Ved hjelp av maskinlæring har vi utviklet en løsning der man kan gjenkjenne eiere av reinsdyr gjennom øremerker. Vi viser deg med eksempler hvordan vi har gjort det.
I seks uker har tre konsulenter fra traineeprogrammet Nytt Krutt jobbet på intensivprosjektet “Risikobasert tilsyn på akvakultur” for Mattilsynet. I prosjektet har de sett på hvordan man kan avdekke hvilke oppdrettsanlegg som har høyest risiko for regelbrudd ved hjelp av maskinlæring. Her kan du lese mer om hvordan de løste oppgaven.
For å lykkes med maskinlæring er man avhengig av store datasett, og med store datasett kommer behovet for data management. Hvorfor er det så viktig med riktig klargjøring av data, og hvordan gjør man det? Denne artikkelen ser nærmere på hvorfor, og ikke minst hvordan organisasjoner får kontroll på dataene sine.
I våres utdelte Datatilsynets pris for “Innebygd personvern i praksis”. Gleden sto i taket da det ble kjent at det var NAV som vant med bidraget «Gjør test til en fest! Løsning og metode for syntetiske testdata». Løsningen og metoden har NAV utviklet i samarbeid med Visma Consulting.
En av de største utfordringene med å ta i bruk maskinlæring, er å komme seg fra «forskningsstadiet» til et nivå hvor det fungerer som en reell beslutningsstøtte. Her er 3 fordeler med å integrere maskinlæring med et BI-Verktøy!
Web Summit har etablert seg som verdens største tech konferanse med over 70.000 deltakere. Vi gir deg høydepunktene fra årets konferanse i dette innlegget.
NAV har et stort behov for å teste datasystemene sine, og det med så reelle data som mulig. Kunstig intelligens kombinert med en verdikjedetilnærming har vist seg å være sukessoppskriften for å sørge for testdata som ivaretar personvernet
AI og maskinlæring brukes nå i stor grad for å effektivisere arbeidsprosesser og flere og flere tar dette i bruk. For å kunne implementere kunstig intelligens trengs det spisskompetanse.
Skal man være på den trygge siden når man gjennomfører testing av data, må man da syntetisere produksjonsdata, enten manuelt eller ved hjelp av maskinlæring. Vi gjennomgår tre forskjellige praksiser for testdata og gir vår anbefaling.
Maskinlæring er i vinden, og mange ønsker å ta det i bruk. Før vi bestemmer oss for å bruke maskinlæring, er det viktig å ha en forståelse av hvilke problemtyper maskinlæring er egnet til å løse, og hvilke problemtyper det finnes bedre alternativer for.
Mange bedrifter har begynt å ta bruk løsninger basert på kunstig intelligens og maskinlæring, og realiserer store gevinster på dette. Om din bedrift er i startgropen på dette arbeidet bør man begynne med å fastsette en AI-strategi.
Det er sagt og skrevet mye om hva maskinlæring og kunstig intelligens er, og hvilke løsninger vi kan lage, så det skal ikke repeteres her. Denne artikkelen fokuserer i stedet på å gi en overordnet framgangsmåte for implementering av maskinlæring.
Maskinlæring og kunstig intelligens er et område som har fått mye oppmerksomhet de seneste årene, til tross for at mange av de matematiske prinsippene er flere tiår gamle. Vår ambisjon er å bidra til reell verdiskaping ved bruk av maskinlæring, ved justere forventningene på hypen litt ned, fokusere reelle og praktiske problemer, og anvendbar teknologi.
Personopplysningsloven og GDPR har gitt økt fokus på hva man kan bruke innsamlede personopplysninger til og ikke, og det hersker stor usikkerhet rundt hva det i praksis betyr at dataene kun skal brukes innenfor det formålet de var samlet inn for.
Visma Consulting har bistått Mattilsynet med problemstillingen “hvordan kan Mattilsynet systematisk velge ut tilsynsobjekter med større sannsynlighet for risiko eller avvik?”. Dette resulterte i et pilotprosjekt utført av fem konsulenter fra traineeprogrammet Nytt Krutt med fokus på to av Mattilsynets tilsynsområder – barnehager og småfe.
Google har sagt at de ønsker å gjøre maskinlæring tilgjengelig for folket, og så lett som mulig å ta i bruk. Vi ser oss jo da nødt til å teste ut denne påstanden. Klarer vi å trene opp AutoML Vision til å skille hva som er god og dårlig pizza? Vi forklarer steg for steg hvordan du trener opp og bruker AutoML Vision.
Vi hører mye om maskinlæring, men utover at det involverer maskiner som trenes til å løse oppgaver er det ikke helt intuitivt hvordan det fungerer. I forsøk på å avmystifisere begrepet vil vi se på hvordan vi med maskinlæring kan lage en bildeklassifikator som kan skille hunder og katter.
Influensa har meldt sin ankomst og du må avlyse dagens møter. Men forestill deg at telefonen din gjør det for deg?