LØRN Case #C0049
Mennesket i grensesnittet mot teknologi
I denne episoden av #LØRN snakker Sunniva med direktør for forretningsutvikling i Skala, Heidi Moseng, om autonomi, kamerabasert sensorikk og hva vi er unikt gode på her i Norge. Heidi Moseng forteller om sin bransje, industrien, og hvordan Big Data gir den økt produktivitet. Videre diskuterer hun hvordan industriell raffinering og lokal produksjon er spesielt viktige for et høykostland som Norge, og at det sammen med Big Data bidrar til spennende verdiskapning.

Heidi Moseng

Dir Forretnings Utv

Skala

"Bigdata er basisgrunnlaget for analytisk teknologi, beslutningsstøtte og kunstig intelligens. De store, innholdsrike datamengdene gir systemene bedre og bedre læringsmuligheter og bedre beslutninger."

Varighet: 16 min

LYTTE

Ta quiz og få læringsbevis

0.00

Du må være medlem for å ta quiz

Ferdig med quiz?

Besvar refleksjonsoppgave

Hvem er du, og hvordan ble du interessert i big data?

Jeg har jobbet med automatisering av industrien og vært med på å utvikle / sette i system konsepter for industrioptimalisering i store deler av karrieren. Jeg fikk tidlig en interesse for å gjøre data vi hadde tilgang til, om til nyttig informasjon for mennesker i arbeid – herunder sammenstilling av ulik type data både fra produksjonen, administrasjonen og eksterne data.

Hva gjør dere på jobben?

Vi designer og utvikler industrielle systemløsninger, støtteverktøy og styringssystemer for ulike industrier, særlig industri der hygiene spiller en stor rolle. Det er sammensatte data som gir systemene input til autonome beslutninger. Vi fokuserer også på å gi brukere som operatøren de beste forutsetningene for å gjøre en god jobb. Da trenger vi data fra hele miljøet operatøren virker i, og et kontrollroms luftkvalitet, lysforhold, helsedata og interaksjonshastighet er en del av dette bildet.

Hvorfor er det så spennende?

Big data er basisgrunnlaget for analytisk teknologi, beslutningsstøtte og kunstig intelligens. De store, innholdsrike datamengdene gir systemene stadig bedre læringsmuligheter og evne til å ta bedre beslutninger. I vår bransje, industrien, gir det økt produktivitet.

Hvorfor kan det være skummelt?

Det er flere potensielt skumle aspekter med big data. Det ene er selvsagt personlige data og data på avveie, noe annet er mangelfulle datasett (og dermed mangelfulle innlærte algoritmer for autonome systemer).

Ditt beste eksempel på big data?

At en fullskala produksjonsbedrift kan representeres virtuelt via det vi kaller en digital tvilling. 3D-modellering med VR ligger i bunnen. Dette eksiteres med et fullt og bredt datasett som representerer påvirkningen produksjonen vil oppleve normalt og unntaksvis.

Har du andre gode eksempler på big data, internasjonalt og nasjonalt?

Autonome fartøyer/selvkjørende skip.

Hvordan funker det egentlig?

Gjennom internett, tings-tilknyttede enheter, værdata, data samlet inn via apper (våre data), og data fra for eksempel produksjonen, er det teknologisk ikke lenger noen begrensning på hva slags type data som kan samles inn. Dataene lagres på servere i større datasentre og aksesseres gjerne via skybaserte oppkoblinger. Denne dataen har ingen nytteverdi i seg selv, men koplet til systemer som sammenstiller data, analyserer, ser mønstre og ut fra dette genererer god beslutningsstøtte eller automatiserte aksjoner, kan vi snakke om en disruptiv teknologi.

Er det noe vi gjør her i Norge som er unikt?

For industrien i Norge har vi utviklet svært spennende miljøer som satser på autonomi og ligger i forkant når det gjelder teknologiutviklingen. Dette er rene forskningsmiljøer, men også bedrifter knyttet til maritim næring (autonome fartøy) og olje- og gassindustrien. Selv representerer jeg et miljø som er på full fart inn i denne utviklingen, og som jobber mot næringsmiddelindustrien.

