AI i praktiken: Civilingenjörsstudenter tränar framtidens modeller

Att få kombinera studier med verkliga forskningsprojekt är en dröm för många studenter. För MHD Anas Alebrahim blev det verklighet när han anställdes för att arbeta med AI-modellträning inom två olika projekt.
– Det första projektet handlar om att bygga en AI-modell som kan identifiera olika typer av vägsprickor. Det andra fokuserar på att känna igen änden av fiberkablar, berättar han.

Vad är egentligen en AI-modell?

Enligt Anas är en AI-modell en matematisk beskrivning av data, ofta i form av en maskininlärnings- eller statistisk modell. När modellen tränats på data kan den användas för att göra prediktioner eller klassificeringar av ny data.
Men att träna en AI-modell kräver mer än bara tekniskt kunnande.
– Man måste förstå det område modellen ska användas inom, kunna programmera, ha goda kunskaper i matematik och statistik, och dessutom kunna hantera data effektivt, förklarar han.

Hur tränas en AI-modell?

Att träna en AI-modell är en process som sker i flera steg. Det börjar med att man formulerar problemet genom att definiera tydliga mål och hur resultatet ska mätas. Därefter samlas data in och märks upp, vilket innebär att man förser datan med information som modellen kan lära sig av. Innan modellen kan tränas behöver datan förbehandlas – det kan handla om att rensa bort felaktigheter, normalisera värden eller hantera saknade uppgifter. När datan är förberedd delas den upp i två delar: ett träningsset som används för att lära modellen, och ett testset som används för att utvärdera hur bra modellen fungerar.
– Tidsplanering är en av de viktigaste faktorerna för att lyckas med att skapa en AI-modell, säger Anas. Det är mycket data som ska märkas, men med struktur och fokus går det bra.
Nästa steg är att välja vilken typ av modell som ska användas, och därefter tränas modellen genom att justera dess parametrar. Slutligen utvärderas modellen och finjusteras för att förbättra dess noggrannhet och prestanda.
Anas roll i projekten är att arbeta med märkning och dataannotering – ett avgörande steg för att AI-modellen ska kunna lära sig känna igen och klassificera olika typer av data.
– Målet är att manuellt skapa en klassificeringsmall som modellen kan tränas på. Ju bättre märkningen är, desto mer exakt blir modellen, säger han.

Utmaningar och insikter

Den största utmaningen? Mängden data.
– Det är mycket som ska märkas, men med god tidsplanering är det hanterbart, säger Anas.
En vanlig arbetsdag innebär koncentrerat arbete framför skärmen, med regelbundna pauser för att undvika ögon- och muskeltrötthet.
– Jag har lärt mig hur viktig tidsplanering är, och jag har fått en djupare förståelse för hur AI-modeller fungerar – särskilt hur små avvikelser i data kan påverka resultatet.
När märkningen är klar kommer handledaren att granska arbetet innan programmeringsfasen tar vid.
– Det känns spännande att vara en del av något som faktiskt kan användas i praktiken, avslutar Anas.