Fra høyre Matt Wood (AI-tjenester), Joshua Burgin (teknisk rådgivning), Mai-Lan Bukovec (lagring), Bill Vass (prosjektering), Andi Gutmans (analyse) og Shawn Bice (databaser). Alle visepresidenter i AWS, med unntak av Burgin som er direktør. Foto: Stian Sønsteng
Fra høyre Matt Wood (AI-tjenester), Joshua Burgin (teknisk rådgivning), Mai-Lan Bukovec (lagring), Bill Vass (prosjektering), Andi Gutmans (analyse) og Shawn Bice (databaser). Alle visepresidenter i AWS, med unntak av Burgin som er direktør. Foto: Stian Sønsteng

VIL AVMYSTIFISERE MASKINLÆRING

– Maskinlæring er en magisk teknologi, som vi ønsker å avmystifisere og gjøre tilgjengelig for så mange som mulig, sier Matt Wood i AWS.

Publisert

Han er visepresident for AI-tjenester i Amazon Web Services (AWS), og sitter på scenen sammen med en rekke kolleger i et møte med pressen under selskapets gigantarrangement Re:Invent 2019 i Las Vegas i desember.

– Vi har investert mye i maskinlæring, og bruker åpne kildekoder som gjør teknologien tilgjengelig for flere. Våre nye løsninger er 20 prosent raskere, og med Amazon SageMaker kan man bygge modeller som kan brukes til nærmest alt. Vi har tatt mye teknologi fra Amazon.com, blant annet når det gjelder muligheten til å oppdage svindelforsøk gjennom Amazon Fraud Detector. Med Amazon Contact Lens for Amazon Connect tar vi maskinlæring i kontakt med kunden til et nytt og høyere nivå, sier Matt Wood.

Under Re:Invent 2019 presenterer AWS flere nye tjenester der de bruker kunstige intelligens (AI) for å gjøre maskinlæring tilgjengelig også for kunder som ikke har egen kompetanse på området.

Søk med maskinlæring

– Amazon Kendra er en avansert søketjeneste, mens Amazon CodeGuru blant annet brukes til å finne feil i kodingen. Disse tjenestene er utviklet basert på titalls millioner av eksempler fra Amazon.com, sier Wood.

Når det gjelder Kendra, er dette AWS’ nye søkefunksjon for bedriftens interne dokumenter.

– Vi mener dette er et skritt i en ny retning, der det tidligere var begrensninger når det gjaldt hvilke søkeresultat du fikk opp, avhengig av manuelle søk. En av de store utfordringene har vært at det har manglet struktur i dokumentene, det kan være en epikrise eller et juridisk dokument, som ligge ulike steder. Ved å bruke maskinlæring i struktureringen, blir innholdet mer tilgjengelig. Vi har gjort søkefunksjonen mer lik det man er vant til ved søk på nettet, der nettsidene har en struktur, og lenker forteller noe om innholdet. Målet er at man med Kendra mye raskere finner det man søker etter, sier Wood.

Vi har tatt mye teknologi fra Amazon.com, blant annet når det gjelder muligheten til å oppdage svindelforsøk gjennom Amazon Fraud Detector

Han viser til at AWS har tusenvis av kunder som bruker maskinlæring, og sier selskapet lytter til hva de sier.

– Den neste bølgen av utfordringer kommer når stadig flere begynner å bruke maskinlæring. Det har ikke frem til i dag vært mulig å feilsøke i maskinlæringen, men dette har vi løst på en fundamentalt ny måte, der vi bygger en bru mellom hvor utviklerne er, og hvor de bør være, sier Wood.

Norske Tine og Aquabyte

Denis Batalov er løsningsarkitekt (Solutions Architect) i AWS, og spesialist i maskinlæring.

– Maskinlæring krever mye datakraft, du må drive modellene, og det må skje raskt. Tilknytningspunktene er én ting, en annen er at vi ikke vet hvor store datasettene er om noen år. Målet er at dagens datasett skal være så fleksible som mulig med tanke på fremtidens datasett, sier Batalov til fagbladet Elektronikkbransjen.

Han har vært i selskapet i snart 15 år, har doktorgrad i maskinlæring, og leder en global gruppe som skal hjelpe kundene med å integrere maskinlæring i sine løsninger.

– Kan du si noe om i hvilken grad AWS bringer denne teknologien fra morselskapet Amazon til sine kunder?

– Amazons har over 20 års erfaring her, som vi har gjort tilgjengelig for AWS’ kunder. Alt du behøver er en kraftfull prosessor, så kan du bygge maskinlærings-modeller, eller du kan bruke modellene vi allerede har laget, sier Batalov.

For detaljhandlerne er anbefalinger til kundene ett bruksområde, et annet er optimalisering av forsyningskjeden.

– Hva med deres nordiske kunder?

Artikkelen ble første gang publisert i papirutgaven av fagbladet Elektronikkbransjen nr. 1/2020, som ble distribuert 13. februar. <a href="https://www.mypaper.se/html5/customer/248/12757/?page=72" target="_blank" rel="noopener">Her kan du lese artikkelen</a> og bla gjennom digitalutgaven av bladet. Du kan lese alle utgaver av bladet digitalt, fra og med nr. 1/1937, på <a href="https://www.elektronikkbransjen.no/historiskarkiv" target="_blank" rel="noopener">elektronikkbransjen.no/historiskarkiv</a>.
Artikkelen ble første gang publisert i papirutgaven av fagbladet Elektronikkbransjen nr. 1/2020, som ble distribuert 13. februar. Her kan du lese artikkelen og bla gjennom digitalutgaven av bladet. Du kan lese alle utgaver av bladet digitalt, fra og med nr. 1/1937, på elektronikkbransjen.no/historiskarkiv.

– De er pulserende. Tine er en referansekunde, som sammen med en partner har bygd modeller som forutsier hvor mange kuer som produserer melk av høy kvalitet, på en effektiv måte. I Norden står spillbransjen sterkt, og de bruker maskinlæring for å teste spillene de utvikler. Norske Aquabyte bruker maskinlæring for å optimalisere driften av oppdrettsanlegg, sier Batalov.