Data & Analysnätverket träff med fokus på datakvalité
Nu är det snart dags för Data & Analysnätverkets andra träff, denna gång ses vi på Fortnox som står värdar för träffen. Tema är datakvalité, vi inleder med ett par exempel på hur olika verksamheter arbetar med datakvalité, därefter har vi tid för dialog och erfarenhetsutbyte.
Första delen av eftermiddagen kommer att bestå av 3-4 presentationer från medlemmar i nätverket om hur de arbetar med datakvalité, vilka utmaningar man stöter på, vilka möjligheter och lösningar man har hittat. Vi har i dagsläget inte valt ut presentationerna så vill du och din verksamhet delta och berätta om ert arbete så mejla diana.unander@lnu.se, arbetsgruppen för nätverket kommer därefter att välja ut presentatörer så vi får en bredd i presentationerna.
Andra delen av eftermiddagen kommer att fokusera på erfarenhetsutbyte. Vi kommer att dela upp oss i mindre grupper och diskutera datakvalité ur olika perspektiv för lära av och inspireras av varandra.
För frågor om dagen kontakta: Diana Unander – diana.unander@lnu.se
Anmäl dig via länken https://forms.gle/r1nVsFFJD8tBGkiQ9 senast 4 september.
OBS! Begränsat antal platser (60), om många från samma organisation anmält sig kan det vara så att alla inte kommer kunna delta pga stort intresse. Vi ser hellre att fler organisationer ges möjlighet att delta och ni internt får dela vidare kunskaper och erfarenheter än att några få organisationer tar upp alla platser.
Språk: Träffen hålls på svenska.
Presentationer
Aspekter av datakvalitet – Welf Löwe, Linnéuniversitetet
Den brittiske matematikern Clive Humby förklarade 2006 att "data är den nya oljan". Liksom olja är den inte användbar i sitt råa tillstånd. Det behöver förfinas, bearbetas och förvandlas till något användbart. Dess värde ligger i dess potential att skapa insikter, tjänster eller produkter, byggda idag oftare än inte med hjälp av AI.
Men denna potential beror också mycket på datakvaliteten eftersom noggrannheten, tillförlitligheten och effektiviteten hos AI-modeller är starkt beroende av kvaliteten på den data som de tränas på. Data av hög kvalitet hjälper till att bygga robusta modeller som generaliserar väl till ny, osynlig data, medan data av dålig kvalitet kan leda till partiska, felaktiga eller missvisande resultat. Under presentationen går vi igenom 12 olika aspekter på datakvalitet. Genom att säkerställa data av hög kvalitet utifrån dessa aspekter kan AI-system bli mer tillförlitliga, rättvisa och effektiva i sina beslutsprocesser.
Från data till beslut: Att säkerställa kvalitet och förtroende – Jonathan Alm, Fortnox
I detta föredrag delar vi hur vi arbetar med att säkerställa hög datakvalitet för att bygga förtroende och möjliggöra datadrivna beslut.
Digitalt öga i industrin – Marcus Nilsson, Gimic
Gimic inför AI i industrin genom att ersätta mänskliga ögon med digitala.
Industrin genomgår en stor digital transformation där AI kommer att spela en stor roll. Automatisering har länge varit en nyckelfaktor för att svensk industri skall vara konkurrenskraftig mot låglöneländer länder.
Gimic automatiserar visuella kvalitetsinspektioner i produktionen med full spårbarhet. Supervised learning tillsammans med Deep Learning har gjort det möjligt att lösa problem som inte var möjligt med tidigare teknik. LNU, Gimic, SKF samt Gunnebo är tillsammans med i ett projekt som undersöker alternativa lösningar med Unsupervised Learning.
Datakvalitet på Telia Crowd Insights - Jonas Ahnstedt, Imeto Consulting AB
Telia Crowd Insights samlar in data hur abonnenterna rör sig mellan masterna i Telias nät för att ta fram anonymiserade dataprodukter. Hur definierar man datakvalitet, och vilka utmaningar finns det att balansera datakvalitet, abonnentanonymitet och affärsvärde i kommersiella dataprodukter? Hur behåller man jämförbarhet över tid när beteenden ändras på grund av säsong, pandemier, när nya basstationer läggs till, och referensdata, kartor, vägsträckningar och till och med busstidtabeller påverkar resultatet?