Så använder vi word embeddings och AI:
från bordsplacering till dataanalys
Att göra den perfekta bordsplaceringen är en utmaning vi alla kan relatera till, oavsett om det är en privat fest eller ett större företagsevent. Vågar jag sätta Anna bredvid Henrik eller kommer hon att bli provocerad av vad han jobbar med? Kanske kan vi placera Joanna vid hörnan där det kan behövas lite mer energi? Det är en svår uppgift och när antalet gäster ökar, växer också komplexiteten exponentiellt.
Jag heter Christian von Koch och arbetar som Senior Machine Learning Engineer här på Elvenite. Tillsammans med min kollega Mikaela Åhlén, Data Scientist, fick vi i uppdrag att skapa en ”optimal” bordsplacering för vår koncernfest med 450 deltagare.
Men vad är egentligen en optimal placering? Genom att använda tekniker som word embeddings inom Natural Language Processing (NLP) kan AI förstå semantiska relationer, till exempel att ”vara ute på sjön” och ”segla” relaterar till varandra även om de använder olika ord. Den här tekniken spelar en stor roll i hur AI kan hantera och optimera komplexa uppgifter, vilket vi kommer att utforska vidare i den här artikeln.
Varför AI är avgörande för att hantera komplexa problem
Så löste vi bordsplaceringen: Optimering med smarta algoritmer
- En kvinna ska helst ha minst en kvinnlig bordsgranne, vice versa för män
- Sprida ut baserat på företag
- Sprida ut baserat på placeringsort
- Sitta i närheten av andra med liknande intressen
- Sitta i närheten av andra i nära ålder
På det här sättet kunde vi få ut en faktisk siffra på hur bra bordsplaceringen var.
För att optimera placeringen såg vi det som ett klassiskt optimeringsproblem: Hur placerar vi ut 450 deltagare för att minimera den totala kostnaden? Algoritmen vi designade för att lösa problemet var relativt enkel, men mycket kraftfull. Den bygger på algoritmisk optimering som kan tillämpas på en rad andra affärsproblem. Genom att använda en algoritm kunde vi snabbt identifiera de bästa möjliga kombinationerna för att minimera kostnader och maximera gästernas upplevelser.
Steg-för-steg: Så optimerade vi bordsplaceringen med vår algoritm
1. Börja med en slumpmässig bordsplacering.
2. Iterera till konvergens/max antal iterationer: Välj ut två slumpmässiga personer och byt plats på dem om kostnaden minskar av bytet, se figur nedan.
3. Byt plats på upp till 4 olika slumpmässiga par av personer. Detta kommer nästan alltid att tillfälligt att öka kostnaden men görs för att komma ur lokala minima i ett försök att komma närmare vårt globala minimum till kostnadsfunktionen.
4. Iterera till konvergens/max antal iterationer: Välj ut två slumpmässiga personer och byt plats på dem om kostnaden minskar av bytet.
5. Undersök om steg 3-4 ledde till ett lokalt minimum associerat med en mindre kostnad.
– Om ja, fortsätt från denna bordsplacering.
– Om nej, gå tillbaka till bordsplaceringen från innan steg 3 genomfördes.
6. Upprepa steg 3-5 till konvergens.
Figur 1: Hur kostnadsfunktionen minskar under optimeringen.
Embeddings och språkmodeller: hur vi matchade intressen bland deltagarna
För att kunna jämföra deltagarnas intressen, som de skrivit i fri text, använde vi en teknik som kallas Natural Language Processing (NLP) och word embeddings. Detta gör att AI kan förstå och tolka ordens underliggande mening, vilket går långt utöver enkel ordmatchning. Jämför till exempel ”Jag gillar att hänga med polare” med ”Umgås med vänner” – även om de innehåller olika ord, kan AI genom word embeddings och NLP analysera den gemensamma meningen och matcha deltagarna med liknande intressen.
Word embeddings representerar ord som vektorer i ett högdimensionellt rum och används för att analysera semantiska relationer. Detta är särskilt värdefullt för företag, då AI kan tolka stora mängder textdata för att dra insikter från kundfeedback, förbättra HR-processer, och till och med förstå trender i marknadsanalyser. Genom att förstå de semantiska relationerna mellan ord kan word embeddings ge företag en mer djupgående förståelse av sina data. Varje ord får koordinater i tusentals dimensioner som algoritmer lärt sig genom att analysera stora mängder text. Orden placeras nära varandra i det högdimensionella rummet om de används i liknande sammanhang.
