- Forklaringsstrategien vår gjør det faktisk mulig å gi forklaringer uten å måtte "deploye" modellen. Så man slipper å måtte knote med GPU-er i produksjon, sier Patrik Hammersborg, datateknologistudent ved NTNU, til kode24.
Han er en av utviklerne bak Vinorakelet - en tjeneste for å vurdere vinene du finner på polet.
Mer teknisk sagt: Det er en maskinlæringsmodell som predikerer skårer på viner slik at de matcher skårene på Aperitif.no, og forklarer skåren basert på informasjonen som blir brukt.
Det hele er basert på teknisk data som er tilgjengelig gjennom Vinmonopolet.
Sånn veit Ruter-appen hvor mange folk det er på bussen du skal ta i morgen
Vant beste presentasjon
Ifølge Hammersborg, som skriver masteroppgave om forklarbar AI, har Vinorakelet sitt utgangspunkt i emnet "Eksperter i Team" ved NTNU.
- Gruppen vår laget en modell som predikerer skårer basert på vindata , og utviklet en metode for å forklare denne. Vi gikk ganske dypt på evalueringen av forklaringene, og snakket med en del vineksperter for å se om forklaringene faktisk holdt vann, sier han.
Han legger til at et par av dem tok prosjektet videre.
- Med mye støtte fra veilederen vår, Inga Strümke, endte Andreas von Brandis og jeg opp med å presentere det vi hadde gjort på NORA 22, og vant beste presentasjon for det.
Har brukt TensorFlow
Hammersborg forteller at han hadde slengt sammen en liten demoside til eget bruk.
- Men det var først da jeg tenkte at det hadde vært ekstremt kult gjøre det allment tilgjengelig. Både som et kult prosjekt med tanke på vin, men også som et eksempel på at AI-prediksjoner, og for så vidt vinanmeldelser også, faktisk kan forklares.
- Hvilke teknologier har blitt brukt?
- For maskinlæringsdelen er det mange av klassikerne: TensorFlow for modellen, med SHAP for å lage forklaringene. Web-delen er bare et Flask-API med en lett og ledig VueJS-frontend, med litt ekstra for å for eksempel kunne skanne QR-koder for viner på Vinmonopolet.
Henriks hobbyprosjekt avslørte fjernede Joe Rogan-episoder, gikk viralt
Støtte på utfordring
Ifølge Hammersborg var den største utfordringen under utviklingen å få modellen til å kunne produsere forklaringer for viner den ikke hadde sett før.
- Vi trener modellen basert på anmelderskårer, men det er ikke alle vinene hos Vinmonopolet som har fått en anmeldelse.
Han legger til at dette normalt er noe en slik modell klarer fint.
- Men på grunn av tekniske detaljer i hvordan forklaringsstrategien fungerer, sliter den i utgangspunktet med å predikere skårer, for eksempel viner som kommer fra regioner den ikke har sett før.
Hammersborg sier at løsningen ble å "pre-trene" embedder-delen av nettverket.
- Alt i alt betyr dette at man nå kan få forklaringer samtlige viner som kan kjøpes fra Vinmonopolet!