Hvem er du, og hvordan ble du interessert i big data?

Jeg har jobbet med automatisering av industrien og vært med på å utvikle / sette i system konsepter for industrioptimalisering i store deler av karrieren. Jeg fikk tidlig en interesse for å gjøre data vi hadde tilgang til, om til nyttig informasjon for mennesker i arbeid – herunder sammenstilling av ulik type data både fra produksjonen, administrasjonen og eksterne data.

Hva gjør dere på jobben?

Vi designer og utvikler industrielle systemløsninger, støtteverktøy og styringssystemer for ulike industrier, særlig industri der hygiene spiller en stor rolle. Det er sammensatte data som gir systemene input til autonome beslutninger. Vi fokuserer også på å gi brukere som operatøren de beste forutsetningene for å gjøre en god jobb. Da trenger vi data fra hele miljøet operatøren virker i, og et kontrollroms luftkvalitet, lysforhold, helsedata og interaksjonshastighet er en del av dette bildet.

Hvorfor er det så spennende?

Big data er basisgrunnlaget for analytisk teknologi, beslutningsstøtte og kunstig intelligens. De store, innholdsrike datamengdene gir systemene stadig bedre læringsmuligheter og evne til å ta bedre beslutninger. I vår bransje, industrien, gir det økt produktivitet.

Hvorfor kan det være skummelt?

Det er flere potensielt skumle aspekter med big data. Det ene er selvsagt personlige data og data på avveie, noe annet er mangelfulle datasett (og dermed mangelfulle innlærte algoritmer for autonome systemer).

Ditt beste eksempel på big data?

At en fullskala produksjonsbedrift kan representeres virtuelt via det vi kaller en digital tvilling. 3D-modellering med VR ligger i bunnen. Dette eksiteres med et fullt og bredt datasett som representerer påvirkningen produksjonen vil oppleve normalt og unntaksvis.

Har du andre gode eksempler på big data, internasjonalt og nasjonalt?

Autonome fartøyer/selvkjørende skip.

Hvordan funker det egentlig?

Gjennom internett, tings-tilknyttede enheter, værdata, data samlet inn via apper (våre data), og data fra for eksempel produksjonen, er det teknologisk ikke lenger noen begrensning på hva slags type data som kan samles inn. Dataene lagres på servere i større datasentre og aksesseres gjerne via skybaserte oppkoblinger. Denne dataen har ingen nytteverdi i seg selv, men koplet til systemer som sammenstiller data, analyserer, ser mønstre og ut fra dette genererer god beslutningsstøtte eller automatiserte aksjoner, kan vi snakke om en disruptiv teknologi.

Er det noe vi gjør her i Norge som er unikt?

For industrien i Norge har vi utviklet svært spennende miljøer som satser på autonomi og ligger i forkant når det gjelder teknologiutviklingen. Dette er rene forskningsmiljøer, men også bedrifter knyttet til maritim næring (autonome fartøy) og olje- og gassindustrien. Selv representerer jeg et miljø som er på full fart inn i denne utviklingen, og som jobber mot næringsmiddelindustrien.

Vis mer
Tema: AI- og datadrevne plattformer
Organisasjon: Skala
Perspektiv: Mindre bedrift
Dato: 181012
Sted: OSLO
Vert: SR

Dette er hva du vil lære:


Big Data Industrielle systemløsninger

Del denne Casen

Din neste LØRNing

Din neste LØRNing

Din neste LØRNing

Dette er LØRN Cases

En LØRN CASE er en kort og praktisk, lett og morsom, innovasjonshistorie. Den er fortalt på 30 minutter, er samtalebasert, og virker like bra som podkast, video eller tekst. Lytt og lær der det passer deg best! Vi dekker 15 tematiske områder om teknologi, innovasjon og ledelse, og 10 perspektiver som gründer, forsker etc. På denne siden kan du lytte, se eller lese gratis, men vi anbefaler deg å registrere deg, slik at vi kan lage personaliserte læringsstier for nettopp deg. 

Vi vil gjerne hjelpe deg komme i gang og fortsette å drive med livslang læring.

