LØRN case C0043 -

Sverre Kjenne

Leder

BaneNor

Slik kan Big Data predikere fremtiden

I denne episoden av #LØRN snakker Sunniva med konserndirektør for digitalisering og teknologi i Bane NOR, Sverre Kjenne, om hvordan den digitale jernbanen skal gi økt sikkerhet og mer effektive reiser. I samtalen deler blant annet Sverre eksempler på hvordan Big Data kan brukes i analytisk prediksjon, og forteller om Bane NORs erfaringer med å begynne kunne forutsi hvilke sporvekslere som kommer til å feile til hvilken tid. I følge Sverre skraper Bane NOR nå bare i overflaten av store muligheter for å kunne reagere mye mer proaktivt enn hva de har mulighet til å gjøre i dag. Sverre resonnerer også rundt de potensielle konsekvensene av at denne teknologien en gang vil kunne nå et presisjonsnivå innen prediksjon som er nærmest feilfritt, og hva for innvirkning dette i så fall vil kunne ha på samfunnet, aktører og konsumenter i markedet.
LØRN case C0043 -

Sverre Kjenne

Leder

BaneNor

Slik kan Big Data predikere fremtiden

I denne episoden av #LØRN snakker Sunniva med konserndirektør for digitalisering og teknologi i Bane NOR, Sverre Kjenne, om hvordan den digitale jernbanen skal gi økt sikkerhet og mer effektive reiser. I samtalen deler blant annet Sverre eksempler på hvordan Big Data kan brukes i analytisk prediksjon, og forteller om Bane NORs erfaringer med å begynne kunne forutsi hvilke sporvekslere som kommer til å feile til hvilken tid. I følge Sverre skraper Bane NOR nå bare i overflaten av store muligheter for å kunne reagere mye mer proaktivt enn hva de har mulighet til å gjøre i dag. Sverre resonnerer også rundt de potensielle konsekvensene av at denne teknologien en gang vil kunne nå et presisjonsnivå innen prediksjon som er nærmest feilfritt, og hva for innvirkning dette i så fall vil kunne ha på samfunnet, aktører og konsumenter i markedet.
Facebook
Twitter
LinkedIn
Email

16 min

Choose your preferred format

SR: Hei du lytter til LØRN. Temaet i dag er BIG data. Jeg heter Sunniva Rose, og med meg for å lære meg om BIG data har jeg Sverre kjenne som er konserndirektør for digitalisering og teknologi i bane nor.

SK: Det er korrekt.

SR: Jeg vil selvfølgelig høre med om bane nor. Men først vil jeg høre; Hva er BIG data?

SK: Et interessant spørsmål er hvor mye data du skal ha før det blir BIG. Du skal ha nok data til å kunne analysere dataen på en fornuftig måte slik at de kan gi deg det resultatet du vil ha. Jeg skal komme inn på eksempler som sier hvorfor store data er interessant for ett firma som bane nor etterhvert. Min drivkraft bak dette er å kunne tilby tog som går punktlig. For å kunne tilby det må vi få bort signalfeil. Signalfeil betyr at ett tog stopper. Og får du først ett tog som stopper så vil du ha mange følgende konsekvenser av dette, som vil gjøre at mange vil oppleve at togene står i ett område. Spørsmålet er om vi kan bli kvitt signalfeil. Her må vi ta utgangspunkt i at vi utstyr som er fra 50-tallet. At alt utstyr skal bli modernisert i en fei, er ikke et alternativ. Vi må gå løs på det vi har. Oppgaven er om vi kan bruke BIG data og maskinlæring til å forutse hvor neste feil vil oppstå slik at vi kan agere før feilen oppstår, slik at den aldri oppsto. Er vi altså i stand til å forutse neste feil. Mantra er «ta feilen før den feiler». Vet vi at om uke vil ha en opphopning i Oslo tunellen som vil medføre togstans, kan vi gjøre noe med feilen nå. Slik at stansen aldri oppstår. Visjonen er å ha ingen signalfeil. Jeg vil vite hvor neste feil oppstår, så vi kan rykke ut å gjøre noe med det. Vi har installert sensorer ute på objektene som vi vet feiler.

SR: Hva objekter?

