare tillf\u00e4lle, samtidigt som man inte l\u00e5ter data diktera exakt hur man g\u00e5r tillv\u00e4ga.<\/p>\n
Uppdraget f\u00f6r en data scientist \u00e4r att nyfiket utforska ifall det finns nya insikter att plocka upp, eller att utmana inarbetade antaganden om sakernas tillst\u00e5nd.<\/p>\n
\n
- Vilka f\u00f6ljdverkningar hade en liknande h\u00e4ndelse sist?<\/li>\n
- Tycks det uppenbara bekr\u00e4ftas av datak\u00e4llorna eller beh\u00f6ver de nyanseras?<\/li>\n
- Hur n\u00e5r man en \u00f6versikt och uppt\u00e4cker det som inte \u00e4r uppenbart? Hur hittar man signalen mitt i allt brus?<\/li>\n<\/ul>\n
En motsvarande insikt n\u00e5ddes i USA efter en storm n\u00e4r en butikskedja analyserat f\u00f6rs\u00e4ljningen. Ut\u00f6ver uppenbara grejer som ficklampor visade det sig att Pop-Tarts<\/a> med jordgubbssmak sjudubblade i f\u00f6rs\u00e4ljning inf\u00f6r stormen. Det som s\u00e5lde b\u00e4st inf\u00f6r stormen var dock \u00f6l. Om enskilda v\u00e4ldigt efterfr\u00e5gande produkter inte ska s\u00e4lja slut \u00e4r man tvungen att anpassa leveranserna.<\/p>\n
Att f\u00f6ruts\u00e4ga n\u00e5got<\/h2>\n
Det \u00e4r varken magi eller vidskepelse att f\u00f6ruts\u00e4ga (jobba med prediktion) i detta fall. Ta exemplet med flickan vars graviditet uppt\u00e4cktes f\u00f6rst av butikskedjan. Hur g\u00e5r s\u00e5nt till egentligen?<\/p>\n
Jo, om man har tillr\u00e4ckligt m\u00e5nga datak\u00e4llor kan en bild b\u00f6rja utkristallisera sig, om man vet vad man letar efter. Butikskedjan ins\u00e5g potentialen att erbjuda relevanta f\u00f6rslag, utv\u00e4rderade p\u00e5 historiska data vilket k\u00f6pbeteende som senare bekr\u00e4ftade sig som en lyckad graviditet (antagligen i form av bl\u00f6jk\u00f6p). Det finns vissa signaler att leta efter i allt brus. De som \u00e4r medvetna om sin graviditet \u00e4ndrar inte s\u00e4llan sin kosth\u00e5llning, b\u00f6rjar \u00e4ta vitaminer och annat som \u00e4r rekommenderat f\u00f6r att maximera chansen att allt ska g\u00e5 bra.<\/p>\n
Men det \u00e4r en sak att hitta historiska sp\u00e5r n\u00e4r man redan filtrerat ut dem som frekvent b\u00f6rjade k\u00f6pa bl\u00f6jor, en helt annan att peka p\u00e5 en enskild kunds nuvarande beteende och anta att de \u00e4r gravida. H\u00e4r kommer ocks\u00e5 det (o)k\u00e4nsliga in i att automatisera saker. Ser man det strikt aff\u00e4rsm\u00e4ssigt kan det vara klokt att f\u00f6rst utv\u00e4rdera risken med att st\u00f6ta bort kunder d\u00e4r n\u00e5got gick \u00e5t pipan med graviditeten. Det \u00e4r ocks\u00e5 smart att t\u00e4nka igenom hur man uttrycker sig. Att gratulera till graviditeten och tipsa om l\u00e4mpliga produkter kan dels upplevas som ett \u00f6vertramp mot den personliga integriteten, men lika g\u00e4rna dimpa ner hos kunden dagen efter ett traumatiskt missfall.<\/p>\n
Det hela \u00e4r en avv\u00e4gning. \u00c4r precisionen i f\u00f6ruts\u00e4gelsen tillr\u00e4ckligt bra f\u00f6r att det ska upplevas som relevant? \u00c4r det rationellt att tro att nytta uppst\u00e5r?<\/p>\n
\u201cWow! Men, vad kan jag g\u00f6ra nu som inte var m\u00f6jligt f\u00f6rut?\u201d<\/h2>\n