En LØRN CASE er en kort og praktisk, lett og morsom, innovasjonshistorie. Den er fortalt på 30 minutter, er samtalebasert, og virker like bra som podkast, video eller tekst. Lytt og lær der det passer deg best! Vi dekker 15 tematiske områder om teknologi, innovasjon og ledelse, og 10 perspektiver som gründer, forsker etc. På denne siden kan du lytte, se eller lese gratis, men vi anbefaler deg å registrere deg, slik at vi kan lage personaliserte læringsstier for nettopp deg. Vi vil gjerne hjelpe deg komme i gang og fortsette å drive med livslang læring.

Vis

Flere caser i samme tema

More Cases in the same topic

#C0043
AI- og datadrevne plattformer

Sverre Kjenne

Leder

BaneNor

#C0042
AI- og datadrevne plattformer

Geir Engdahl

CTO

Cognite

#C0045
AI- og datadrevne plattformer

Michael Link

Forsker

Kongsberg

Utskrift av samtalen: Mennesket i grensesnittet mot teknologi

Velkommen til Lørn.Tech – en læringsdugnad om teknologi og samfunn med Silvija Seres, Sunniva Rose og venner.

 

Sunniva Rose: Hei! Du lytter til Lørn. I dag er temaet Big.Data og sammen med meg for å lære meg mer om Big.Data har jeg Heidi Moseng som er Direktør for forretningsutvikling i Skala AS.

 

Heidi Moseng: Det stemmer. Hei, hei!

 

Sunniva: Først vil jeg bare starte med; hva er Big.Data?

 

Heidi: Ja. Big.Data er jo et begrep vi høre veldig mye i dag. Nå jobber jeg mot industrien så det tenkte jeg å komme spesifikt innpå. Og i den forbindelse så er jo Big.Data en tarm som tar for seg å samle opp store datamengder og i dag har vi teknologi til å kunne lagre disse store datamengdene.

 

Sunniva: For det er nytt nå. Nå kan vi faktisk lagre disse mengdene.

Heidi: Det stemmer. Og når man tenker på skybasert lagring, så er det egentlig tilgangen av disse dataene da via internett gjerne og de store Datasentrene hvor disse dataene finnes. Så man har muligheten til å få tak i store datasett å lagre disse teknologiene med, men så er det også sensorteknologi igjen og da er det liksom det Internet of Things,  Industrial Internet of Things som vi snakker om min bransje, som er viktig. Utvikling av sensorteknologi parallelt og der skjer det mye spennende også i Norge.

 

Sunniva: Får vi produsert så store datamengder sånn at vi har det?

 

Heidi: Det stemmer. De type data vi ønsker å få inn som for eksempel å se på helsen til yngel og smolt i et kar er jo et eksempel på det da. Hva slags sensorer må man ha for å ta dette inn for å kunne analysere det. Og da er vi inne på den tredje tingen og der er også teknologien med oss nå der vi snakker om Big.Data så må det også være en hjerne i det.   Du kan snakke om at blodårer og venesystemet er den datamengden, og så har du hjernen som eksekverer, sammenstiller og finne mønstrene. Det er det mange som er inne på her i dag - mange gode podcaster. Det er også en utvikling innenfor denne teknologi hvor man kan se læringsbaserte systemer som kanskje sammen med mennesker da finner gode mønstere.

Sunniva: Når du sier læringsbaserte systemer; er du da inne på disse algoritmen om hvordan vi analyserer de store datamengdene? 

 

Heidi: Ja. Og det kan være disse Deep learning systemene man snakker mye om nå. Det kan også være andre type statistiske metoder, eller metoder for å sette denne dataen i kontekst og utnytte den til det man trenger eller ønsker da. Og det gjøres også i stort mål innenfor industrien og der er det en kjempe utvikling.

 

Sunniva: Hvordan er det dere bruker Big.Data i skala?

 

Heidi: Mitt forhold til det, altså, i mange så har jeg jobbet med automatisering i industrien og fikk veldig fort interesse for brukerstøtte, gode verktøy for brukeren og vi jobber spesifikt med det i Skala i dag om hvordan kan vi optimalisere produksjonen, hvordan kan vi automatisere den på en sånn måte at vi har muligheten til å ha produksjon i Norge.

