LØRN case C0060 -
LØRN. ENTERPRISE

Halvor Grønås

Fagansvarlig, data science

Bouvet

De største fremskrittene i AI

I denne episoden av #LØRN snakker Anne med fagansvarlig for data science i Bouvet, Halvor Grønaas. Halvor har erfaring fra både undervisning og oljesektoren, og fattet interesse for AI da han tok et kurs i mønstergjenkjenning og nevrale nettverk i 2001. Han har blant annet vært med på å utvikle en ny miljøvennlig luftkanon til bruk som akustisk kilde til leting etter olje. I dag jobber han med å løse diverse kvantitative oppgaver for Bouvets klienter, noe som innebærer både maskinlæring, statistikk og optimering. I episoden forteller han blant annet om de største fremskrittene innen AI og hvorfor maskinlæring ofte kalles «den vitenskapelige metoden på steroider».
LØRN case C0060 -
LØRN. ENTERPRISE

Halvor Grønås

Fagansvarlig, data science

Bouvet

De største fremskrittene i AI

I denne episoden av #LØRN snakker Anne med fagansvarlig for data science i Bouvet, Halvor Grønaas. Halvor har erfaring fra både undervisning og oljesektoren, og fattet interesse for AI da han tok et kurs i mønstergjenkjenning og nevrale nettverk i 2001. Han har blant annet vært med på å utvikle en ny miljøvennlig luftkanon til bruk som akustisk kilde til leting etter olje. I dag jobber han med å løse diverse kvantitative oppgaver for Bouvets klienter, noe som innebærer både maskinlæring, statistikk og optimering. I episoden forteller han blant annet om de største fremskrittene innen AI og hvorfor maskinlæring ofte kalles «den vitenskapelige metoden på steroider».
Facebook
Twitter
LinkedIn
Email

17 min

Choose your preferred format

AV: Hei og velkommen til LØRN. Jeg er Anne Vorsø, og jeg sitter her med Halvor Grønås fra Bo Øst. Velkommen.

HG: Tusen takk, veldig hyggelig å være her.

AV: Kan du si litt om hvem du er?

HG: Jeg heter Halvor Grønås, er 43 år fra Oslo. Og jobber som fagansvarlig for delta science i Bo Øst.

AV: Hvordan startet du med delta science?

HG: Som mye annet er det en del tilfeldigheter som spiller inn. I starten av 2000 tallet var jeg student ved «...» i Tyskland. Også hadde jeg mulighet for å velge selv hvilke kurs jeg ville ta. Og da fant jeg ett kurs i mønstergjenkjenning og kunstig nevrale nettverk. Og det syntes jeg hørtes veldig funky og framtidsrettet ut. Så da bestemte jeg meg for å ta det. Synes det var veldig gøy, men det ble ikke noe umiddelbart ut av det. Men noen år senere så jeg en annonse hvor de trengte big informatikere til «microrate fasiliteten i Nord-Norge».

AV: Når var dette?

HG: I 2004.

AV: Så dette var tidlig!

HG: Ja, det var relativt tidlig. Det var ny teknologi, hvor man kunne måle genuttrykket. Altså hvilke proteiner og enzymer som kroppen produserer akkurat der og da fra en vevsprøve.Man måler mange gener samtidig på en «micro brick»-aktig sak. Og da lette man etter mønster blant disse genene for å finne sammenheng mellom mønstrene for eksempel sykdomstilstander og andre interessante ting. Tanken var at man skulle kunne ta en blodprøve hos legen og, slik finne ut og man var på vei til å utvikle Brystkreft eller Alzheimers for eksempel. Med dette kom det veldig mye data. Og de hadde ikke den infrastrukturen som trengtes for å analysere alt dette. Da tenkte de statistikere, for bildeanalyse og hypotesetesting osv. Så dette var en av Norge sine data-science jobber.

Så jeg var der en stund. Hadde mye gøy, «ungkar og spelleman». Leste alt jeg kom over om statistikk og maskinlæring, og gjorde også andre ting. Det var der jeg lærte mye om fagfeltet. Dette er jo det samme fagfeltet som viten om kunstig intelligens.

