Maria er Machine Learning Engineer: "Kun få ved, hvad jeg laver"

Maria Jensen har lavet en såkaldt ”Andreas Mogensen”.

Hun har uddannet sig til noget, som ikke findes i det danske uddannelseskatalog. Hun er dog ikke blevet astronaut, men machine learning engineer, og det kræver som regel lidt forklaring, når hun skal fortælle en fremmed, hvad hun laver.

Der er dem, som ikke aner, hvad Machine Learning er. Til dem er Maria Jensens simple svar, at hun hjælper folk med at forstå deres egen virksomhed gennem data.

Og så er der dem, der har læst en artikel eller to for meget om kunstig intelligens. Så spacy er det heller ikke.

“Mange tror, at hvis man er machine learning engineer, arbejder man 100 procent af tiden på at lave neurale netværk, og det er ikke det, vi gør. Meget af tiden handler det om at forstå en forretning, forstå den data, en virksomhed samler op og så finde brugbare mønstre,” forklarer Maria Jensen.

Al den snak om Big Data

For to år siden og midt i sin studietid stiftede Maria Jensen sin egen virksomhed, Neurospace, sammen med Rasmus Steiniche, der er uddannet softwareingeniør. Målet var at klæde industrivirksomheder på til at udnytte data og med at blive mere konkurrencedygtige.

“Det undrede mig altid, at man samler så meget data op, men ikke brugte det til noget. Og med al den her Big Data-snak er der kommet endnu mere forvirring om, hvornår man har nok data til, at man kan begynde at få værdi fra den,” fortæller den 28-årige iværksætter.

“Stort set alle produktionsvirksomheder lever stadig i industri 2.0-æraen, selvom vi allerede er begyndt at snakke industri 5.0.”

Vagthund for varmeforsyning

Senest har Maria Jensen og Neurospace ved hjælp af machine learning lavet en digital vagthund for AffaldVarme Aarhus, som leverer fjernvarme til 90 procent af borgerne i Aarhus Kommune. Målet med vagthunden er at holde øje med uønskede situationer i fjerntliggende dele af deres transmissionssystem, hvor det er ressourcekrævende at sende mennesker.

“En Machine Learning-model har ikke de samme barrierer som et menneske,” forklarer Maria Jensen.

“De kan se på så mange parametre, som vi har brug for i realtid og lave prognoser baseret på det.”

Vagthunden kan således løbende lave prognoser 12 timer frem i tiden baseret på en række parametre som vejr, temperatur og tal fra den enkelte varmeproducent. På baggrund af de informationer kan kontrolrummet sænke temperaturen i transmissionsnetværket, samtidig med at der er en høj nok temperatur og energi til at sikre en pålidelig forsyning. Det sparer både virksomheden penge og gør forsyningen grønnere.

Uddannelse og vej dertil

Det er lidt af en tilfældighed, at Maria Jensen er endt som Machine Learning Engineer.

I 2015 færdiggjorde hun en professionsbachelor i Ernæring og sundhed. Men efter et halvt års lediggang var hun ved at gå ud af sit gode skind.

Hun tog en snak med en studievejleder i Aarhus og fremlagde sine interesser. Så spurgte studievejlederen: Har du hørt om uddannelsen Global Management and Manufacturing?

Her blev Maria Jensen med det samme optaget af statistik. I sine første virksomhedsforløb i affaldsselskabet AFDL og produktionsvirksomheden Dinex kastede hun sig over arbejdet med data. Men det var partneren i Neurospace, der ledte Maria Jensen til machine learning, hvis hun ville bruge sin nyfundne interesse for statistik i produktionsvirksomheder.

Failure is not an option

“Jeg er uddannet til at optimere produktion, og jeg kan ikke finde en bedre måde at gøre det på end at bruge data,” siger Maria Jensen.

Alligevel hænger hendes særlige blanding af datakompetencer og øje for virkeligheden ude i de danske produktionsvirksomheder ikke på træerne.

Sammen med hendes interesse for machine learning har Maria Jensen også groet en stor passion for rumteknologi. Særligt Apollo 13-missionen med den berømte sætning “failure is not an option”, har bidt sig fast. Hun sidder klinet til computeren, hver gang SpaceX og NASA sender deres missioner afsted.

Apollo 13 blev som bekendt ikke en fiasko. Man klarede skærene på grund usædvanlig god forberedelse. Det samme gælder machine learning.

“Jeg plejer at sige, at hvis man skal lave maskinlæring, så er ca. 90 procent af det statistik. En god maskinlæringsmodel er først og fremmest et godt stykke forarbejde med at rense og forstå data,” siger Maria Jensen.