Datadreven beslutningsstøtte – transparent og forklarlig dataanalyse til alle

Senest opdateret d. 16/4-2018
Alexandra Instituttet
Resultatkontrakt 2019-2020 under temaerne Informations- og Kommunikationsteknologi

Der er et stort behov for at skabe tillid og tilgængelighed til datadrevne beslutningsstøtteværktøjer. De bør være transparente samt lettere at forklare og forstå, hvorved avanceret brug af Big Data, Machine Learning og Visual Analytics kan udbredes.

Beslutninger baseret på dataanalyse har fået stor opmærksomhed i de seneste år, og der anvendes en bred vifte af beslutningsstøtteværktøjer på tværs af domæner. Udviklingen af værktøjer sker på baggrund af øget regnekraft og tilgængelighed af store datamængder. Deres beslutninger baserer sig ofte på automatiske analyser af Machine Learning (ML)-modeller, hvilket gør det vanskeligt for mennesker at forstå. Den øgede interesse og efterspørgsel skaber således nye udfordringer, når datadreven beslutningsstøtte skal udbredes til flere erhverv og organisationer.

Disse udfordringer består i et behov for transparens af ML og datadrevne analysemodeller samt et behov for at forklare deres resultater, især når de bliver uigennemskuelige for både den almene bruger og ekspertbrugeren ifølge EU's konkurrencekommissær Margrethe Vestager. Dette er særligt nødvendigt, når data og beslutninger vedrører personer. Her kræver GDPR nemlig, at beslutninger skal kunne forklares.

Øget transparens og forbedret forklaringsevne er derfor påkrævet for at kunne styrke tilliden til datadrevne beslutningsstøtteværktøjer, og for at gøre ML og store datamængder mere tilgængelige for et bredere udvalg af brugere og derved udvide anvendelsesområdet af datadrevne modeller.

Vi imødegår disse udfordringer for datadreven beslutningsstøtte med udvikling af en række ydelser baseret på hhv. algoritme- og visualiseringsmetoder. Dermed vil vi gøre ML og Visual Analytics mere tilgængeligt og tilbyde avancerede dataanalyse-funktionaliteter til brugere både med og uden teknisk baggrund.

Nøgleord

24 kommentarer

Herunder er indlæg og kommentarer fra interessenter på aktiviteter og aktivitetsforslag.

Frank Helbo Christensen
Torsdag d. 19/4-18 kl. 09:16

.

Jesper Kjelds (digitaliseringschef, Aarhus Vand)
Torsdag d. 26/4-18 kl. 15:17

Vi Aarhus Vand ser et stort potentiale i AI/ML til styring og optimering af vore anlæg (vandværker og renseanlæg) og ledningsnet og til at give værdifuldt input til vor beslutningsstøtte (eg prioritering af anlægs/fornyelses projekter, planlægning og optimering af service, etc). Vi ser en expontiel stigning i datamængder og lettere tilgang til externe data, for at vi kan udnytte og skabe værdi/informationer/indsigt ud fra disse store datamængder skal vi mere aktivt anvende AI/ML.

Niklas Kasenburg (Machine Learning Specialist, Alexandra Instituttet)
Mandag d. 30/4-18 kl. 14:39

Kære Jesper
Tak for din kommentar. Det lyder som om der er en god data grundlag hos Aarhus Vand til at bygge AI/ML modeller som kan give ekstra input til jeres beslutningsstøtte​. Jeg går desuden ud fra at resultaterne af disse modeller skal være transparente og forståeligt så at de kan anvendes i praksis, især når de påvirker flere områder i virksomheden og delvis kritiske systemer ligesom vandforsyning. Dermed er der fra min synspunkt en stor potentiale for en mulig samarbejde under projektets forløb.
Mvh Niklas

Jeppe Lützhøft
Fredag d. 18/5-18 kl. 09:13

I forbindelse med vedligehold af vindmølleparker ser vi stort potentiale i ML til analyse af vores opsamlede data. Muligheden for at spare på inspektioner offshore baseret på dataanylse, vil kunne gøre offshorevind endnu mere konkurence dygtigt.

