Hos Devoteam er vi en mangfoldig gruppe mennesker, og vi kan lidt af hvert. Når man, globalt set, er over 6.700 konsulenter med fokus på et så bredt område som digital forretningsudvikling, så er det tydeligt, at vi skal kunne lidt af hvert.
Alene i Devoteam Danmark, hvor vi har intet mindre end syv kerneområder, er vi meget forskellige. Der er f.eks. dem, som hver dag kæmper med at sikre Danmark i vores Risk & Security team. Der er også dem, som skaber ro i kaosset ved at hjælpe med at få styr på transformationsprojekter – og så er der dem, der arbejder med data og machine learning.
Leg med billeder
I vores Data & AI team i Danmark, Devoteam Discovery, elsker de at lege med, og lære af nye måder at bruge data på. Da de ramte ind i en machine learning model, der var trænet til at genkende ansigter, kunne de ikke lade være med at lege med den. Hurtigt fandt de ud af, at de gerne ville finde ud af, hvordan en gennemsnitlig konsulent så ud. For at finde ud af det, tog de billeder af alle de gode mennesker i Devoteam Danmark og genererede et gennemsnit af dem.
Resultatet er disse to smukke unge mennesker:
Men hvad har det med data og ML at gøre?
De fleste kender sikkert, hvordan forskellige sociale medier og videosamtale applikationer kan sætte små katteører eller klovnenæser på brugerne. Selvom det ville være barnemad for et menneske at udpege næsen på et billede for at lave den rød, er det ret besværligt for en computer. Et menneske ser hundredvis af ansigter hver dag, og hver gang vi ser et, afkoder vi næse, mund og ører på ansigtet helt automatisk – det har vi lært over mange år, men det kan en computer ikke. Computeren skal også lære det først, eller have en “fil af erfaring” som den kan tilgå. En sådan fil af erfaring er dét, en trænet machine learning model er. Så når man har sådan én, er det som at have mange års erfaring i en fil.
For at lave en gennemsnitlig konsulent, skal man bruge en fil til at genkende ansigter på billeder. Dette er dog kun en del af øvelsen. Alle billederne, som man ønsker at finde et gennemsnit af, skal igennem flere skridt, for at man kan lægge dem over hinanden og dermed lave et gennemsnit. Der findes heldigvis en del programmeringsbiblioteker, der kan hjælpe med dette.
Processen kan ses herunder:
Processen er, i simple træk, at man tager hvert originalbillede og laver det om til gråtoner for bedre at kunne genkende bestemte træk i ansigtet. Derefter kører man det igennem en trænet machine learning model, der har lært at finde 68 punkter i et ansigt. Når man har 68 punkter for alle billederne, regner man gennemsnitsplaceringer af punkterne ud, deler billedet op i trekanter ud fra punkterne, transformerer hver trekant, og skærer så billedet til, så alle ansigterne i billederne passer perfekt oven på hinanden. Til sidst lægger man billederne oven på hinanden, og så har du en gennemsnitskonsulent.
Man kan spørge sig selv, hvad værdien af dette er. Hos Devoteam forsøger vi altid at finde på nye måder at hjælpe vores kunder på. Matematikken og metoden bag ”gennemsnitskonsulenten” er i bund og grund ikke meget forskellig fra de metoder, man igennem bearbejdelse af utallige datapunkter kan træne modeller – modeller der kan genkende mønstre, som kan projekteres ned over virkeligheden for at prøve at forudsige fremtiden.
I Devoteam Discovery har vi i den grad mærket, at data og machine learning er et varmt emne for tiden, og vi ser det derfor også som en naturlig del af vores forretning at hjælpe organisationer med deres dataprojekter. Mange ser data og machine learning som hardcore talknusning af økonomiske eller produktionstal til at kunne gennemskue nutiden, og måske få et blik ind i fremtiden. Dette er ikke helt forkert, men området er så meget mere.
Hvis du vil høre mere om jeres muligheder, så er du velkommen til at kontakte Anders.