 

Sunniva: Produksjon av hva? Av hva som helst? 

 

Heidi: Ja. Nå jobber vi i Skala veldig mye mot hygienerelatert produksjon. Det er det vi er eksperter på. Kommer fra matindustrien. I dag ikke bare landbasert mat industri, eller  flytende som også har vært lenge, men også ut mot den ”blå næringen” som er i kjempevekst.

Sunniva: Den blå næring er det da hav? 

 

Heidi: Og da tenker vi biomasse i havet for eksempel, ja. Og alt som er aqua innen oppdrett og fangst av fisk. Det skjer mye der også i forhold til databruk og det å analysere data. Så det er et stort felt som er under oppsvinget Norge, og der tenker jeg at vi kan gjøre veldig mye. Og det er mange gode miljøer i Norge som både forske på dette og er med på å sette disse forskningsprosjektene i et TLR-nivå, altså et nivå som kan bli et produkt og realisere et produkt ut av forskning.

 

Sunniva: Hva er TLR?

 

Heidi: Det er en sånn ReadyNAS skala kan du si for at produktet kan settes inn i, for eksempel, en kommersiell produksjon. Og spesielt på den biten. I dag samarbeider vi med ulike forskningsmiljøer som jobber i grensesnittet mot forskning og innovasjon i forhold til disse automatiserte konseptene for ulike type industri.

 

Sunniva: Er det noe vi er unikt gode på i Norge og har et unikt fortrinn med i denne sammenhengen?

 

Heidi: Ja, der tenker jeg at vi i mange år har hatt veldig gode miljøer inn mot maritim og olje og gass. Og at det miljøet som nå utvikler seg videre da. Også med bruk av Big.Data. Jeg må si at Kongsberg Gruppen for eksempel er et veldig godt eksempel på det. Og de er jo også inne i prosjekter rundt selvstyrte fartøy og autonomi innenfor skip og det er veldig spennende. Spesielt innenfor ferge tenker jeg det er mye som kan gjøres. Det er gode studentprosjekter også på det på NTNU vet jeg. Så det gjøres veldig mye innenfor autonomi da. Forskning nå innenfor den sånn mat-baserte blå næringen hvor man utnytter biomasse så trenger man ny sensorteknologi som det forskes ganske mye på. Vi er inne i et forskningsprosjekt hvor man ser på kamerabasert sensorikk og utvikling av det i samarbeide med forskningsinstitusjoner og en sluttkunde. 

 

Sunniva: Når du sier kamerabasert sensor;  betyr det da at du tar bilder av fisk eller?

 

Heidi: Ja, det stemmer. Så det er en forbedring av sensoren og analysesystemet - eller bildebehandlingen.

Sunniva: Sånn som da det kameraet?

Heidi: Ja, stemmer. Som da kan overvåke miljøet; la oss i der fisk eller smolt eller yngel utvikler seg da. Da kan man se på sånt som om foringsmengden er optimalt. Og i en del av disse prosjektene – det finnes flere av de – så kan man også se bevegelse og atferd til fisken. Man kan se om de er i ferd med å spise, om de er mett, man kan se atferdsmønsteret generelt,

Sunniva: Man kan vel oppdage sykdom og?

 

Heidi: Ja. Og man kan også se på hvordan vannkvaliteten er, hvordan er forholdene for denne fisken. Og det her gir jo da muligheten til å utvikle denne næringen videre. Og jeg tenker på fiskevelferd, men også det å få mest ut av for eksempel en foringsautomat. Det er også noe vi jobber ganske mye med sånne foringssystemer til sånn type industri. Så det er et eksempel på at teknologien på sensorsiden – nå vet jeg at dere skal ha noen podcaster om IoT, og det går litt parallelt med det her Big.Data begrepet da. 

 

Sunniva: Absolutt. Det er mye her som går inn i hverandre som Kunstig Intelligens, IoT osv. 

 

Heidi: Nå er dette på full fart inn og det er mye som gjøres. Det er så mye man kan få til. Det er spennende aspektre med det.

 

Sunniva: Ja, men hva tenker du er skummelt med det?

