NYCKLAR TILL FRAMGÅNGSRIK AI Vad är AI och hur kan vi tolka AI-modeller? Per Grosskopf & Helena Ahlin 2019-05-24
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
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
AI beräknas bidra med en 1,2% årlig ökning i BNP till 2030
Använder du AI idag?
Olika förmågor Sunt förnuft Gott omdöme Moral Fantasi Medkännande Abstraktioner Drömmar Generaliseringar Mönsterigenkänning Finna kunskap Eliminera fördomar Outtrötlig Obegränsad kapacitet Utvärdera förslag Prognoser
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
https://algorithms-tour.stitchfix.com/
SCANIAS C-ME-VÄST
Varför AI nu? McKinsey Analytics: Executive s Guide to AI
Vad är vad, kan du se skillnaden? Kan AI?
Vilket verktyg skall jag välja?
AI eller inte AI, det är frågan AI
Nyckelfaktorer för att lyckas med AI
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
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?
Explainable Machine Learning & AI Hur kan vi lita på modellen?
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?
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
Partial Dependence Plot (PDP) uttalar sig om marginaleffekten en eller två features har på modellens predikterade respons. Global
Individual Conditional Expectation (ICE) visualiserar beroendet mellan en feature och prediktionen för varje enskild observation. Lokal
Shapley Values svarar på hur mycket varje feature har bidragit till skillnaden mellan specifik prediktion och genomsnittlig prediktion. Lokal Ons Ons Ons Ons Onsdag 2 329 cyklar
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
Data Scientist, är det en relevant roll att fylla?
The Jobs Landscape in 2022
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
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
Per Grosskopf & Helena Ahlin per.grosskopf@ferrologic.se 0708-798420 helena.ahlin@ferrologic.se 0730-741114 www.ferrologic.se/analytics Certifierad Data Scientist www.dfkompetens.se/utbildning/data-scientist/ STOCKHOLM Stora Nygatan 14 SE-111 27 Stockholm, Sweden Phone: +46 8 661 32 30 info@ferrologic.se GÖTEBORG Packhusplatsen 3 SE-411 13 Göteborg, Sweden Phone: +46 31 13 75 40 COPENHAGEN Stamholmen 10 DK-2650 Hvidovre, Denmark Phone: +45 2034 0167 info@ferrologic.dk BELGIUM ubizcenter Philipssite 5, Bus 21 BE-3001 Leuven, Belgium Phone: +32 2 430 25 61 info@ferrologic.be Web: ferrologic.com Twitter: @ferrologic Twitter: @ferrologicbi LinkedIn: www.linkedin.com/ company/fer rologic