NYCKLAR TILL FRAMGÅNGSRIK AI. Vad är AI och hur kan vi tolka AI-modeller? Per Grosskopf & Helena Ahlin

Transkript

1 NYCKLAR TILL FRAMGÅNGSRIK AI Vad är AI och hur kan vi tolka AI-modeller? Per Grosskopf & Helena Ahlin

2 Definition Artificiell intelligens "studiet och utformningen av intelligenta agenter, där en intelligent agent är ett system som uppfattar sin omgivning och vidtar åtgärder som maximerar sina chanser att framgångsrikt uppnå sina mål John McCarthy, 1956

3 Agenda Vad är AI? Användningsområden för AI Vad är en AI modell och vad finns för utmaningar Hur kan man tolka en AI modell? Data Scientist programmet

4 AI beräknas bidra med en 1,2% årlig ökning i BNP till 2030

5 Använder du AI idag?

6 Olika förmågor Sunt förnuft Gott omdöme Moral Fantasi Medkännande Abstraktioner Drömmar Generaliseringar Mönsterigenkänning Finna kunskap Eliminera fördomar Outtrötlig Obegränsad kapacitet Utvärdera förslag Prognoser

7 Företag Individ Samhälle Påverkar Nya konkurrenter, nya affärsmodeller, nya incitament, kompetenta kunder, hyperpersonalisering Hjälpmedel, individuell utbildning, individuell/förebyggande sjukvård, nytt arbetsliv Arbetsmarknadspolitik, Utbildningspolitik, kompetenta medborgare, lagstiftning, ny ekonomisk motor Kan användas till Sökmotorer, effektivisera processer, självkörande fordon, robotar, smarta hem, förebyggande underhåll, smarta kameror, nya tjänster, Intelligenta assistenter, kundtjänst botar, konversationsappar, Kan utföra Prognoser, Kategorisering, Samband, Gruppering, Rekommendation, Optimering, Beslut, Utvärdering, Mönsteringenkänning, Röst/bild/text/ljudgenkänning AI

8

9

10

11 SCANIAS C-ME-VÄST

12

13 Varför AI nu? McKinsey Analytics: Executive s Guide to AI

14 Vad är vad, kan du se skillnaden? Kan AI?

15 Vilket verktyg skall jag välja?

16 AI eller inte AI, det är frågan AI

17 Nyckelfaktorer för att lyckas med AI

18 Explainable AI är ett koncept med syfte att synliggöra modellens styrkor och svagheter Mottagare Påvisa modellens styrkor och svagheter Påvisa felaktigheter i modellen och hur de kan korrigeras Visa varför modellen tar ett beslut framför andra alternativ Explainable AI Black Box Data Omgivning

19 Tre dimensioner av Explainable AI Fariness Är modellen fri från bias? XAI Vem tar ansvar för automatiserade beslut? Accountability Transparency Kan vi förstå modellens prediktioner?

20 Explainable Machine Learning & AI Hur kan vi lita på modellen?

21 Global och Lokal tolkning av modellen Global modellen i sin helhet Hur tar modellen fram prediktioner? Vilka features är viktiga? Lokal Global Lokal Specifika prediktioner Varför tog modellen specifika beslut för specifika observationer?

22 Exempeldata Capital Bikes i Washington Antal uthyrda cyklar per dag per dag i Washington D.C. under 2011 och 2012 Säsongsdata, väderdata, kalenderdata mm Prediktera antal uthyrda cyklar en given dag Prediktera sannolikheten att antalet uthyrda cyklar överstiger medelvärdet en given dag Photo by Conor Luddy on Unsplash

23 Partial Dependence Plot (PDP) uttalar sig om marginaleffekten en eller två features har på modellens predikterade respons. Global

24 Individual Conditional Expectation (ICE) visualiserar beroendet mellan en feature och prediktionen för varje enskild observation. Lokal

25 Shapley Values svarar på hur mycket varje feature har bidragit till skillnaden mellan specifik prediktion och genomsnittlig prediktion. Lokal Ons Ons Ons Ons Onsdag cyklar

26 Sammanfattning Globala metoder modellen i sin helhet Partial Dependence Plot Lokala metoder specifika prediktioner Individual Conditional Expectation Shapley Values Mottagare Explainable AI Black Box Data Omgivning

27 Data Scientist, är det en relevant roll att fylla?

28 The Jobs Landscape in 2022

29 Data Scientist den definition vi använder och programmet baseras på: Utnyttja data fullt ut i verksamheten med hjälp av Analytisk expertis & Verksamhetsförståelse & Teknik & Engagerande kommunikativ förmåga. Verksamhet Datadriven verksamhetsexpert: mån om att teama Med data scientists. Förstår poängen. (Datastrateg) Analysverksamhet Data Scientist: förstå affären, bygg modeller, kommunicera. Ibland även vass på IT. Tuff kombination. IT Data Engineer: IT-nära, men drivs av att stötta och teama med data scientists

30 DfK/Ferrologic Certifierad Data Scientist Sju block om två dagar per månad, totalt 13dagar + Certifiering. Övningar inom statistik/machine learning/ai, data management och visualisering genomförs primärt med R. Introduktion Data och information Grundläggande analys Avancerad analys I Avancerad analys II Affärsvärdet av information Grundläggande DW & ETL Business Analytics Avancerad analys Avancerad analys Rollen som Data Scientist Datamodellering Grunderna i prediktiv analys Ensamble modeller Deep learning Den analytiska organisationen Arkitektur & teknik Regression & Trädanalys Klusteranalys Ostrukturerad data Affärsregler & DQ Datastruktur för analys Log Regression Convolutional neural network Grundläggande Information Governance Analysprocessen Forcasting Visualisering och rapportering - all analys måste vara enkel att förstå Business Intelligence Rapportering Visualisering & Dashboards Vägen från reaktiv analys till proaktiv Kommunikation Samarbete Presentationsteknik Storytelling Affärsförståelse Case Certifiering Redovisning

31 Per Grosskopf & Helena Ahlin Certifierad Data Scientist STOCKHOLM Stora Nygatan 14 SE Stockholm, Sweden Phone: info@ferrologic.se GÖTEBORG Packhusplatsen 3 SE Göteborg, Sweden Phone: COPENHAGEN Stamholmen 10 DK-2650 Hvidovre, Denmark Phone: info@ferrologic.dk BELGIUM ubizcenter Philipssite 5, Bus 21 BE-3001 Leuven, Belgium Phone: info@ferrologic.be Web: ferrologic.com LinkedIn: company/fer rologic