Heidi: Det er en god del skumle ting i forhold til personvern og bruk av data. Kunne jeg prediktere hva jeg ønsker meg i neste trinn – det synes ikke jeg er så spennende. Men sånn for samfunnet generelt er det veldig mye bra med den prediktive delen av det i forhold til helse for eksempel om at eldre kan bo hjemme. Det er masse du kan bruke sånne systemer til som analysere data for svikt og personvern. 

 

Sunniva: Personvern er det også flere som har nevnt. 

 

Heidi: Men jeg er veldig opptatt av mennesket i dette Big.Data begrepet. Det jobber vi spesielt med å utvikle systemer for. Noe som jeg har brent for i hele min karriere at i en produksjonsbedrift - også da industrien - så trenger vi mennesker i arbeidet. Og med den fjerde industrielle revolusjonen så trenger vi fortsatt mennesker i arbeid, men de har muligheten til å få mye bedre beslutningsstøtteverktøy og også et mye bedre miljø og jobbe i når vi bruker data på en god måte. Det gjelder jo også helsen til operatøren og det tekniske personellet i et kontrollrom med at man kan overvåke luftkvalitet og justere den,  man kan overvåke lys og se hvordan øyne reagerer, man kan justere avstand til skjermer og man kan få de til å ta den optimale beslutningen ut ifra at miljøet er bra rundt operatøren. Og det forskes det mye på. Human factors heter der. Og det er også noe vi er veldig opptatt av - ikke bare plante disse industrielle styresystemer med mer automatikk, men også får brukeren til å spille optimalt.

 

Sunniva: Så hvis vi kort skal oppsummere så er du på at det at Big.Data og den fjernindustrille revolusjonen ikke skal ertsatte menneskene, men gi masse ekstra støtte til beslutninger, helsen til arbeidere og andre?

 

Heidi: Ja. Jobbe for det gode og bruke det sånn så er dette en veldig spennende utvikling! 

 

Sunniva: Men man kan helt klart se for seg hvordan det kan misbrukes når det brukes på å predikere negativ oppførsel osv hos enkelt individer.

Heidi: Ja. Det kan det.

Sunniva: Men har du et favoritt eksempel på Big.Data hvis du kan frigjøre deg fra Skala – du må ikke, men du kan? 

 

Heidi: Da tenker jeg på noe av det vi forsker på i Norge innenfor autonomi og dette med disse fartøyene som er veldig spennende. Det vil gjøre en forskjell. Fartøy er en stor enhet som ganske konkret vil synes i verdensmålestokk. Så jeg er stolt av at vi har miljøer som får frem det i Norge.

Sunniva: Når du nevner fartøy, er du da spesielt inne på ferger eller er du på biler og annet? 

 

Heidi: Jeg tenker spesielt innenfor den blå næringen eller innenfor maritim. Du har ferge som kan gå på vannet. Jeg er litt mer redd for tungtransport og lastebiler som skal kunne kjøre og ta avgjørelser for seg selv på vei hjem fordi trenger ikke bare sensorikk og bearbeiding av data som selve fartøyet finner, de trenger kanskje også da skybasert lagrede data og deep learning algoritmer der og kombinere de. Og så skal vi ta gode avgjørelser der! Det kjenner jeg skremme meg. 

 

Sunniva: Men la oss snakke om for eksempel disse fergene. Hvordan fungerer det egentlig med Big.Data da? Hvordan henger det sammen?

Heidi: Nå er ikke det mitt ekspert område, men det er klart at de må ha mange forskjellige typer data. Det er de nødt til å ha om farvannet rundt og omgivelsene for å kunne styres optimalt.  Spesielt det med å se hindringer i tide og kunne ta aksjoner i forhold til det er jo kjempe viktig. En bitte liten båt eller en kajakk i forhold til et stort fartøy i en sånn situasjon, belager at tross størrelse må de kunne manøvrere på en god måte. Så det er spennende. Så vet jeg også at det skjer ganske mye innenfor annen type skipstrafikk hvor man har produserende enheter som er litt vår spesiale. På disse båtene som for eksempel tar opp og fileterer fisk, og også utnytter restråstoff og rett og slett gjør alt på denne båten, også de trenger å vite hvor fangstfeltene er. Og det er jo også veldig spennende det at man kan bruke Sonar-systemer og avanserte systemer på å finne hvor båten skal gå next. Til og med da kunne tune inn basert på den gode databruken der da; hvordan produksjonen skal stå i en slags hvile eller være beredt til å komme ut sin neste felt.