Den viktigaste fr\u00e5gan man b\u00f6r st\u00e4lla sig n\u00e4r man f\u00e5tt ig\u00e5ng sitt arbete med data science \u00e4r antagligen vilka nya<\/i> m\u00f6jligheter som erbjuds. Snarare \u00e4n hur man forts\u00e4tter med business-as-usual fast n\u00e5got f\u00f6rb\u00e4ttrat.<\/p>\n
Det kan s\u00e4kert visa sig att man med nuvarande datak\u00e4llor inte kan g\u00f6ra n\u00e5got som \u00e4r revolutionerande f\u00f6r verksamheten. Noterade du den lilla ledtr\u00e5den i meningen? \u201cnuvarande datak\u00e4llor\u201d \u00e4r inte ett nul\u00e4ge man m\u00e5ste acceptera, ist\u00e4llet kan man kolla p\u00e5 vilka s\u00e4tt man kan komplettera det man har med det man beh\u00f6ver. Kanske beh\u00f6ver man bedriva lite \u201cregisterv\u00e5rd\u201d, k\u00f6pa in en datak\u00e4lla eller kanske investera i att samla in ny information.<\/p>\n
\u201c\u00c5lrajt! Men det d\u00e4r med maskininl\u00e4rande och artificiell intelligens _alla_ pratar om d\u00e5?\u201d<\/h2>\n
Ut\u00f6ver att l\u00e4sa p\u00e5 och \u00f6va p\u00e5 data science l\u00e4ser jag en hel del b\u00f6cker om AI och maskininl\u00e4rande. S\u00e5 h\u00e4r l\u00e5ngt \u00e4r de tre extremt sv\u00e5ra att skilja \u00e5t, i alla fall om man nu inte refererar till begreppen som akademiska studieobjekt.<\/p>\n
Maskininl\u00e4rande\u2026<\/h3>\n
F\u00f6rst om begreppet maskininl\u00e4rande. Eller \u201cmaskin-l\u00e4rande\u201d kan hj\u00e4lpa som ordbild d\u00e5 det inte handlar om inl\u00e4rning vilket var det f\u00f6rsta misstaget jag gjorde, att det svenska begreppet var maskin-inl\u00e4rande och att det var det som var kopplingen till artificiell intelligens.<\/p>\n
Snarare tycks maskininl\u00e4rande vara just hur man anv\u00e4nder maskiner f\u00f6r att l\u00e4ra oss m\u00e4nniskor n\u00e5got. Som avdankad programmerare \u00e4r detta precis vad jag avser med att \u201cmassera\u201d en datak\u00e4lla f\u00f6r att hitta svaret p\u00e5 en fr\u00e5ga. Det finns rent utav spr\u00e5k f\u00f6r dessa fr\u00e5gor mot datak\u00e4llor, exempelvis Structured Query Language (SQL)<\/i> som varit en del av mitt arbete i snart tjugo \u00e5r.<\/p>\n
Maskininl\u00e4rande kan dock vara mer komplicerat \u00e4n en SQL-fr\u00e5ga som \u201ch\u00e4mta de 20 mest s\u00e5lda produkterna s\u00e5lda kvartal 1, 2017\u201d. Men principen \u00e4r likartad. En maskininl\u00e4rande fr\u00e5ga kan vara lite mer utforskande, b\u00e5de att maskinen ska lyda mina instruktioner till punkt och pricka, men ocks\u00e5 icke-styrd utforskande. En icke-styrd fr\u00e5ga (kallas f\u00f6r unsupervised<\/i>) \u00e4r mer \u00e5t \u201ckolla p\u00e5 det vi s\u00e5lde kvartal 1 under 2017 och se om du hittar n\u00e5gra intressanta m\u00f6nster\u201d. Svaret kan mycket v\u00e4l vara uppenbart f\u00f6r den som kan sin verksamhet v\u00e4l, men det kan ocks\u00e5 visa sig g\u00f6mma sig saker som inte m\u00e4nniskor \u00e4r fullt s\u00e5 bra p\u00e5 att uppt\u00e4cka.<\/p>\n
Som du nog listat ut \u00e4r maskininl\u00e4rande en upps\u00e4ttning arbetss\u00e4tt att kunna st\u00e4lla fr\u00e5gor till datak\u00e4llor. Med andra ord n\u00e5got som g\u00f6rs under tiden man jobbar med data science – ett begrepp f\u00f6r de praktiska handgreppen, kanske.<\/p>\n