Noen år senere flyttet jeg ned til Oslo igjen, startet i oljebransjen. Var i en ingeniør setting, men var på en måte bitt av basillen og lette stadig etter måter jeg kunne anvende statistikk, bildebehandling, mønstergjenkjenning i en slags produktutviklingssetting.

Og lyktes rimelig godt med det. Særlig i de siste årene i den revolusjonen hadde vi en med dyp læring, de dype nevrale nettverkene som revolusjonerte bildebehandlingsbransjen. Så var det veldig mange problemer som var tidligere uløste som vi nå kunne angripe og løse på en veldig vellykket måte. Så det var utrolig morsomt.

AV: Kan du gi noen eksempler på bildebehandling som er mulig nå?

HG: Jeg jobbet i Seismic som er en klassisk Big data bransje. Vi hadde utviklet «steamer systemer» som er de lyttekameraene vi har i sjøen nå vi skal gjøre en slags ultralyd på leting etter olje. Man sender akustisk signaler til havbunnen, de kommer opp igjen og man kan bruke modeller for å analysere dataene, og danne ett bilde av undergrunnen for å lete etter kommersielle forekomster av olje og gass.

AV: Ett faktisk bilde?

HG: Ja. Man kan sette sammen flere bilder, og lage 3D modeller som kan gå inn i Virtual Realty osv. For inntil 6-7 år siden var statistikkbransjen største konsument av GPU, CCU-kraft og lagringsmedier.

AV: Fordi at de brukte mye data?

HG: Ja. Den siste generasjonen vi utviklet hadde en million kanaler i sjøen. Det var verdens største antenne. En akustisk antenne.

AV: Så en antenne nede i Nordsjøen. Litt sånn gammaldags TV-antenne, bare med en million kabler ut i alle retninger som ett nett som lytter på hele havbunnen for å finne «...».

HG: Du kan jo si det. Man har typisk 14 kabler ute, som er 4-5 meter lange og smekkfulle av sensorer.

AV: Så da skjønner man at antennene fikk veldig mye data. Kunne man gjort dette i 2004 også?

HG: Man har holdt på med dette i en god stund. Det sitter veldig mange spesialister og ser på skjermer og prøver å overvåke systemet. Dette er verdens største, menneskelagde konstruerte strukturer. Og finne nøyaktig hvor de er hen, og hvor de beveger seg i sjøen er ikke lett. Man overvåket kontrollsystemene og signalkvaliteten osv.

Og signalkvaliteten gir masse bilder som viser hvor det er støy.

For eksempel kommer det en båt på vei inn mot land som vi mulig må å si ifra til at må holde seg unna.

En veldig kjedelig og monoton jobb, men også en jobb som er vanskelig da bildene ikke er som naturlige fotografier. De er veldig abstrakte. Det vi gjorde var å utarbeide systemer, kunstig intelligens som lærte seg å implementere bildene automatisk og gi tilbakemelding til mannskapet med beskjed. Advarsler på at man må ta grep osv.

Samme med kommunikasjonssystemene som vi brukte for å finne geometrien. Altså hvor kablene var i sjøen. Systemet fungerer på samme måte som mobiltelefoner, men altså nede i sjøen der man har transmittere, altså mottakere som gir signaler seg imellom. Så kan man bruke en modell for å regne ut hvor de befinner seg.

Siden det var mye differens. Det var kanskje en kanal så kom det inn flere tusen signaler samtidig kan det være veldig vanskelig å separere hvilke signaler som kommer fra de forskjellige transmittørene. Og det er du avhengig av for å kunne regne ut denne formelen.

Da må man ofte sitte og reprodusere i ettertid, for å finne ut hvilken signalankomst som tilhører hvilken transmitter. Dette er også kjedelig, men vanskelig arbeid for mennesker.