Niklas Kasenburg (Machine Learning Specialist, Alexandra Instituttet)
Fredag d. 18/5-18 kl. 15:46

Kære Jeppe
Tak for din interesse i vores forslaget. Det giver bestemt god mening at kigge på jeres data og se om man kan, ved hjælp ad ML, gøre inspektioner og drift af offshore vindmølleparker mere effektive.
Her er det også vigtig at modellerne er gennemsigtige således at man kan forklare resultaterne både til dem der udvikler inspektions og driftsplaner og dem der skal udføre dem.

Martin Løkke (Vice President, Programs & Systems, Terma A/S)
Søndag d. 20/5-18 kl. 09:37

Mange af Termas produkter baserer sig på beslutningsstøtte til en operatør på baggrund af data. Dette er tilfældet i f.eks. Termas C2-systemer og Radar systemer.
Nogle beslutninger kan tages automatisk, mens andre kræver at der er ”Man-in-the-loop” i beslutningen. Her vil en visualisering af de ofte store og komplekse mængder data kunne forbedre beslutningsprocessen.
Dette projektforslag er derfor interessant for Terma.

Matthias Nielsen (Visual Analytics Specialist, Alexandra Instituttet)
Onsdag d. 23/5-18 kl. 10:59

Hej Martin,
Tak for dit positive tilsagn. Vi er helt enige i nødvendigheden i at udvikle modeller og analyseværktøjer der tillader, at brugeren bliver placeret centralt som ekspert i beslutningsprocessen. Når det er nødvendigt, selvfølgelig. Kombineret med Termas store krav til rettidighed i, hvad der præsenteres for brugeren, ser vi derfor gode muligheder for at samarbejde om at udvikle analyseværktøjer og modeller til brug i mission critical situationer.
Mvh.
Matthias

Lise Lystlund (Dataanalytiker)
Onsdag d. 23/5-18 kl. 13:57

Igennem mit erhverv som dataanalytiker hos både Sekoia, som leverer til plejesektoren, og Transition, som udfører energirådgivning, ser jeg i begge brancher store muligheder for at udnytte data bedre og udvikle værktøjer til beslutningsstøtte. I energibranchen bliver der i dag genereret rigtig mange data og på trods af det tages mange beslutninger på baggrund af mavefornemmelser og stikprøver. I plejesektoren bliver der overordnet set genereret lidt data, men det er Sekoia ved at lave om på. Igennem Sekoiaplatformen indsamler vi relevante og strukturerede data, som på sigt kan understøtte beslutninger om fremtidig pleje og behandling samt sikre en høj kvalitet.

Matthias Nielsen (Visual Analytics Specialist, Alexandra Instituttet)
Torsdag d. 24/5-18 kl. 10:14

Hej Lise,
Mange tak for din kommentar. Vi er helt enige i, at der er stort potentiale i at forbedre mulighederne for at domæneeksperter og andre brugere kan udnytte data til beslutningsstøtte. Det er netop det, som vi vil med dette forslag, og plejesektoren og energirådgivning er gode eksempler på brancher, der vil kunne have stor nytte af dette.
Du bemærker også, at man i disse to brancher enten indsamler store mængder data eller er i gang med at etablere dataindsamling. Dette er en proces som vi har erfaret er i gang i mange af de virksomheder, som vi har arbejdet sammen med - enten er man i gang med dataindsamling eller er man ved at etablere det. Men hurtigt rejser der sig spørgsmål om hvordan man skal ibrugtage det indsamlede data i praksis. Og her kommer konventionelle business intelligence løsninger ofte til kort, fordi de ikke tilgængeliggør data på en måde, der er anvendelig for domæneeksperter og andre brugere. Dette vil vi adressere med dette forslag, ved at udvikle værktøjer der, gennem transparens og forklarlighed af dataanalyse, øger tilgængeligheden af datadreven beslutningsstøtte for en bred skare af brugere.
Mvh.
Matthias

Sanne Karlsen (Senior Projektleder (it), Vejdirektoratet)
Tirsdag d. 29/5-18 kl. 16:01

I Vejdirektoratet har vi allerede eksperimenteret lidt med AI og Machinelearning, men har fortsat et stort behov for og ønske om, at få mere ud af realtidstrafikdata (og andre relevante data) til trafikledelse og i arbejdet med fremkommelighed. Vi kan se et stort behov for at kombinere machine learning ekspertisen med vores domæneviden - og at få gjort Machinelearning som værktøj mere gennemsigtigt. Og hvordan skaber vi in-house kompetencer til datadreven beslutningsstøtte.

