Christer Norströms presentation under SICS Open House 2018 handlade om hans intelligenta träningstjänst Racefox. Den stödjer individanpassad uthållighetsträning för löpare och längdåkare. Arkitekturen och kraven på Intelligenta träningsassistenter ligger ungefär halvvägs mellan ”vanlig” konsument-IT (gadgets) och företags-IT (mission critical).Expertanvändare i gränslandet
Med tiden har Racefoxs logik utökats med skadeförebyggande eller –rehabiliterande inslag i träningen, i realtid, och då landar vi i gränslandet: expertkonsumenter minst lika pålästa om sin nischproblematik som processägaren på ett företag är om sin. Höga krav på tillförlitlighet, snabbhet (RT), exakthet. Samtidigt högt ställda förväntningar på att behålla kunderna (Racefox är uppe in en customer-retention faktor efter 1 år på 95%).
Arkitektur och arkitektroll
Autonoma Machine Learning (ML) system är ofta indelade i fyra lager, inte så olikt RT-system:
1. Perception (från input genom t ex Racefox kroppssensorer eller bilens givare)
2. Mönsterigenkänning (t ex kroppsställning och stavtag hos Racefox eller ojämn gång i en motor)
3. Analys, resonemang, beslut (dvs mönsterutvärdering och val av nästa steg)
4. Direkt åtgärd (t ex minska varvtal) eller interaktion (t ex varning genom genererad röst i skidlöparens hörsnäcka, eller ett anrop på bilverkstadens diagnostiksystem över Internet of Things).
Varje lager kan innehålla även ML-komponenter (t ex neurala nätverk tränade för sin nisch). Det gör en stor och trogen användarbas extra intressant, eftersom systemet blir smartare med tiden då det lär av allt längre tidsserier data från alltfler individer.
Bästa bakgrunden för en arkitekt blir då kunskap om domänen, om affären, om ML, om varje lager, och om samspelet mellan dem. Christer Norström kallade rollen value architect.