Og da implementerte vi en bildebehandlingsløsning basert på U-nett som opprinnelig kommer fra bio-medisinsk klassifisering, altså segmentering. Som løser oppgaven helt perfekt. Like bra som en menneskelig ekspert.

AV: Det er også interessant at det er teknologi utviklet fra biomedisin som brukes på havbunnen.

HG: Det er mye av det samme. I medisin er det mye gjennomlysing, og det er det samme her. Bildedannelser er jo det man bruker.

AV: Man tar altså ultralyd av signalene, lager bilder og kjører de igjennom en datamaskin med kunstig intelligens og algoritmer, og avdekker avvik?

HG: Ja. Vi gjorde også forsøk på å gjøre automatisk inteprasjon av bildene. Og der har man kommet ganske langt og hadde noen veldig lovende resultater. Men på ett tidspunkt gikk det ganske dårlig med «statistikk bransjen» som resten av oljebransjen, så det var da jeg forlot «...» og prøvde å finne meg noe annet.

AV: Så hva gjør du nå?

HG: Nå jobber jeg i ett konsulentselskap som heter Bouvet. Det er ett IT og teknologi hvor jeg er del av en nystartet avdeling med datascience. Hvor vi hjelper Bouvet sine kunder med å løse

diverse kvantitative oppgaver. Særlig oppgaver som har med kunstigintelligens og maskinlæring å gjøre. Vi driver også med optimering og andre regne-aktige oppgaver hvor det er behov for «mattehoder».

AV: Har du noen konkrete eksempler på problemer dere løser?

HG: Prediksjon av passasjertrafikk igjennom slusene hos Avinor. Slik at de kan skalere mannskapet de trenger å ha tilgjengelig på en fornuftig måte.

Prosessering av naturlig språk. Det vil si automatisk adoptering av dokumenter, inn forskjellige nøkkelordklasser hos UD. Vi optimerer t-bane transporten i Oslo. Og i transportsektoren driver vi med optimering av tung trafikk på infrastruktur.

AV: AI er jo ett samlebegrep for veldig mange ulike ting. Hva er det du synes er særlig gøy, og hvorfor er det spennende?

HG: Akkurat nå er jeg veldig opptatt av forsterkende læring, som er en teknikk hvor vi prøver å lære en kunstig intelligens og agere på en fornuftig, helst optimal måte i ett miljø. Dette er det mest spennende som har kommet på veldig lang tid. Teknologien har eksistert lenge, men som mye annet har AI, sett på regnekraft gjort at man har mye større muligheter de siste årene. Dette er teknologien som har muliggjort en situasjon hvor man har datamaskiner som er bedre enn mennesker til å spille ett AI-spill. For eksempel sjakk og GO. Og nå ser vi det i enda mer komplekse miljøer som World of warcraft. Hvis det er noe punkt man er på vei til skikkelig kunstig intelligens, så er det via dette rammeverket. Forsterkende læring, som er inspirert av Pavlovs sin forskning på hunder.

Det han gjorde var å gi hunder mat samtidig som han ringe i en bjelle, så målte han spyttproduksjonen før og etter. På ett tidspunkt trengte han kun å ringe i bjellen, før spyttproduksjonen til hundene startet. Og var teorien at han forsterket bjellen ved hjelp av maten. Derfor forsterkende læring. Så det er der det kommer fra.

Veldig velegnet i komplekse beslutningskjeder, hvor det ikke er lett for en sensor å si rett til maskinen «dette er det beste du kan gjøre i dette trekket». Som er det vi kaller styrt læring. I stede lar man den kunstige intelligensen gjøre mange realiseringer av prosessen og miljøet den opererer i, også samler den opp alle handlingen den gjorde og får belønninger. Gjør man dette mange ganger, lærer den etterhvert. Det skal sies at strømningene er veldig dyre. Bare strømutgiftene på én kjøring på trening av Alfa Go tror jeg koster 300 000 kroner. Så det er en resursintensiv business. Men vi har ett utrolig spennende prosjekt med forsterkende læring, som har en industriell og samfunnsmessig nytte. Men det kan jeg ikke si så mye om nå. Men stay tuned.