Niklas Kasenburg (Machine Learning Specialist, Alexandra Instituttet)
Onsdag d. 30/5-18 kl. 21:21

Hej Sanne
Mange tak for din kommentar. Det lyder som om i er allerede godt i gang med at bruge Machine Learning og har samlet noget erfaring med det. Nu bliver det interessant at vide hvor gennemsigtigt de modeller i bruger er og hvordan vi kan hjælpe med at gøre dem mere gennemsigtigt.
Hvis en model for eksempel forudsiger hvor i vejnettet der forventes høj trafik, er det sikkert vigtig at kunne forklare hvilke faktorer der føres til dette beslutning, så at man kan påvirke disse for at undgå forsinkelser.
Desuden vil jeg tror at man kan også komme langt med smart visual analytics på trafik data for at forstå hvilke processer fører til forsinkelser.
Mvh,
Niklas

Martin Kjeld Pedersen (Medejer, FieldSense A/S)
Onsdag d. 30/5-18 kl. 09:38

Hos FieldSense oplever vi i høj grad en udfordring ved at formidle vores machine-learning-løsninger til vores kunder og interessenter, da teknologien og dets præmisser fortsat kan virke byzantinsk for personer med ikke-teknisk baggrund. Der ligger klart en stor opgave for virksomheder og vidensinstitutioner, som arbejder med ML/CV/AI-værktøj, der indgår i beslutningsstøtteprocesser og i værdikæden for en given bruger. Det handler både om at skabe tillid til teknologien og om at ændre adfærd hos brugeren. Som mindre virksomhed vil det for os have stor betydning, at der bliver arbejdet på at løse denne udfordring, da vi ser det som en central del af vores forretning. Det vil klart været interessant at arbejde på værktøjer for interaktiv datavisualisering. Det vil uden tvivl give os og vores interessenter en bedre indsigt i processer, der ellers er ret komplekse. Vi støtter derfor meget gerne op om dette aktivitetsforslag og melder os gerne til at deltage i workshops og eventuelle samarbejder.
Mvh.
Martin Kjeld Pedersen

Niklas Kasenburg (Machine Learning Specialist, Alexandra Instituttet)
Onsdag d. 30/5-18 kl. 21:39

Hej Martin
Tak for din interesse i vores forslag. Jeg er enig med dig i at det er vigtig at skabe tilliden i beslutningsværktøjer der bruger ML/AI både til dem der træffer og dem der er påvirket af beslutningen. Det vil vi forsøge at løse ved at både gøre beslutningsværktøjer mere gennemsigtigt og ved at skabe værktøjer der kan forklare resultaterne/beslutningen på en forståeligt måde. Når beslutningsværktøjer arbejder primært med billede/computer vision data som i jeres tilfælde, har man den fordel at dataen kan forholdsvis nemt visualiseres og dermed har allerede flere muligheder for at gøre processen mere gennemsigtigt. Jeg håber vi kommer til samarbejde på dette i næste år!
Mvh
Niklas

Henrik Krog Jensen (Exigo A/S)
Torsdag d. 31/5-18 kl. 06:20

I Exigo arbejder vi konstant på at forbedre de værktøjer vi kan tilbyde i vores rådgivningsarbejde omkring implementeringen af IT-værktøjer i byggebranchen. En af vores fokusområder er, hvordan vi kan tilbyde vores kunder beslutningsstøtte gennem projektering og ikke mindst under udførsel. Ved at parre machine learning og visual analytics med vores domæneviden indenfor byggebranchen er det vores håb, at vi kan hjælpe med at skubbe byggebranchen i en retning, hvor beslutninger ikke længere alene baseres på projektlederens eller entrepriselederens mavefornemmelser, men i langt højere grad lader beslutninger være baseret på tilgængelige data.

