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

Anne Varsjø: Hei og velkommen til LØRN. Jeg er Anne Varsjø og jeg sitter her med Halvor Grønås fra Bouvet. Velkommen. 

Halvor Grønås: Tusen takk skal du ha, veldig hyggelig å være her. 

Anne: Kan du si litt om hvem du er? 

Halvor: Ja, jeg heter altså Halvor Grønås, jeg er 43 år fra Oslo, jobber som fagansvarlig for data science i Bouvet. 

Anne: Ok, så hvordan kom du borti data science og hvordan begynte du med det? 

Halvor: Nei, det er litt tilfeldigheter også. Jeg var i starten av 2000 tallet utvekslingsstudent i Aachen Tyskland. Og jeg var egentlig klar for diplomen på et tidspunkt, så jeg kunne liksom cherry pick litt hvilke fag jeg ville ta. Så så jeg et kurs i mønstergjenkjenning og kunstig nevralt nettverk og det syns jeg hørtes veldig funky og fremtidsrettet ut, så da bestemte meg for å ta det. Jeg synes det var veldig gøy, men det ble noe umiddelbart ut av det rett etterpå. Men så noen år senere, så jeg en annonse hvor de tenkte bioinformatikere til microarrayfasiliteten i Universitetssykehuset Nord Norge. 

Anne: Når var dette? 

Halvor: Dette var i 2004. 

Anne: Så dette var tidlig? 

Halvor: Ja, det var relativt tidlig. Og det som var da, var at det var ny teknologi hvor man kunne måle genuttrykket, altså det vil si hvilke gener som brukes, hvilke proteiner og til syvende og sist som kroppen produserer akkurat der og da fra en vevsprøve. Veldig mange gener samtidig på en slags mikrobrikkesak. Da lette man etter mønstre blant disse genene for å finne sammenhenger mellom forskjellige mønstre og for eksempel sykdomstilstander og andre interessante ting. Så tanken var at man kunne ta en blodprøve hos legen, også kunne man kanskje si noe om at du er ferd med å utvikle brystkreft, alzheimer eller lignende. Så da fikk man veldig mye data, og de hadde liksom ikke helt den infrastrukturen og den kunnskapen på plass for å analysere alt dette her. Da trengte de statistikere og folk som kunne ta bildeanalyse og hypotesetesting også videre. Så dette var egentlig en av Norges første date av science jobber. Så jeg var der en stund, hadde det mye gøy. Ungkar og Spellemann. Leste alle papirer, jeg kom over statistikk og maskinlæring og gjorde også andre ting. Da vil jeg si at jeg lærte mye om fagfeltet da, fordi mye av dette her er jo den samme teknikken innenfor kunstig intelligens. Så noen år senere flyttet jeg til Oslo igjen, begynte i oljebransjen. I mer sånn engineering setting, men jeg ble litt bitt av bassillen og lette stadig etter måter jeg kunne anvende avansert statistikk, bildebehandling også videre på sånn produktutviklingssetting da og lykkes rimelig godt med det. Og det er særlig nå de siste årene, jeg vil si kjølvannet av den revolusjonen man hadde med dyp læring, altså disse veldig dype nevrale nettverkene som revolusjonerte bilbehandlingsbransjen så var det veldig, veldig mange problemer som var uløste innenfor der jeg jobbet som vi nå kunne angripe og løse veldig på en veldig vellykket måte. Så utrolig morsomt. 

Anne: Kan si litt noen eksempler på bildebehandling som er mulig nå?

Halvor: Ja, det kan jeg gjerne. Så jeg jobber da i seismikk, som er en klassisk big data bransje, vil jeg si. Vi hadde utviklet streamer systemer, altså det er disse lyttekabler som man har nede i sjøen. Som man bruker når man lager en slags ultralyd på leting etter olje, det er masse akustisk signal nede i sjøbunnen. Det blir reflektert tilbake, og de kommer opp igjen og man kan bruke masse modeller for å analysere dataene og lage et bilde av undergrunnen for å lete ut kommersielle forekomster av olje og gass. 

Anne: Altså er faktisk bilde?

Halvor: Ja et faktisk bilde, og du kan også sette sammen mange bilder og lage 3D modeller som du kan gå inn i virtual reality også videre. Så faktisk for en liten stund siden, så var jo seismikkbransjen største konsument av GPU/CPU kraft og da gjerne lagringsmedier. 

Anne: Fordi de brukte så mye data? 

Halvor: Ja, så disse lyttertallene av siste generasjonen vi utviklet den hadde en million kanaler i sjøen. Det er verdens største antenne i realiteten en akustisk antenne. 

Anne: Så en antenne nedi Nordsjøen. En litt sånn gammeldags tv antenne bare med en million kabler ut i alle retninger som rett og slett et nett som lyttet på hele havbunnen for å finne oljelommer. 

Halvor: Ja, man hadde typisk da 14 kabler ute, men de var jo også da 10 til 15 kilometer lange og smekkfulle av sensorer. 