Till exempel, även om orden ”kung” och ”drottning” inte liknar varandra rent språkligt, beskriver de båda kungliga roller och har liknande relationer till ord som ”tron” och ”krona”. Dessa ord kommer därför att ligga ”nära” varandra i det högdimensionella rummet – se figur 2.
Figur 2: En förenklad bild av orden Kung, Drottning, Äpple i form av embeddings
(här visualiserat i 3D istället för det högdimensionella rummet).
Med en sådan här modell kunde vi omvandla alla deltagares intressen till vektorer och sedan jämföra vinkelskillnaderna mellan dem för att se hur lika intressena var. På så sätt kunde vi matcha någon som gillar ”Rida” och ”brädspel med vänner” med någon vars intressen var ”Hänga i stallet” och ”sällskapsspel”.
Så skapade vår optimerade bordsplacering engagemang och meningsfulla samtal
Hur gick det då efter att vi skapat vårt ramverk för en ”optimal” bordsplacering? Responsen från deltagarna på konferensen var överväldigande positiv. Trots att gästerna satt bland personer från olika företag, städer och i olika åldrar, hade de mycket gemensamt att prata om – tack vare att AI hjälpte oss matcha dem baserat på intressen.
Här är några kommentarer från deltagare:
”Bra jobbat med bordsplaceringen! Det bidrog till att det blev den bästa företagssittningen jag varit på, på flera år!”
”Fantastiskt genomtänkt! Jag hamnade bredvid kollegor jag knappt hade träffat tidigare, men vi hade otroligt mycket gemensamt. Ett mycket lyckat upplägg som verkligen skapade intressanta diskussioner under hela kvällen!”
”Bordsplaceringen var perfekt! Trots att vi kom från olika delar av koncernen och olika avdelningar, kändes det som om vi delade samma intressen och det blev en riktigt rolig kväll!”
Det här visar hur kraften i data, optimering, NLP och AI kan lösa komplexa problem – i detta fall att arrangera en nästan perfekt bordsplacering för 450 deltagare. Och tekniken är långt ifrån begränsad till festplanering.
Om ditt företag står inför komplexa beslut eller behöver analysera stora mängder kundfeedback kan AI-driven beslutsstöd vara lösningen. Med hjälp av tekniker som automatiserad textanalys och word embeddings kan AI hjälpa till att bearbeta data snabbt och ge värdefulla insikter som förbättrar beslutsfattandet.
Kontakta oss om du vill veta mer om smarta AI-lösningar!
På Elvenite har vi lång erfarenhet av att använda AI-lösningar för att lösa komplexa affärsutmaningar. Med våra datadrivna analyser och tekniska expertis kan vi hjälpa ditt företag att fatta smartare beslut och förbättra både interna processer och kundupplevelser. Kontakta oss för att upptäcka hur vi kan implementera dessa lösningar hos er!
Nyheter. Insikter. Omtanke.
RELEX Solutions och Elvenite ingår partnerskap för att leverera kompletta supply chain-lösningar
RELEX Solutions och Elvenite ingår partnerskap för att leverera kompletta supply chain-lösningar Det strategiska partnerskapet kommer att stärka datadrivet beslutsfattande och operativ effektivitet inom den nordiska livsmedelsindustrin Stockholm, Sverige – 18...
Elvenite uppgraderar Snellman till M3 cloud och inleder samarbete på den finska marknaden
Elvenite uppgraderar Snellman till M3 cloud och inleder samarbete på den finska marknaden Vi tar ett viktigt steg in på den finska marknaden genom att uppgradera Snellmans affärssystem till M3 Cloud. Uppgraderingen markerar början på ett spännande samarbete som ger...
Elvenite hållbarhetsrapport 2023
Elvenite hållbarhetsrapport 2023Vi är stolta att presentera Elvenites hållbarhetsrapport för 2023! Under året har vi fokuserat på att förbättra resursanvändningen och minska avfall inom livsmedelsindustrin med hjälp av lösningar som AI-driven utsädesbehandling och...