Matthias Nielsen (Visual Analytics Specialist, Alexandra Instituttet)
Torsdag d. 31/5-18 kl. 12:56

Hej Henrik,
Mange tak for din kommentar. Det lyder til at der er et stort potentiale for udbrede brug af data i byggebranchen, så det kan bruges til at understøtte lederes beslutninger. For, som jeg læser din kommentar, så vil Exigo netop gerne udvide lederes beslutningsgrundlag med data, og ikke overflødiggøre brugeren ved at automatisere beslutningsprocessen. Det er en vigtig pointe, som vi er helt enige i - nemlig at man skal bibeholde eksperten i centrum for beslutningsprocessen, når det er relevant. Det er netop det vi ønsker at opnå ved at kombinere Machine Learning og Visual Analytics.
Som jeg ser det, så kunne være både givtigt og spændende at samarbejde med Exigo omkring dette indenfor byggebranchen, fordi Exigo netop vil kunne bidrage med jeres ekspertviden indenfor domænet.
Mvh.
Matthias

Bjørn Langeland
Torsdag d. 31/5-18 kl. 08:33

Hos Grundfos arbejder vi konstant på at forbedre vores produkter og måde vi producerer på. Dagligt genereres rigtig mange data - dels af vores pumper dels i produktionen af pumper. En bedre forståelse og udnyttelse af data er derfor yderst vigtig for os.
Et projekt med udgangspunkt i beslutningsstøtte baseret på en kombination af data og domaineeksperter's (tavse) viden, ser vi som et spændende og relevant projekt, som vi meget gerne følger og deltager i.
Bjørn Langeland
Chief Engineer
Advanced Manufacturing Engineering
Grundfos

Matthias Nielsen (Visual Analytics Specialist, Alexandra Instituttet)
Torsdag d. 31/5-18 kl. 13:20

Hej Bjørn,
Mange tak for din kommentar. Det lyder som et komplekst spændingsfelt, som Grundfos navigerer i, hvor ekspertbrugere har behov for at kombinere både historiske og realtidsdata, for at kunne træffe beslutninger. Vi synes, det lyder oplagt at kombinere Grundfos' interesse med dette projektforslag, for at udvikle Machine Learning og Visual Analytics værktøjer til rettidig beslutningsstøtte for ekspertbrugere.
Mvh.
Matthias

Rasmus Gorm Pedersen (CEO, Partner, Vitani Energy Systems A/S)
Torsdag d. 31/5-18 kl. 09:17

Danmarks samlede energiforbrug til bygninger kan reduceres med 5-15% alene ved at synliggøre de (adfærdsmæssige tekniske såvel som brugermæssige) tiltag og opmærksomhedspunkter de daglige brugere og tekniske ansvarlige skal forholde sig til. Vi i Vitani har dokumenterede projekterfaringer, hvor der med menneskelig indgriben har påvist sådanne besparelser - og denne indgriben kan i et stort omfang erstattes med ML/AI. Dette kræver et godt interface mellem de brugere der nødvendigvis ikke er "dataanalytikere" eller vant til at arbejde med databaseret beslutningsstøtte, men egentlig gerne vil reducere energiforbruget og påvirke den adfærd der skal til, for at gøre dette.
Vi er igang med flere andre tilsvarende projekter, hvor dette her vil medvirke til at accelerere effekten, til gavn for vores nationale klima og energieffektiviseringsmål. Projekterne inddrager cross-connectivity IOT og hybride løsninger hvor klassisk IoT, klassiske datatilgængelighed (data fra forsyningsselskaberne) og "ægte" IoT teknologier kombineres. Jeg har tal liggende for potentialet samt indsatsen som jeg gerne deler i lukket fora.
Mvh Rasmus
CEO, Partner
Vitani Energy Systems