Artificiell intelligens\u2026<\/h3>\n
Maskininl\u00e4rande \u00e4r ocks\u00e5 en f\u00f6ruts\u00e4ttning f\u00f6r artificiell intelligens (AI), f\u00f6r utan det m\u00e5ste ens AI gissa helt utan att ha n\u00e5gra bel\u00e4gg baserat p\u00e5 data. Maskininl\u00e4rande \u00e4r allts\u00e5 en automatiserad kunskapsinh\u00e4mtning och beslutsm\u00e4ssighet f\u00f6r att det \u201cintelligenta\u201d inte ska vara s\u00e5 statisk, snarare beh\u00f6ver det kunna hantera nya omst\u00e4ndigheter f\u00f6r att vara intelligent.<\/p>\n
Det \u00e4r just i detta kontroversen (ja jag \u00e4r sj\u00e4lv s\u00e4llan imponerad \u00f6ver den p\u00e5st\u00e5dda intelligensen i f\u00f6retags \u201cAI\u201d) om hur intelligenta dessa system \u00e4r.<\/p>\n
Utvecklare skojar ibland att AI \u00e4r marknadsf\u00f6rarnas s\u00e4tt att s\u00e4lja produkter som har en obegriplig r\u00f6ra av p\u00e5 f\u00f6rhand best\u00e4mda beslut (s\u00e5 kallade if-satser, eller n\u00e4stlade beslut som \u201com detta h\u00e4nder svarar datorn s\u00e5 h\u00e4r\u2026\u201d).<\/p>\n
En standardiserad niv\u00e5 p\u00e5 intelligent beteende \u00e4r Turingtestet<\/a> , det \u00e4r ett m\u00e5tt p\u00e5 hur m\u00e4nskliga egenskaper ett tekniskt system kan uppvisa. Nu \u00e4r potentialen f\u00f6r AI att skapa n\u00e5got som \u00f6vertr\u00e4ffar m\u00e4nniskors f\u00f6rm\u00e5ga, men i dagens hypade konversationsbaserade gr\u00e4nssnitt r\u00e4cker det med att en AI inte \u00e4r v\u00e4sentligt mycket s\u00e4mre \u00e4n en vanlig kundtj\u00e4nstmedarbetare.<\/p>\n
S\u00e5 f\u00f6r att \u00e5terg\u00e5 till vad AI och maskininl\u00e4rande har med data science att g\u00f6ra s\u00e5 anser jag att AI \u00e4r n\u00e4r man produktifierat insikten man n\u00e5tt genom att jobba med data science. AI \u00e4r bakom den d\u00e4r kundtj\u00e4nsten, det som tipsar om ett bra vin till fl\u00e4skfil\u00e9n och som ger dig individuella tr\u00e4ningsr\u00e5d baserat p\u00e5 din h\u00e4lsa.<\/p>\n
Maskininl\u00e4rande \u00e4r det AI g\u00f6r l\u00f6pande f\u00f6r att inte ha en fixerad v\u00e4rldsbild (l\u00e4s p\u00e5 om overfitting<\/i> om detta k\u00e4nns intressant), men maskininl\u00e4rande \u00e4r ocks\u00e5 ett s\u00e4tt att dra nytta av en dators styrkor n\u00e4r man jobbar med data science f\u00f6r att utforska datak\u00e4llor i jakt p\u00e5 potential.<\/p>\n
N\u00f6rdigt om begrepp<\/h2>\n
Det blir mycket h\u00e5rklyverier och filosofi n\u00e4r man \u00e4r i utkanten av sin professionella komfortzon. F\u00f6rst\u00e5r jag vad det d\u00e4r simpla begreppet betyder och menar hen samma sak som jag?<\/p>\n
Ett s\u00e5dant begrepp \u00e4r information<\/i>. Man har det v\u00e4l intuitivt vad det betyder i m\u00e5nga sammanhang, men att s\u00e4ga vad det inte \u00e4r blir komplicerat. En definition ur boken Data Science for Business \u00e4r att:<\/p>\n
\u201cinformation is a quantity that reduces uncertainty about something\u201d<\/p><\/blockquote>\n
