I slutet av augusti samlades våra entusiastiska konsulter på kontoret i Malmö, både utvecklare och av andra slag, till en dag fylld av Machine Learning!
Syftet var att sprida kunskapen från redan kunniga kollegor i bolaget, till nyfikna sådana. Vi fick chansen att ägna en heldag till detta mycket intressanta ämne, och blicka in i vad framtidens teknik har att erbjuda till Stretch och därmed, vad vi kan göra med Machine Learning ute hos våra kunder!
Dagen inleddes av Peter Ekerot med en kortare introduktion i ämnet Machine Learning, om allt vad det innebär i form av definitioner, algoritmer och bakomliggande tankesätt. Philip Seneby bidrog vidare med att förklara hur modern bildigenkänning fungerar. Därefter presenterades dagens två grupptävlingar, tillsammans med en förklaring om vilka verktyg som fanns att tillgå för att lösa problemställningarna. Istället för att använda det vanligaste kodspråket Python (i Machine learning-sammanhang), tittade vi på machine learning med .NET och Azure. Bara för komplicera det lite.
Titanic – hur många överlevde?
I den första uppgiften skulle vi utifrån en ofullständig uppsättning av data, och med hjälp av ett bibliotek av algoritmer, lära upp en modell att känna igen de mönster som berättar om en passagerare överlevde eller ej.
Förutom lite inledande instruktioner och en modell att utgå ifrån fick vi som underlag en delmängd av en passagerarlogg över personer som var med på Titanic med följande information:
- Kön
- Ålder
- Passargerarklass
- Passagerar-id
- Biljettpris
- Biljettnummer
- Antal syskon
- Antal föräldrar
- Avresehamn
- Om passageraren överlevde eller ej
Sex tävlande lag kämpade in i det sista för att kalibrera sin modell. Det var jämt mellan alla tävlande, men det segrande laget vann med 81,2% i pricksäkerhet, en dryg procent bättre än laget på andra plats.
Bildigenkänning – vilken typ av sko?
I en kartong låg tre skor, en herrsko, en damsko och en träningssko. Den andra tävlingen gick ut på att ta fram det program, som genom bildigenkänning, bäst kunde kategorisera de tre skorna.
Vi använde dator, mobil och Custom Vision-appen, för att fotografera skor och samla olika bilder på skor. Vi skulle alltså lära programmet att kategorisera skorna utifrån om det var herrskor, damskor eller träningsskor. Det var viktigt att inte bara använda en stor mängd bilder och varianter av skor i respektive kategori, men även olika vinklar.
Tävlingen gav upphov till många diskussioner och skratt. Ett lag skapade ett program som kategoriserade alla tre skor som damskor, medan ett annat lag skapat ett program som kategoriserade alla skor att vara träningsskor.
När vi pratade om framtidens teknik
Efter prisutdelning följde en intressant diskussion kring vardera tävling. Det diskuterades om vilka metodiker som användes och varför, vilka olika lösningar de olika lag kommit fram till och vilka lärdomar som samtliga fått med sig. Sist men inte minst diskuterades även var och hur vi skulle kunna applicera machine learning redan idag, för att upptäcka nya och spännande applikationsområden. Framtiden är redan här som man brukar säga, vi ska bara applicera den på vardagen!
[HS-Sma-steg-till-affarsvarde]