Sunniva: Da samler man data på båten og det er det som er den produserende enheten her, og da bruker det til å se hvor den skal gå hen for å finne fisk for eksempel?

 

Heidi: Ja. Som er et eksempel på det, og der er det data som da kan blandes med det som er data fra bro-systemer, data fra selve prosessen, energiproduksjon ombord på skip og vann som er knappe faktorer,  også kan man balansere det hele. Der er det også en rivende utvikling innenfor det, og det forskes det mye på. 

 

Sunniva: Nå skal vi snart begynne å runde av, men du har også sagt at mangelfulle datasett er noe du synes er skummelt.  Hva mener du med det?

Heidi: Det skal jo mye til å sense all data fra miljø. La oss i et selvkjørende fartøy igjen for å finne all den dataen som er relevant for å ta de rette avgjørelsene. Ikke tro at du har klart å få et fullstendig datasett, og hvordan forholde seg til det. Da snakker man om sikkerhetsanordninger. Jeg tenker at hvis man er litt føre var med tanke på at disse datasettene ikke er komplette og at algoritmene skal være gode også, så vil man sette inn sikkerhet i autonomien. Det gjelder også for industrien da egentlig. Så man får jo ikke bedre styring enn det fullstendig datasettet inn da. Så jeg tenker at det må man se i det hele bildet. Ikke glemme det. 

 

Sunniva: Men alle snakker om Big.Data. Trenger og kan egentlig alle bedrifter benytte seg av Big.Data? Hvem er det egentlig for? Har du noen tanker om det?

Heidi: Det er et godt spørsmål. Jeg tror egentlig at alle bedrifter kan benytte seg av det. For noen er det viktig da å bruke ekspert miljøer og kanskje analysere en situasjon inn i det. Så jeg tror det er kommet for å bli. Det tror jeg. Jeg tror vi kommer til å forbedre oss og effektivisere oss med hele det begrepet som er rundt Big.Data. Og bruken av den datamengden av kontekstualisering. Så ja, det tror jeg.

Sunniva: Ja, nemlig. Hvis man har lyst til å lære mer om Big.Data; har du noen  anbefalinger til å lese, gjøre og se?

Heidi: Litt sånn lavterskel og ufarlig, så er det å delta på sånt som dette er. Det er et veldig godt initiativ dere har. 

 

Sunniva: Det er veldig hyggelig! Tusen takk!

Heidi: Tech læring i en sånn type kontekst som er litt uformell. Der kan man også treffe spennende mennesker som man kan mingle med og snakke opp litt kunnskap. Så å være i de miljøene der det skjer noe er min anbefaling.

 

Sunniva: Det er en god anbefaling! Hvis lytterne skal sitte igjen og i hvert fall huske én ting fra denne samtalen her, eller om Big.Data, hva skal det være?

 

Heidi: Husk hvor viktig det er med mennesket i grensesnittet mot teknologi og tilrettelegg best mulig for det. Vi er viktige!

Sunniva: Vi er viktige! Big.Data skal ikke ertsatte mennesket, men støtte opp. Det er en veldig bra ting å huske på. Tusen takk til deg, Heidi Moseng, for at du kom her og delte din kunnskapen!

Heidi: Bare hyggelig!

Sunniva: Og tusen takk til deg som lyttet.  

 

Du har lyttet til en podcast fra Lørn.Tech - en læringsdugnad om teknologi og samfunn. Følg oss i sosiale medier og på våre nettsider Lørn.tech.

 

Quiz for Case #C0049

Du må være Medlem for å dokumentere din læring med å ta quiz 

Allerede Medlem? Logg inn her:

Du må være Medlem for å kunne skrive svar på refleksjonsspørsmål

Allerede Medlem? Logg inn her: