Hopp til innhold
AI og automasjon

Maskinlæring i Python, fra data til drift

Vi bruker dataene du allerede har til prognoser, automatisering og beslutningsstøtte. Modellene setter vi i drift bak API-er som er koblet til systemene dine.

  • Fra notatbok til produksjon
  • Lokale språkmodeller
  • Alle med 10+ års erfaring

Vi bygger og drifter for

  • GlobalConnect
  • Sykehusinnkjøp
  • Home_Net
  • Telia

Dette løser vi med maskinlæring

Vi bruker algoritmer på konkrete problemer i bedriften, og bygger systemet rundt modellen så den blir brukt i det daglige arbeidet.

  • Prediktiv analyse

    Historiske data gir prognoser for lagerbehov, salg og vedlikehold, så du kan planlegge i forkant.

  • Automatisert saksbehandling

    Språkteknologi sorterer innkommende henvendelser og dokumenter, så de ansatte slipper mye manuelt arbeid.

  • Anbefalinger

    Algoritmer som ser på hvordan folk bruker løsningen, og viser hver bruker innhold og produkter som passer.

  • Bilde- og signalanalyse

    Datasyn som kontrollerer kvaliteten i produksjonen, eller som leser og tolker innskannede papirdokumenter.

  • Avviksdeteksjon

    Modeller som finner avvik i store datasett, som svindelforsøk, systemfeil og sikkerhetsbrudd.

  • Lokale språkmodeller

    Åpne språkmodeller på egne servere, finjustert på fagspråket ditt, uten at data sendes ut av huset.

Når lønner maskinlæring seg?

Maskinlæring gir mest når problemet går igjen og dataene allerede finnes.

  1. Mye historikkSalg, bestillinger eller målinger fra flere år tilbake.

  2. Vurderinger som går igjenSaker og dokumenter som i dag sorteres manuelt.

  3. Mønstre ingen serAvvik og sammenhenger som ligger skjult i store datamengder.

  4. Sensitive dataInformasjon som ikke kan sendes til en ekstern KI-tjeneste.

Maskinlæring i drift: semantisk søk med vektorer

Embeddings fra maskinlæringsmodeller gjør at søket forstår hva brukeren mener. Slik bygger vi hybrid søk i Meilisearch.

Fagstoff

Maskinlæring i praksis

Med maskinlæring lærer et program mønstre fra historiske data, i stedet for at en utvikler skriver hver regel for hånd. Python er det mest brukte språket til dette. For oss er god systemarkitektur like viktig som algoritmene, for det er den som gjør at dataene i bedriften blir brukt til prognoser, automatisering og bedre beslutninger.

Vi er systemutviklere i bunn. En maskinlæringsmodell gjør ingen nytte så lenge den bare ligger i en Jupyter Notebook. Vi setter modellene i produksjon, pakker dem inn i stabile API-er og kobler dem til fagsystemene du allerede har.

Hva er maskinlæring?

Kunstig intelligens er et bredt felt som spenner fra regelbaserte systemer til store språkmodeller. Maskinlæring er en del av det. I stedet for at noen skriver regler som «kunder som ikke har handlet på 90 dager, er i faresonen», viser vi modellen tusenvis av eksempler på kunder som sluttet og kunder som ble. Modellen finner selv ut hvilke signaler som betyr noe, og hvor mye hvert av dem teller.

Det meste av maskinlæringen i bedrifter dreier seg om tre typer oppgaver:

  • Regresjon: beregne et tall, for eksempel salget neste måned eller strømforbruket i morgen.
  • Klassifisering: sortere noe i kategorier, for eksempel om en henvendelse gjelder faktura eller retur.
  • Klynging: finne grupper i dataene som ingen har definert på forhånd, for eksempel kundesegmenter.

Store språkmodeller som ChatGPT er også maskinlæring, men noen andre har trent dem på enorme mengder tekst. På denne siden mener vi som regel modeller vi trener på dine egne data, for å svare på spørsmål du har.

Hva kan maskinlæring brukes til i en bedrift?

Maskinlæring passer når et problem går igjen, når svaret kan læres av historikk, og når dataene allerede finnes. Dette er oppgavene vi oftest løser:

  • Prediktiv analyse: historiske data brukes til å anslå lagerbehov, salg eller vedlikehold.
  • Automatisert saksbehandling: språkteknologi (NLP) klassifiserer innkommende henvendelser og dokumenter, så færre må sorteres manuelt.
  • Anbefalinger: algoritmer som analyserer bruksmønstre og tilpasser innhold og produkter, samme type teknologi som Spotify og Netflix bruker.
  • Bilde- og signalanalyse: datasyn til kvalitetskontroll i produksjon eller tolkning av fysiske dokumenter.
  • Avviksdeteksjon: finner avvik i store datasett, enten det er svindelforsøk, systemfeil eller sikkerhetsbrudd.
  • Egne språkmodeller: åpne språkmodeller som kjøres og finjusteres på egne servere, så du har full kontroll over personvern og forretningshemmeligheter.

Når er maskinlæring ikke svaret?

Maskinlæring er ikke alltid riktig verktøy, og vi sier ifra når vi mener det. Dette er de vanligste grunnene til å velge noe annet:

  • Reglene er kjent: Kan en fagperson forklare beslutningen med en håndfull regler, er vanlig kode billigere og lettere å endre.
  • For lite data: Uten nok historikk eller eksempler har modellen ingenting å lære av.
  • Hver beslutning må begrunnes: Må du kunne forklare hvert enkelt svar, bør modellen være så enkel at den kan tolkes. Ellers bør en person ta avgjørelsen.
  • Feil koster for mye: Ingen modell treffer hver gang. Før vi begynner, blir vi enige om hvor mange feil du kan leve med, og hva som skal skje når modellen bommer.

Skal KI svare på spørsmål ut fra egne dokumenter eller gjøre oppgaver i andre systemer, er en språkmodell med søk ofte et bedre utgangspunkt enn en egen modell. Det skriver vi mer om under AI og automatisering.

Hvilke data trenger du?

Det kommer an på problemet du vil løse. For prediksjon trenger du historiske data med minst noen hundre datapunkter. For klassifisering trenger du eksempler på hver kategori, gjerne merket av noen som kjenner fagområdet.

Mange har mer data enn de tror, spredt rundt i regnskapssystemet, CRM-et, supportverktøyet og loggene. Det første vi gjør, er å sjekke om datagrunnlaget holder. Svaret kan godt være nei, og da er det bedre å vite det etter to uker enn etter to måneder.

Riktig verktøy til riktig jobb

Hvilken teknologi vi velger, avhenger av hva slags data du har (strukturerte tabeller eller tekst, bilder og lyd), hvor presist svaret må være, og hvor viktig det er å kunne forklare hvorfor modellen svarte som den gjorde. Ingen løsning passer til alt.

Vi kjenner Python-økosystemet godt og velger biblioteker ut fra de tekniske kravene. En enkel modell som kan forklares, er ofte mer verdt enn en tung modell som treffer litt bedre.

Strukturerte data og scikit-learn

For klassisk maskinlæring på tabelldata, som Excel-ark, SQL-databaser og CSV-filer, er scikit-learn arbeidshesten vår. Biblioteket har effektive algoritmer for regresjon, klassifisering og klynging, og det er som regel her vi begynner.

Trengs det mer presisjon, bruker vi gradient boosting med XGBoost eller LightGBM, og til klassisk statistisk modellering bruker vi Statsmodels. Disse modellene er raske og lette å tolke. Vi kan ofte vise nøyaktig hvilke variabler som veier tyngst, og det trenger du når noen skal etterprøve resultatet.

Dyp læring med TensorFlow og PyTorch

Er dataene ustrukturerte, som tekst, bilder eller lyd, trengs dype nevrale nettverk. Da bruker vi TensorFlow eller PyTorch, som også Google og Meta bygger på, og Hugging Face Transformers til språkmodeller.

Vi bygger og trener modeller som kan se og lese. Treningen krever mye regnekraft, så vi optimaliserer koden for GPU-er. Selve bruken av modellen, inferensen, må likevel gå så raskt at den kan svare i sanntid.

Fra notatbok til produksjon

Mange maskinlæringsprosjekter stopper i en notatbok på en datamaskin. Modellen fungerer i en demo, men ingen bruker den i hverdagen.

Vi pakker modellen inn i en egen tjeneste, oftest med FastAPI, som andre systemer kan sende spørsmål til. Tunge jobber, som å trene på nytt eller kjøre prediksjoner på store datamengder, går i bakgrunnen med Celery, og Redis holder ferdige svar i cache. Tjenesten kjører i Docker og Kubernetes, og kobles til nettløsninger, fagsystemer eller Laravel-applikasjoner du allerede har.

MLOps og drift av modeller

En modell er ferskvare. Når markedet endrer seg, eller kundene begynner å oppføre seg annerledes, faller presisjonen gradvis. Det kalles model drift. Vi har lang erfaring med DevOps og lar maskinlæringen gå gjennom den samme CI/CD-pipelinen som resten av koden. Det er dette som kalles MLOps:

  • Versjonering: vi sporer kode, data og modellparametere, så resultatene kan gjenskapes.
  • Overvåking: dashbord som varsler hvis treffsikkerheten faller under en grense du har bestemt.
  • Retrening: modellene trenes automatisk på nytt når det kommer nye data.

Lokale språkmodeller og personvern

OpenAI og andre har gode API-er, men sensitive data kan ofte ikke sendes ut av huset. Vi setter opp og kjører åpne språkmodeller som Llama 3, Mistral og Gemma lokalt i din infrastruktur.

Med verktøy som Ollama og egen maskinvare for inferens kan vi levere KI-funksjoner som chatassistenter og dokumentanalyse helt uten internettforbindelse. Da er det langt enklere å holde seg innenfor GDPR, og du slipper å betale per token. Vi kan også finjustere modellene på fagspråket og dataene dine.

Hva koster maskinlæring?

En enkel proof of concept kan være klar på 2 til 4 uker. En løsning klar for produksjon, med integrasjon, overvåking og MLOps, tar vanligvis 2 til 4 måneder, avhengig av hvor komplisert den er.

En enkel prediktiv modell starter på rundt 80 000 kr. Større prosjekter med dyp læring, egen infrastruktur og løpende vedlikehold priser vi etter avtale. Timeprisen starter på 1 500 kr, og når omfanget er tydelig, får du fastpris. Prisen avhenger mest av:

  • Hvor ryddige dataene er: Data som må hentes fra flere systemer og vaskes, tar tid.
  • Hvor mange systemer modellen skal kobles til: Hver integrasjon må bygges og testes.
  • Krav til svartid: En modell som må svare i sanntid, krever mer enn en som kjøres én gang i døgnet.
  • Typen modell: Dyp læring på bilder eller tekst krever mer regnekraft enn klassiske modeller på tabelldata.

Slik jobber vi

Maskinlæringsprosjektene våre går gjennom de samme fire stegene:

  • Dataanalyse: vi begynner med å sjekke dataene. Finnes det nok historikk, og er dataene rene nok?
  • Modellutvikling: vi tester flere algoritmer mot hverandre for å finne den beste balansen mellom presisjon og ytelse.
  • Integrasjon: modellen pakkes inn i en tjeneste, oftest med FastAPI, og deployes til et testmiljø.
  • Produksjon: løsningen settes i produksjon med overvåking og nok kapasitet til ekte trafikk.

Alle hos oss har over ti års erfaring, og en annen seniorutvikler leser koden før den går i produksjon. Vil du se maskinlæring i bruk, kan du lese om hvordan vi bygger semantisk søk.

Stacken vår

Dette er verktøyene vi bruker i de fleste maskinlæringsprosjektene, lag for lag.

Har du data du tror kan brukes til noe mer? Book en prat, så ser vi på det sammen.

Slik jobber vi

Book en prat
  1. datakvalitet

    Vurder dataene

    Vi sjekker om du har nok historikk, og om dataene er rene nok til å lære av.

  2. presisjon mot ytelse

    Test flere modeller

    Vi prøver flere algoritmer og velger den som gir best balanse mellom presisjon og ytelse.

  3. API mot fagsystemene

    Pakk inn og koble på

    Modellen får et API og kobles til fagsystemene du allerede bruker.

  4. løpende
    trenes på nye data

    Overvåk og tren på nytt

    Vi følger med på treffsikkerheten og trener modellen på nytt når nye data kommer.

    løpende

Ofte stilte spørsmål

Hva kan maskinlæring brukes til i en bedrift?

Typiske eksempler er prognoser for salg og lager, sortering av henvendelser og dokumenter, anbefalinger, kvalitetskontroll med datasyn og å oppdage svindel og systemfeil. Felles for dem er at problemet går igjen, og at dataene allerede finnes.

Når bør vi ikke bruke maskinlæring?

Når reglene er få og kjent, når du har for lite data, eller når hvert enkelt svar må kunne begrunnes og en feil koster mye. Da er vanlig kode eller en person ofte et bedre valg, og det sier vi ifra om.

Hvilke data trenger vi for å komme i gang med maskinlæring?

Det kommer an på problemet. For prediksjon trenger du historiske data med minst noen hundre datapunkter. For klassifisering trenger du eksempler på hver kategori. Vi hjelper deg å vurdere om datagrunnlaget holder.

Hva er forskjellen på maskinlæring og kunstig intelligens?

Kunstig intelligens er et bredt felt som spenner fra regelbaserte systemer til store språkmodeller. Maskinlæring er en del av feltet, der systemet lærer mønstre fra data i stedet for å følge faste regler. Vi bruker begge deler, alt etter hva problemet krever.

Kan dere kjøre språkmodeller lokalt i vår infrastruktur?

Ja. Vi setter opp åpne språkmodeller som Llama 3, Mistral og Gemma i din egen infrastruktur. Da blir dataene på dine egne servere, og personvern og GDPR blir langt enklere å håndtere.

Hvor lang tid tar det å utvikle en maskinlæringsmodell?

En enkel proof of concept kan være klar på 2 til 4 uker. En løsning klar for produksjon, med integrasjon, overvåking og MLOps, tar vanligvis 2 til 4 måneder, avhengig av hvor komplisert den er.

Hva koster et maskinlæringsprosjekt?

Det kommer an på hvor komplisert oppgaven er, og hvor mye data det gjelder. En enkel prediktiv modell starter på rundt 80 000 kr. Større prosjekter med dyp læring, egen infrastruktur og løpende vedlikehold priser vi etter avtale. Timeprisen starter på 1 500 kr.

Kan modellen kobles til systemene vi allerede har?

Ja. Vi pakker modellen inn i et API, oftest med FastAPI, og kobler den til fagsystemer, nettløsninger eller Laravel-applikasjoner du allerede bruker.

Hva skjer når modellen blir dårligere over tid?

Vi setter opp overvåking som varsler når treffsikkerheten faller under en grense, og trener modellen automatisk på nytt når det kommer nye data.

Vil du ta i bruk maskinlæring?

Fortell oss om dataproblemet, eller spør hva maskinlæring kan gjøre for bedriften din. Vi hjelper deg fra første idé til modellen er i drift.