AV: Hvis man har lyst å lære mer om dette, hvis man ikke har doktorgrad innenfor maskinlæring. Er det en bok du kan anbefale å lese?

HG: Nå lever vi i en veldig digital verden, så hvis man søker på kurs inne maskinlæring, så finner man masse bra og rimelige kurs. Men ett kurs som er veldig bra og effektivt er kurset til en som heter Andrew NG i maskinlæring, på «coachera».

Maskinlæring er kanskje en av de viktigste disiplinene innenfor kunstig intelligens akkurat nå.

Ellers er det en fagbok som heter «The elements of statistic of learning» skrevet av noen topp folk innenfor statistikken. Leser du den kan du veldig mye om fagfeltet.

AV: har du ett favoritt AI sitat?

HG: Det er ett sitat som sier at teknologi er en nytt tjener, men en skummel herre å ha, og det tror jeg er viktig å ha.

Hva gjør dere på jobben?

Vi er et team på åtte stykker som jobber med å løse diverse kvantitative oppgaver for Bouvets klienter. Mye av dette er maskinlæring og statistikk, men det er også en god del optimering, særlig når prosjektene viser seg å ha en operasjonsanalytisk komponent.

Hva er de viktigste konseptene i AI?

Akkurat som data science er AI et ganske ullent begrep som til dels er definert av de problemene som ikke er løst enda.

Hvorfor er det spennende?

Utviklingen og energien innenfor fagfeltet har eksplodert de siste årene, primært drevet av eksponentiell større tilgang på data og regnekraft. Dette muliggjør løsninger av teknologiske og samfunnsmessige utfordringer som tidligere var ekstremt ressurskrevende eller uangripelige. Særlig er fremskrittene innen bildeanalyse, NLP og robotikk imponerende.

Hva synes du er de mest interessante kontroverser?

Etikk og personvern, og så har vi potensiale for misbruk i en kriminell forstand. I tillegg har vi problematikken rundt fake news og propaganda hvor jeg tror såkalte deepfakes kan bli en farlig teknologi i nær fremtid.

Ditt eget selvlaget beste eksempel på AI?

I min gamle jobb utviklet vi en ny miljøvennlig luftkanon til bruk som akustisk kilde til leting etter olje. Utviklingen av denne kanonen var modelldrevet med utstrakt bruk av regneclustere og CFD.

Dine andre favoritteksempler på AI internasjonalt og nasjonalt?

AlphaGO og DeepMind.

Hva gjør vi unikt godt i Norge av dette?

Jeg tenker at AI ikke skjer i et vakuum, og mye av det mest spennende er innenfor disipliner der vi allerede er gode eller har gode forutsetninger

Et favoritt AI-sitat?

Teknologi er en nyttig tjener, men en farlig herre.

Halvor Grønås
Fagansvarlig, data science
Bouvet
CASE ID: C0060
TEMA: AI AND BIG DATA TECHNOLOGY
DATE : 181020
DURATION : 17 min
LITERATURE:
The Elements of Statistical Learning av Robert Tibshirani og Trevor Hastie Deep learning av Aaron Courville, Ian Goodfellow, og Yoshua Bengio Artificial Intelligence: A Modern Approach av Peter Norvig og Stuart Russell The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World av Pedros Domingo Superintelligence: Paths, Dangers, Strategies av Nick Bostrom
YOU WILL LØRN ABOUT:
AI
Internasjonale og nasjonale eksempler
ML
AlphaGO
QUOTE
"Utviklingen og energien innenfor fagfeltet har eksplodert de siste årene, primært drevet av eksponentiell større tilgang på data og regnekraft. Dette muliggjør løsninger av teknologiske og samfunnsmessige utfordringer som tidligere var ekstremt ressurskrevende eller uangripelige."
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

#C0043
AI AND BIG DATA TECHNOLOGY
Slik kan Big Data predikere fremtiden

Sverre Kjenne

Leder

BaneNor