Den boken exemplifierar det hela med att f\u00e5 en skattkarta fr\u00e5n en pirat. Det betyder inte att jag n\u00f6dv\u00e4ndigtvis vet<\/i> var skatten \u00e4r, men min os\u00e4kerhet har \u00e5tminstone reducerats n\u00e5got.<\/p>\n
Ett annat begrepp \u00e4r data<\/i>. Vissa vill h\u00e4vda att data \u00e4r neutralt, utan b\u00e5de bias och tolkning. Men en enskild data-punkt \u00e4r i sig sj\u00e4lvt ett urval av n\u00e5got. Finns ett flertal data-punkter b\u00f6rjar det bli tydligt att urvalet \u00e4r baserat p\u00e5 n\u00e5gon form av beslut. Sommaren 2016 var bland annat Google i skottlinjen f\u00f6r att ha rasistiska algoritmer. Dels har en algoritm en skapare och skaparen har en kulturell bakgrund. Men \u00e4ven den mest obefl\u00e4ckade och humanistiska algoritmen verkar p\u00e5 en m\u00e4ngd data som \u00e4r n\u00e5gon form av urval. I Googles fall var det snarare urvalet av bilder i deras bilds\u00f6k som gjorde skillnad p\u00e5 folk och folk.<\/p>\n
Och att statistik ibland anv\u00e4nds f\u00f6r att projicera sin v\u00e4rldsbild l\u00e4r de flesta ha m\u00e4rkt, s\u00e5 inte heller det \u00e4r s\u00e5 neutralt som vissa vill f\u00e5 en att tro.<\/p>\n
Entropi – konsten att minska oordningen i en informationsm\u00e4ngd<\/h2>\n
Entropi \u00e4r ett begrepp som ocks\u00e5 anv\u00e4nds av andra yrkesgrupper, fysiker bland annat. Det lilla jag f\u00f6rst\u00e5r som nyfiken lekman \u00e4r att det i stora drag betyder samma sak. Entropi kan inom informationsarkitektur ses som ett m\u00e5tt p\u00e5 oordning. Ett annat s\u00e4tt att t\u00e4nka p\u00e5 det \u00e4r hur informativ<\/i> en m\u00e4ngd data \u00e4r.<\/p>\n
Entropi kan uttryckas i ett decimalv\u00e4rde mellan noll och ett. Noll betyder att entropin \u00e4r obefintlig och ett att entropin \u00e4r maximal. Om informationsm\u00e4ngden best\u00e5r av mig och min fru, samt fr\u00e5gan \u00e4r hur vanligt f\u00f6rekommande det \u00e4r att ha en prostata blir entropin 1 (ett). Av populationen<\/i> som best\u00e5r av tv\u00e5 individer s\u00e5 har h\u00e4lften en prostata.<\/p>\n
Om fr\u00e5gan ist\u00e4llet \u00e4r antalet ben \u00e4r svaret tv\u00e5 f\u00f6r b\u00e5da individerna. D\u00e5 blir entropin 0 (noll) eftersom variationen \u00e4r obefintlig, alla har samma.<\/p>\n
Information Gain (IG) – att f\u00f6r\u00e4dla data till information<\/h3>\n
Det \u00e4r fullt f\u00f6rst\u00e5eligt att du undrar vad tusan det h\u00e4r resonemanget ska leda till. I korta ordalag anv\u00e4nds det f\u00f6r att gruppera och f\u00f6rs\u00f6ka beskriva n\u00e5got. Entropin blir ett m\u00e5tt p\u00e5 vad vi vet om n\u00e5got och ifall vi uppn\u00e5tt information gain (IG)<\/i> genom att vrida och v\u00e4nda p\u00e5 v\u00e5ra data. Det kan handla om att beskriva hur en maskin ska leta m\u00f6nster i n\u00e5got den inte kan n\u00e5got om. Om vi uppn\u00e5r en h\u00f6gre f\u00f6r\u00e4dling (IG) av v\u00e5r data kan man instruera maskinen att forts\u00e4tta, man programmerar den att ha segervittring och forts\u00e4tta lite till.<\/p>\n
Ett exempel \u00e4r om urvalet av n\u00e5got best\u00e5r av tio personer. Fem kvinnor och fem m\u00e4n. D\u00e5 \u00e4r entropin full\u00e4ndad, m\u00e5ngfald och oreda finns.<\/p>\n