SK: En veksel for eksempel. Enten går sporet rett fram eller til høyre. Så har vi maskiner som bytter om på sporene fra en posisjon til en annen. Da har du en del elektriske motorer som flytter dette sporet. Der kan det skje mye. De kan gå tørre for olje, det kan komme objekter inn. Alt kan skje som gjør at den ikke klarer å flytte seg. Og ved å finne mønster som sier at noe er i ferd med å utvikle seg på vekslene utgjør det en stor del av signalfeilen.

Rundt 20% av signalfeilene våre kommer fra det å kunne flytte en veksel i fra rett fram til høyre. Da er det veldig enkle ting som kommer i veien, men som er i stand til å se at det bygger seg opp. Det vi gjør er å måle kraft og tid for å se om det har ett mønster som er under oppbygning til å bli en problemstilling. Også har vi satt sammen folk med god kunnskap om å flytte spor med folk som er flinke til å analysere store datamengder, og fått en veldig interessant algoritme ut av dette. Som er i stand til å fortelle oss at feil er i ferd med å oppstå.

SR: Ser man fysisk at det ville skjedd noe?

SK: Det er en sannsynlighets beregning. Og det er lett å rapportere på feil som har oppstått. Og for å bevise at dette funker må man kunne beregne på feil som aldri oppsto. Og den er mer krevende. Derfor har vi tatt med oss et kjent institutt for å komme med uavhengige modeller for å fortelle effekten av det vi holder på med. Bruker du en del penger på noe, ønsker du å bevise for de som kommer med pengene at det har en effekt. Det vi ser er at vi får vekk 50% av feilene vi før ikke greide å ta og vi ser vi har tatt vekk 600 forsinkelsestimer.

SR: Hvor lenge har dere holdt på med denne type digitalisering og analyse i Bane Nor?

SK: Bane Nor har det største budsjettet på dette i Norge. Vi har ett totalbudsjett på 25 milliarder for å digitalisere jernbanen. Det er ett voldsomt engasjement som pågår. Vi har målt på vekslene i 3 år. Vi har hatt samarbeid med Microsoft med spiss kompetanse fra utlandet for å hjelpe oss med maskinlæring. Vi har fått fra å ta enkel feil, til å kunne forutsi med større tidsfaktor når noe vil skje. Det er ikke en premie å komme med en feil etter den har oppstått, heller ikke å komme 5 minutter før. Men en uke er en premie å komme med. Så det å kunne forutsi en tid i forveien. Og det er der big data kommer inn. For oss er Big data at vi samle inn riktig mye data fra alle objektene ute i sporene som er kontinuerlig overvåket, og kontinuerlig leter etter mønster.

SR: Når du sier å digitalisere jern banen er det å samle inn stor datamengde å analysere den du tenker på da?

SK: Det er bare en komponent av det hele. Det vi ellers gjør er å bytte ut samtlige signalsystemer i Norge. Bygger om samtlige tog, tar fram ny togleder-programvare som igjen skal kunne dokumentere avvik ved å bruke intelligens på en annen måte. Så her er det en komplett pakke som tar mer enn 10 minutter å gå igjennom. Men alt fra å bygge ut fibernett, til at vi bygger og moderniserer hele jern banen fra topp til bunn. Det største teknologiske skifte noen gang i jern bane historien.

SR Utenom akkurat dette. Hvorfor er big data spennende?

SK Det er Aha-opplevelsen av å kunne være i stand til å forutsi hva som kommer til å skje, basert på historien. At du har så stor computercraft med relativt enkle virkemidler kan gjøre disse analysene, det er ett gjennombrudd. Før brukte vi teknologien i form av roboter for å erstatte muskelkraft. I dag er det hjernekapasiteten som utvides med det vi holder på med.

SR: Det kan vell også være litt skummelt?

SK: Kompleksitet er ett tema i det vi holder på med.

SR: Det er jo mennesker som står bak å regnes om hva som er en suksess. Algoritmisk «By us» altså at man arver kodene, måtene vi er på. Alt fra rasisme, men også personvern.

