Kunskapsbanken

Machine Learning handlar (i vår sfär) om att lösa problem eller optimera flöden som har mycket stora mängder data att studera. I de lägena är ett bra första steg att identifiera och kvantifiera problemet. Här är den kvantitativa delen så klart viktig men det är också viktigt att få så djup insikt i de kvalitativa aspekterna under datainsamlingen. Givet att det finns tillräckligt med data för att påbörja ett projekt så kan det nu appliceras data på problemet. Är datan av den kvalitet att den går att få insikter ur så är nästa steg att använda sig av flera algoritmer för att utröna mönster ur datan.

Man kan behöva komplettera med mer data utifrån de mönster man hittar eller antingen gå djupare in i analysen. När insikter understöds av data kan en handlingsplan formuleras. Det är viktigt att presenteras en sådan på ett pedagogiskt sätt för att försäkra att alla förstås värdet av implementationen. När implementationen väl är genomförd är det viktigt att resultatpåverkan säkerställs.