Genrebild till artikel om Henrik Linussons avhandling. Bilden föreställer ambulans under utryckning
Maskininlärning kan hjälpa oss att fatta bättre beslut i osäkra situationer, till exempel inom vården. Foto: Ian Taylor, Unsplash.


Spåkulor och teblad i all ära – det finns faktiskt bättre sätt att förutsäga framtiden. ”Conformal prediction” kan vara en väg, anser Henrik Linusson. Han disputerade på Institutionen för data- och systemvetenskap (DSV) vid Stockholms universitet i början av sommaren.

– I min avhandling både kritiserar och förbättrar jag conformal prediction-ramverket. Min förhoppning är att göra ett svårgenomträngligt och tekniskt område mer tillgängligt – för både forskare och lekmän, säger Henrik Linusson.

För många forskningsområden inom maskininlärning och AI saknas vedertagna svenska begrepp. Så är det också för conformal prediction, förklarar han. Området handlar om slutledning under osäkerhet, och hur vi kan bli mer säkra på hur framtiden kommer att se ut.

– Ramverket grundar sig i en idé om att förstärka existerande metoder för statistisk inferens, det vill säga att göra prediktioner – förutsägelser – om framtida händelser baserade på historiska data. Rent krasst handlar det om att hitta samband mellan olika typer av mätvärden. Man vill estimera ett värde baserat på annan mätdata.

Tänk dig att du ska göra en prisbedömning av en bostadsrätt. Då kan sådant som bostadsarea, läge och närhet till sjö eller hav tänkas påverka priset, men inte tvärtom. Även om du betalar extra mycket för en lägenhet kommer den varken bli större eller hamna närmare skärgården. Henrik Linusson förklarar det som en riktning; från saker som påverkar – input – till saker som påverkas – output.

Porträttbild på Henrik Linusson, Institutionen för data- och systemvetenskap, SU
Henrik Linusson disputerade i juni 2021. Foto: Privat.


Extra säkra prognoser

Ett annat exempel är väderprognoser. Beroende på vindarnas riktning, och hur temperatur och nederbörd ser ut i närliggande områden, går det att få en prognos för hur soligt eller regnigt det kommer att vara i ett visst område de kommande timmarna.

– Conformal prediction handlar om att få en extra nivå av säkerhet i prognoserna. Från modeller skapade med maskininlärningsmetoder kan man få prediktioner som ”priset på bostadsrätten bör vara 4 miljoner” eller ”i morgon kommer det regna”. Men i många fall vill vi gärna ha mer information än så. Vi vet ju inte hur bra estimatet från vår maskininlärningsmodell är.

– Med hjälp av conformal prediction kan man översätta den här typen av prediktioner till ett annat format. Då får man i stället utsagor som: ”Med 95 procents sannolikhet bör priset på bostadsrätten bli mellan 3,5 och 4,5 miljoner kronor” eller ”i morgon kommer det med 99 procents sannolikhet att vara soligt”, säger Henrik Linusson.
 

Tillämpning inom sjukvården

Conformal prediction kan framstå som abstrakt och teoretiskt, men faktum är att algoritmerna kan ha avgörande betydelse för människors liv. Det är då de blir som mest intressanta, menar Henrik Linusson, och exemplifierar med medicinsk diagnos.

– Prognoser som ”i morgon kommer det kanske regna” kontra ”i morgon kommer det med 99 procents sannolikhet att regna” kan tyckas triviala. Men utsagor som ”den här patienten är kanske sjuk” kontra ”den här patienten är med 99 procents sannolikhet sjuk” ger väldigt olika intryck.

Att han valde att studera vidare inom artificiell intelligens och maskininlärning var något av en slump. Men så här i efterhand är han väldigt glad över det.

– Jag ser conformal prediction och närliggande teorier som ett av de viktigaste utvecklingsområdena inom maskininlärning de senaste decennierna.

– Generellt blir vi bättre och bättre på att göra träffsäkra prediktioner med de metoder vi utvecklar inom maskininlärning. Conformal prediction kompletterar den utvecklingen, och erbjuder en helt annan dimension av beslutsstöd i individuella situationer, säger Henrik Linusson.

Kontakta henrik.linusson@hb.se

 

Mer om Henriks forskning

Henrik Linusson disputerade på Institutionen för data- och systemvetenskap (DSV) vid Stockholms universitet 14 juni 2021.

Avhandlingen har titeln ”Nonconformity Measures and Ensemble Strategies: An Analysis of Conformal Predictor Efficiency and Validity” och kan laddas ner som PDF.

Under avhandlingsarbetet var Henrik Linusson också knuten till sektionen för informationsteknologi på Högskolan i Borås. Handledare var Ulf Johansson, Högskolan i Jönköping, och Henrik Boström, KTH.

I dag arbetar Henrik Linusson som data scientist inom privat sektor, på mjukvaruföretaget Ekkono. I tjänsten ingår en del forskning. Den handlar främst om att utveckla maskininlärningsalgoritmer som kan användas inom industrin.

”Jag vill absolut forska mer framöver, men är lite kluven till när, var och hur det ska ske. Jag tycker fortfarande att fältet conformal prediction är intressant. Det finns mycket att hämta från personer och idéer som flyter runt den tankesfären”, säger Henrik Linusson.