Niklas Kasenburg (Machine Learning Specialist, Alexandra Instituttet)
Torsdag d. 31/5-18 kl. 14:07

Hej Rasmus
Tak for din interesse. Det lyder som om der er et stort potentiale i energibranchen for at reducere forbrugernes energiforbrug ved hjælp af visual analytics og machine learning. Her vil det være vigtigt at præsentere data og data sammenhænge til de enkelte forbruger på en forståelig måde og vil dermed passer meget fint sammen med vores forslag.
Mvh,
Niklas

Hanne Schultz (Schultz Pleje & Hjemmeservice)
Torsdag d. 31/5-18 kl. 09:20

Som en mindre servicevirksomhed inden for plejesektoren, er vi under konstant pres for at levere bedre og billigere service. Desværre er vores arbejdsområde meget komplekst i forhold til fx almindelig pakkeudbringning. Vi kan ikke bare benytte standard logistikoptimeringsprogrammer fra det område. Vores planlæggere sidder med en kompleks viden om borgere og deres sygdomsbillede og præferencer i forhold til service. Vi har behov for “optimeringsløsninger", der gør det gennemskueligt, hvorfor maskinen foreslår en bestemt plan. Og den må meget gerne lærer af vores planlæggere og eksisterende arbejdspraksisser. Det kunne være rigtig spændende, hvis den her beskrevne aktivitet kunne hjælpe med at udvikle og evaluere den slags løsninger.
Hanne Schultz, Schultz Pleje & Hjemmeservice

Niklas Kasenburg (Machine Learning Specialist, Alexandra Instituttet)
Torsdag d. 31/5-18 kl. 14:27

Hej Hanne
Mange tak for din kommentar. Machine learning handler netop om at bygge en model der inkludere den eksisterende viden både gennem sammenhænge i data og viden fra domæneeksperter ligesom jeres planlæggere. For at sådan en model hjælper planlæggeren med deres arbejde, er det også vigtig at dens resultater kan forklares og er transparente nok så at planlæggere har tillid til at bruge resultaterne til deres beslutninger.
Mvh,
Niklas

Søren Christensen (Head of Logistics Development, Saint Gobain)
Torsdag d. 31/5-18 kl. 11:38

Hos Saint Gobain er anvendelse af og forståelse for data alfa og omega i vores beslutningsprocesser. Vores anvendelse af Big Data og Machine Learning udbredes kraftigt, og vi har i den forbindelse erkendt, at vi får sværere og sværere ved at forklare og skabe tillid til vores analyser og deres konklusioner.
Dette projekt er yderst relevant for os ift. at sikre, at vi bliver i stand til at realisere det fulde potentiale af vores arbejde med Big Data og Machine Learning.
Søren Christensen, Head of Logistics Development, Saint-Gobain

Matthias Nielsen (Visual Analytics Specialist, Alexandra Instituttet)
Torsdag d. 31/5-18 kl. 13:50

Hej Søren,
Mange tak for din kommentar. Du kommer ind på en rigtig god pointe - at det er essentielt at have tillid til resultater fra Machine Learning algoritmer, for at benytte dem i sin beslutningsproces. Det er netop derfor, at vi i dette projekt vil udvikle værktøjer, der gør Machine Learning resultater transparente og forklarlige gennem Visual Analytics værktøjer.
Vi er glade for at høre, at dette forslag også er interessant for logistikbranchen, og det lyder som en branche, der vil kunne drage stor nytte af udbredelse af datadreven beslutningsstøtte.
Mvh.
Matthias

Malte von Sehested
Torsdag d. 31/5-18 kl. 23:51

Vi kan se nogle spændende muligheder for øge transparens og gøre data om brug af digitale læremidler lettere tilgængelige for brugerne og dermed give lærere og skoler en bedre muligheder for at foretage datakvalificerede valg. På et område hvor der er stigende interesse for Learning Analytics, er der et stort potentiale i at udvikle teknikker, der kombinerer machine learning og interaktiv visualisering til brug for datadrevne beslutninger om undervisningstilrettelæggelse.