Anne: Det er et ganske spennende eksempel for da skjønner vi at de fikk veldig, veldig mye data, men hvis dette hadde vært før. Altså kunne man gjort dette i 2004? 

Halvor: Ja, man har holdt på med dette her en god stund. Så det sitter veldig mange mennesker, trente spesialister som kikker på skjermer og prøver å overvåke dette systemet. Dette her er verdens største menneskelagde kontrollerte strukturer. Og det å finne ut nøyaktig hvor de er hen i sjøen, hvordan de beveger seg rundt det er ikke barnemat. Så man overvåker da kontrollsystemene man overvåker signalkvaliteten også videre. Og spesifikt ved signalkvaliteten så har man da masse bilder hvor man ser nå er det støy som kommer inn der, ikke sant? Der kommer det på en båt som er på vei inn, så kanskje har en kapiterende propell så vi må si at vi må holde oss unna mens vi får til undersøkelse våre et cetera. Veldig kjedelig jobb, veldig monton jobb, men også en jobb som er vanskelig fordi disse bildene er jo ikke sånn naturlige bilder eller fotografier. De er veldig abstrakte. Så det vi gjorde da var å utvikle systemer, altså kunstig intelligens på en måte som lærte seg å interpretere disse bildene automatisk og da gi tilbakemelding til mannskapet. Altså en advarsel ikke sant? At nå må man kanskje ta noen grep også videre. Samme med kommunikasjonssystemene som vi brukte til å på en måte finne geometrien, altså hvor de kablene var hen, pensjonere dem i sjøen basert på samme system som egentlig mobiltelefoner, men nede i sjøen. At du har en gjeng med altså transmittere da og mottakere. Man sender signaler også kan man bruke en modell for å regne ut nøyaktig hvor de befinner seg. Her var det slik at siden det er så mye interferens, så har du kanskje en kanal hvor det kommer inn flere tusen signaler samtidig, så kan det være veldig vanskelig å separere hvilke signaler som kommer fra de forskjellige transmitterne. Da er du avhengig av for å kunne regne ut denne geometriske formen. Da er det sånn at man måtte sitte å preprosessere dette her i ettertid. Etter at undersøkelsen er over, at den ankomsten der tilhørte det den transmitteren der, og dette er også veldig altså kjedelig arbeide, men også vanskelig arbeide for mennesker. Og der implementerte vi en billig behandlingsløsning basert på unett som kom opprinnelig fra biomedisinsk klassifisering, altså segmentering som løser den oppgaven helt perfekt, altså like bra som en menneskelig ekspert. Og det førte til en kjempestor produktivitetsøkning. Så det er noen sånne eksempler. 

Anne. Det er også interessant synes jeg at det er en teknologi som har utviklet seg fra biomedisin som man da bruker på havbunnen. 

Halvor: Ja, det er det. Det er jo forsåvidt litt overlappende ting her da. Så det er mye gjennomlysning innenfor medisin, så det er jo litt den samme tingen. Altså bildedannelse er jo det man egentlig driver med i seismikk også. 

Anne: Men man lytter med å ta lyd eller ultralyd da av signalene, også lager man bilder også kjører man gjennom datamaskinen med kunstig intelligens eller maskinlæringsalgoritmer og avdekker avvik?

Halvor: Ja, vi gjorde også forsøk på å gjøre automatisk interpretasjon av bildene, og der har man kommet ganske langt til og fått veldig lovende resultater, men ja, på et tidspunkt gikk det ganske dårlig med seismikkbransjen, rett og slett som resten av oljebransjen. Så det var jo egentlig da jeg forlot Schöneberger for å begynne med noe annet. 

Anne: Så hva gjør du nå da? 

Halvor: Nå jobber jeg i et konsulentselskap som heter Bouvet. Det er et IT og teknologiselskap. Hvor jeg er del av en relativt nystartet avdeling som jobber med såkalte data science, hvor vi hjelper Bouvets kunder med å løse diverse kvantitative oppgaver. Og da, kanskje særlig med ting som har med kunstig intelligens og maskinlæring å gjøre. Men vi driver også med optimering og og andre oppgaver hvor det er behov for mattehoder. 

Anne: Knyttet til konkrete problemer dere løser, kan du komme med noen eksempler? 

Halvor: Ja, vi driver med flere forskjellige ting. Det er jo sånn for eksempel produksjon av passasjertrafikk gjennom slusene hos Avinor, så de på en måte kan skalere den mannskapen de trenger tilgjengelig på en fornuftig måte. Det er plassering av sånn naturlig språk, det vil si for eksempel automatisk annotering av dokumenter inn i forskjellige språk i ulike nøkkelord klasser hos ud. Vi driver med å optimere t bane transporten i Oslo, veldig mye spennende der. Det er ganske mye morsomt som skjer. Også innenfor sportsseksjonen og optimering av tungtrafikk på infrastruktur. Mye gøy. 

Anne: Ja, nå har du sagt mye. AI er et samlebegrep på veldig mange ulike ting. Hva er det du særlig synes er gøy, og hvorfor er det spennende? Altså hvilken av områdene? 