Om en maskin ska f\u00f6rs\u00f6ka f\u00f6r\u00e4dla, l\u00e4ra sig n\u00e5got och uppn\u00e5 information gain beh\u00f6ver den ett s\u00e4tt att bed\u00f6ma det hela. Ett exempel \u00e4r att det inte finns mycket insikt att h\u00e4mta i att r\u00e4kna antalet armar och ben, det skiljer s\u00e4llan m\u00e4nniskor \u00e5t. D\u00e4remot finns det en relation mellan biologiskt k\u00f6n och sannolikheten f\u00f6r ett visst antal organ.<\/p>\n
S\u00e5 om en maskin delar upp det den k\u00e4nner till om biologiskt k\u00f6n minskar entropin f\u00f6r ifall en person i gruppen \u201ckvinnor\u201d har en prostata, \u00e4ggledare, m.m. Samma g\u00e4ller f\u00f6r m\u00e4n. P\u00e5 n\u00e5got s\u00e4tt verkar biologiskt k\u00f6n hj\u00e4lpa till med att f\u00f6rutsp\u00e5 andra saker.<\/p>\n
Om man matar sin maskin med mer information kommer den f\u00f6rr eller senare r\u00e4kna ut att entropin f\u00f6r prostatacancer tycks ha ett samband med att individen har en prostata, vilket verkar h\u00e4nga ihop med ett biologiskt k\u00f6n. P\u00e5 s\u00e5 vis har den skaffat sig en mer finkorning bild och det g\u00e5r s\u00e5ledes att st\u00e4lla fler fr\u00e5gor till maskinen. Exempelvis kan man be den beskriva allt den \u201cvet\u201d om prostatacancer.<\/p>\n
Sammanfattning: L\u00e4rande eller intelligent?<\/h2>\n
Tycker du att maskinen verkligen l\u00e4rt sig n\u00e5got n\u00e4r den systematiskt tuggar sig igenom datak\u00e4llor p\u00e5 detta s\u00e4tt och f\u00f6rs\u00f6ker minska entropin, omforma f\u00f6r att \u00f6ka information gain? Kanske inte. Men nog tusan \u00e4r maskiner bra p\u00e5 att outtr\u00f6ttligt jobba dag och natt. Inte heller kr\u00e4ver maskinerna \u00f6vertidsers\u00e4ttning, semestertill\u00e4gg eller att f\u00e5 ta f\u00f6r\u00e4ldraledigt.<\/p>\n
S\u00e5 min roll som data scientist \u00e4r prim\u00e4rt att instruera en maskin s\u00e5 att den \u201cl\u00e4r sig\u201d grejer lite grand p\u00e5 egen hand. Baserat p\u00e5 eventuella fynd kan man paketera l\u00f6sningarna som recept p\u00e5 saker andra beh\u00f6ver hj\u00e4lp med.<\/p>\n
Syr man ihop detta blir de lite av en personlig assistent som kanske inte direkt \u00e4r klipsk eller intelligent men i alla fall kan anf\u00f6rtros till enklare sysslor som \u00e4r hyggligt v\u00e4lavgr\u00e4nsade.<\/p>\n
L\u00e4s mer om data science<\/h2>\n
\n
- Why Every Health Care Organization Needs a Data Science Strategy<\/a><\/li>\n
- Another NHS crisis looms \u2013 an inability to analyse data – ”The opportunity to use data to improve health and social care is being hampered by a lack of personnel with skills in data science”<\/a><\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"
F\u00f6rr i tiden kunde man som st\u00f6rre organisation ha ryggen fri om man hade en avdelning med folk som kunde statistik. Kanske r\u00e4ckte det med att statistikerna skickade ut en kvalificerad \u00e5sikt en g\u00e5ng per kvartal som en aptitretare inf\u00f6r den \u00e5rliga trycksaken som beskrev f\u00f6reg\u00e5ende \u00e5r. Men det var d\u00e5 det. Numera \u00e4r marknaden … <\/p>\n