Så kan maskininlärning förbättras
I takt med att mängden insamlade data växer, ökar möjligheten att skapa intelligenta system som kontinuerligt kan förbättras genom att de lär sig av dataflöden. Mohamed-Rafik Bouguelia utvecklar algoritmer för maskininlärning som lär sig av stora mängder data och skapar användbar kunskap – självständigt eller med viss hjälp av mänsklig tillsyn. Forskningen kan till exempel användas för att förutsäga behovet av underhåll av komplexa system, såsom fordon och fjärrvärme.
Vi arbetar med algoritmer som kan anpassas till förändringar.
Mohamed-Rafik Bouguelia, docent i maskininlärning
När stora mängder data samlas in och analyseras genom maskininlärning kan användbar information och kunskap genereras. Till exempel kan avvikelser från ett ”normalt” beteende upptäckas, något som bland annat kan indikera att felaktig utrustning behöver ses över. Det blir också möjligt att identifiera datakluster över tidsperioder för att kartlägga funktionen hos ett fordon eller en maskin – eller mänskliga aktiviteter i ett smart hem. Att utvinna sådana kunskaper är viktigt för att förstå komplexa miljöer och situationer. Tekniken innebär dock flera utmaningar, utmaningar som Mohamed-Rafik Bouguelia har fokuserat på i sin forskning.
– Maskininlärning kan tillämpas inom en rad olika områden, men tekniken saknar fortfarande den generaliserbarhet som kännetecknar mänsklig inlärning. AI och maskininlärning har större potential om maskiner på ett enklare sätt kan interagera med människor, anpassa sig till förändring och överföra kunskap mellan olika uppgifter, säger Mohamed-Rafik Bouguelia, docent i maskininlärning och verksam vid Centrum för forskning om tillämpade intelligenta system (CAISR) på Högskolan i Halmstad.
Algoritmer som anpassar sig till förändring
Mohamed-Rafik Bouguelia forskar tillsammans med flera svenska industripartner, till exempel Volvo Group, Alfa Laval och Öresundskraft. Ett av forskningsprojekten fokuserar på att utveckla anpassade algoritmer för maskininlärning som kan upptäcka och reagera på förändringar i dataflöden.
– I dag finns otaliga komplexa maskiner som är utrustade med sensorer som kontinuerligt samlar in data. För att upptäcka avvikelser eller tecken på att något är fel, skapar vi algoritmer som kan lära sig av insamlade data och bedöma vad som är ett normalt eller onormalt beteende. Sådana dataströmmar kan dock ändras över tid på grund av oförutsedda omständigheter. Det är därför vi arbetar med algoritmer som kan anpassas till förändringar, säger Mohamed-Rafik Bouguelia.
Mohamed-Rafik Bouguelia är docent i maskininlärning vid Akademin för informationsteknologi och verksam vid Centrum för forskning om tillämpade intelligenta system (CAISR) på Högskolan i Halmstad.
Mänsklig återkoppling är central
Algoritmer för maskininlärning kan användas inom många olika områden, exempelvis för fordon, tåg, värmepumpar och fjärrvärme. Vid övervakning av till exempel fjärrvärmestationer kan insamlade data visa atypiska händelser som inte nödvändigtvis behöver tillsyn. Bedömningen av vad som är en avvikelse är ofta subjektiv och beror på tillämpningen. Att manuellt ”märka” data för att ”träna” maskininlärningsalgoritmer är ofta kostsamt, tidskrävande och fordrar expertkunskap.
– För att hantera dessa problem utvecklar vi interaktiva algoritmer för maskininlärning och datautvinning som inkluderar mänsklig återkoppling i själva inlärningscykeln. För att till exempel skilja mellan relevanta och irrelevanta avvikelser används algoritmer som proaktivt kommunicerar med en människa för att utnyttja hens expertis och lära sig att föreslå vad som är relevanta avvikelser, säger Mohamed-Rafik Bouguelia.
Målet är inte bara att ta fram mer exakta sätt att fastställa avvikelser, utan också att minimera arbetsinsatserna för att undersöka avvikelserna. Andra forskningsriktningar inom området handlar om hur mänsklig återkoppling kan användas för att definiera de mest typiska beteendena i en grupp av olika system, samt att fastställa vilka fel och avvikelser som är mest relevanta för specifika användningsområden.
Ett användningsområde för maskininlärning är fjärrvärme. Algoritmerna kan upptäcka avvikelser och fel som behöver tillsyn.
Data som kan användas för flera olika uppgifter
De flesta befintliga algoritmer för maskininlärning bygger på antagandet att de data som används redan har ”märkts” med specifika egenskaper – en märkning gjord manuellt av mänskliga experter. Detta traditionella sätt att förbehandla data tar mycket tid och fångar inte upp all tillgänglig information. Dessutom finns det begränsningar i vad dessa data kan användas till. Mohamed-Rafik Bouguelia fokuserar just nu på att utforma algoritmer för automatisk inlärning av data som kan vara användbara för flera olika uppgifter.
– Detta är avgörande för fortsatt utveckling och bredare användning av maskininlärningsalgoritmer. Det gör det möjligt för algoritmer att självständigt anpassas till en specifik uppgift genom att förvärva den mest lämpliga egenskapen för uppgiften i fråga, säger Mohamed-Rafik Bouguelia.
Vår forskning kan spara både tid och pengar – och bidra till en mer hållbar industri.
Forskningen är nära kopplad till de praktiska problem som flera av industripartnerna står inför. Företagen samlar enorma mängder så kallad råa sensordata från till exempel tunga fordon, separatorer på marina fartyg och smarta byggnader.
– Dessa rådata måste kartläggas och omvandlas för att kunna användas till att exempelvis förutsäga behov av underhåll eller reparationer. Det övergripande målet med vår forskning är att automatiskt extrahera allmänna egenskaper som är lämpliga för mer än en uppgift, till exempel uppskatta återstående livslängd för flera olika komponenter i ett fordon eller maskin, säger Mohamed-Rafik Bouguelia och konstaterar:
– Vår forskning kan spara både tid och pengar – och bidra till en mer hållbar industri.
Text: LOUISE WANDEL
Bild: IDA FRIDVALL och ISTOCK
Toppillustration: DAN BERGMARK