Halvor: Akkurat nå, så er jeg veldig for opptatt av noe som kalles forsterkende læring som er en teknikk hvor man prøver å lære en kunstig intelligens å agere på en fornuftig, helst optimal måte i et miljø. Det synes jeg er det mest spennende som har kommet på. Altså teknologi har eksistert ganske lenge, men som så mye annet innenfor AI så har det liksom satt i gang på regnekraft og gjort at man har utrolig mye større muligheter de siste årene. Og dette er den teknologien som har tillatt, eller muliggjort en situasjon hvor man har datamaskiner som er bedre enn mennesker til å spille spill. Til å spille sjakk og til å spille go og nå etter hvert også ser vi det mer og mer i sånne enda mer komplekse miljøer sånn som disse her World of warcraft spillene hvis du kjenner til den. Jeg føler at om det er et punkt hvor man er på vei mot en ordentlig kunstig intelligens, litt mer generell intelligens, så er det via dette rammeverket da. Så det synes jeg er kjempegøy. 

Anne: Forsterkende læring. 

Halvor: Forsterkende læring. Reinforcement learning heter på engelsk. Det var egentlig min oversettelse der. Det er inspirert av Pavlos forskning på hunder. Det Pavlos gjorde var at han prøvde å gi hundemat samtidig som han ringte i en bjelle. Også målte han spytte utzoomringen før og etter. Også observerte han da på et tidspunkt, at han trengte jeg bare å ringe i bjella så begynte spytte utsondringen hos hundene, og da har han tenkt at han forsterket dette signalet via hjelp av maten, som han kalte forsterkende læring. Så det er litt der det kommer fra da. Veldig velegnet hvor du har veldig komplekse beslutningskjeder, hvor det ikke er lett for en sånn slags sensor å si direkte i maskinen at dette er det beste du kan gjøre dette trekket. Som er det man kaller styrt læring. Istedenfor, så er det sånn at man lar den kunstige intelligensen observere veldig mange realiseringer av den prosessen og liksom aksjoner i det miljøet den opererer i. Også samler den opp alle handlingene den gjorde, også får den da belønninger, sukkerbiter, mat, ikke sant, som kan komme veldig veldig sent, veldig lenge etter at man gjorde en handling. Så man tillater kanskje at man kan gjøre en suboptimal handling på ett punkt for å få en større gevinst senere. Og hvis man gjør dette er veldig, veldig mange ganger. Dette er en ekstremt datahungrig prosedyre så lærer den da etter hvert, men det skal jo sies at for eksempel AlfaGo, en interessant bit der er at det koster bare strømutgiftene og alle de andre computer og alt det som går inn der bare strømutgiftene for en kjøring på trening til å koste 300.000 kroner. Så det er jo en ganske ressurs intensiv business, men vi har et utrolig spennende prosjekt med forsterkende læring som har industriell og samfunnsmessig nytte, men det kan jeg dessverre ikke så si så mye om fordi det er i sånn patentprosess, men stay tuned. Jeg tror det kommer mye skikkelig kult etter hvert, det blir bra. 

Anne: Ja, nå fikk du i hvert fall meg spent. Kan du si littegrann om hvis man har lyst til å lære mer om dette og ikke har doktorgrad innenfor maskinlæring, er det noe du kan anbefale? En bok man kan lese eller noe på nettet?

Halvor: Ja, altså nå lever vi i en veldig digital verden og alt er på nettet. Hvis man søker på kurs innen maskinlæring så finner man masse kjempebra. Veldig rimelig, gjerne gratis, men et sånt kurs som veldig mange tar som en inngangsport som er kjempebra. Det er det kurs til som heter Andrew NG i maskinlæring. Ja, maskinlæring er jo kanskje en av de viktigste disiplinene innenfor kunstig intelligens nå. Ellers så er det litt avhengig. Hvis jeg skal komme med en sånn teknisk fagbok, så vil jeg si en bok som heter the elements of statistic learning, skrevet av noen virkelig sånne toppfolk innenfor statistikken. Den er utrolig bra. Leser du den, så kan du veldig mye om fagfeltet. 

Anne: Og avslutningsvis, så tenkte jeg at du skulle få si et favoritt AI sitat som du kan få komme med, som oppsummerer litt?

Halvor: Ja nettopp, jeg vil ikke være en absolutt teknologipesimistisk. Vi har jo snakket om the good stuff nå, men det er selvfølgelig mye kontroverser rundt dette her. Det er sikkert dere kommer til å dekke det i denne podcasten, men det er en statsme som sier at; teknologi det er en en nyttig tjener, men holdt på å si en sånn slags skummel herre å ha. Det tror jeg noe som er veldig viktig å tenke på nå når vi går fremover med digitalisering og får kunstig intelligens som hjelpere på stadig flere områder i samfunnet. 

Anne: Tusen takk for at du kom til LØRN, Halvor Grønås fra Bouvet og takk til dere som har hørt oss. 

Halvor: Tusen takk for at jeg fikk komme. 

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