SK: Ser du det i det store bildet er dette teknologi som kan brukes godt eller til mindre bra ting. Ser du på land som bruker det for å kategorisere mennesker, så får det en del ubehagelige effekter. Bruker du det for å dokumentere hvorvidt du er en god borger, som Kina. Så er det en veldig betenkelig situasjon.

SR: Har du noen andre favoritt eksempler på big data?

SK: Jeg lar meg imponere av google og Amazone. Nå når de sender ting til deg før du har bestilt det, fordi de regner med du kommer til å bestille det og det er i så stor grad av treffsikkerhet på det at de tar risikoen på at du returnerer det på deres kost så blir jeg imponert. Den evnen til å komme med ting til deg, som du ikke selv vet du kommer til å be om. Det fascinerer.

SR: Mange synes det er skummelt. Jeg tror det er viktig for å lære programmering og faktisk skjønne hva som foregår bak. Hvor kan lytterne lese å gjøre eller se for å lære med om big data?

SK: Veldig mange plasser finner man litteratur om anvendt bruk av dette. Jeg tror en nøkkel er å finne enkle områder. Ser du på dokumentasjon hos Microsoft og andre store kan du lese om hvordan firma anvender stor data, maskin læring på en praktisk måte.

Det er ikke mangel på informasjon, utfordringen ligger i å være selektiv.

SR: Hvis lytterne skal sitte igjen med to hovedpoenger fra denne samtalen, hva bør de sitte igjen med?

SK: At teknologi for å kunne forutse med stor grad av sannsynlighet hva som skjer i morgen, basert på hva som skjedde i går er tilgjengelig nå til en kostnad som er overkommelig. Programvaren er også tilgjengelig som gjør at det å kunne si hvor neste feil kommer til å oppstå på jernbanen er mulig

SR: Tusentakk for at du kom hit og delte kunnskapen din Sverre Kjenne. Og tusen takk til deg som lyttet.


SK: Selv takk.

Hva gjør dere på jobben?

Vi knytter Norge sammen med jernbane.

Hva er greia med big data?

Store datamengder gjør det mulig å finne mønstre som forteller oss noe om hva som sannsynligvis kommer til å skje.

Hvorfor er det spennende?

Forståelse for hva som sannsynligvis kommer til å skje gir mulighet til å gripe inn og skape en «alternativ fremtid», hvor man kan unngå den episoden eller feilen som muligens kunne skjedd.

Hvorfor er det skummelt?

Det blir noen få store spillere som Amazon som får en enorm påvirkningskraft i markedet og monopol over tid.

Ditt beste eksempel på big data?

Min favoritt er Bane NORs erfaringer med å forutsi hvilke sporvekslere som kommer til å feile. Vi skraper bare i overflaten av store muligheter for å kunne reagere mye per proaktivt enn vi gjør i dag.

Dine andre favoritteksempler på big data, internasjonalt og nasjonalt?

Vanskelig å komme forbi Amazon og deres innsamling av data for å tilby produkter som de mener du ønsker.

Hvordan funker det egentlig?

Statistisk korrelering – ser etter mønstre i store datamengder som har gitt en tidligere effekt.

Hva gjør vi unikt godt i Norge av dette?

I jernbanesammenheng har vi vært relativt flinke til å gjøre en praktisk anvendelse som gir gode resultater.

Et kort big data-sitat?

Bane NOR tar feilen før den feiler.

Sverre Kjenne
Leder
BaneNor
CASE ID: C0043
TEMA: AI AND BIG DATA TECHNOLOGY
DATE : 181012
DURATION : 16 min
YOU WILL LØRN ABOUT:
Konsepter i big data Praktisk bruk av big data
QUOTE
"Store datamengder gjør det mulig å finne mønstre som forteller oss noe om hva som sannsynligvis kommer til å skje."
More Cases in topic of AI AND BIG DATA TECHNOLOGY
#C0045
AI AND BIG DATA TECHNOLOGY
Digitale tvillinger

Michael Link

Forsker

Kongsberg

#C0044
AI AND BIG DATA TECHNOLOGY
Big Data og geometrisk modellering

Heidi Dahl

Forsker

Sintef

#C0042
AI AND BIG DATA TECHNOLOGY
Data som beskriver den industrielle virkeligheten

Geir Engdahl

CTO

Cognite