Silvija Seres: Hei, og velkommen til dagens Lørn. Jeg er SS, hvor tema er kunstig intelligens eller AI, artificial intelligence, og min gjest er BH fra selskapet Intelecy. Velkommen. 

Bertil Helseth: Tusen takk for at jeg fikk komme. 

Silvija: Du er en av våre helter innenfor AI, og dere gjør mye spennende. Det er alt for mange mennesker som snakker stort om AI, uten å skjønne hva det er. Du både gjør noe konkret og skjønner godt hva det er. Først vil jeg at du skal fortelle oss om hvem du er og hva dere gjør i Intellicy? 

Bertil: Jeg er egentlig en teknolog, nørd, reguleringstekniker, hvertfall en av utdannelsene jeg har. Jobbet masse for industri tidligere, mer tradisjonell metode for…

Silvija: Det er litt avstand på sexappeal, fra avstanden på reguleringstekniker til AI. 

Bertil: Også konverterte jeg over til AI fordi det er der det spennende kommer til å skje framover. Det kommer til å knuse de vanlige reguleringsteknikken. 

Silvija: Hva er reguleringsteknikk? 

Bertil: Det er kid-regulatorer, reguleringssløyfe styringsteknikk. 

Silvija: Styringsteknikk i fabrikker og biler. 

Bertil: Det er lignende AI mtp at det er tilbakemeldinger om man lærer, så systemer regulerer seg selv i reguleringsteknikk. Det er veldig gitte regler. Det er programmerte, faste regler som gjør at hvis man får samme input, så får man samme output. Innenfor AI er det annerledes, der kan outputen endre seg selv om man har samme input fordi man har lært noe nytt i mellomtiden. 

Silvija: Det er automatisk læring. Kan du si litt enkelt og visuelt om hvordan en maskin lærer? 

Bertil: Innenfor maskinlæring, det er det vi holder på med innenfor AI og de fleste snakker om dette innen AI, man lærer basert på erfaring. 

Silvija: Hvordan får en maskin erfaring?

Bertil: Data, masse data. Det feltet vi holder på med er industrielt, sensordata. Titusenvis av sensorer. 

Silvija: Det som måler temperatur og trykk. 

Bertil: Ja, det er knapper som slås av og på, ventiler som åpnes og stenges. Hvis du ser for deg 10 000 eller 100 000 av sensorer som opererer samtidig og sender data hver sekund, og all denne dataen lagres, så blir det milliarder av datasignal som lagres i system. Det vi gjør er å ta datene, og gjør litt magi med den først, også kjører vi det gjennom maskinlæring algoritme. Da prøver vi å lære og forstå hva som skjer når dataen går gjennom algoritmene. Det som er maskinlære er at man gjør dette en gang, også har man lært, man kjører dataen frem og så tilbake, og kanskje bytter om på rekkefølgen på dataen. 

Silvija: Ser om man kan lære noe nytt?

Bertil: Ja. Og så gjør vi det her en plass mellom 25 og 100 ganger, akkurat samme datasettet. Når maskinen slutter å forstå og predikere hva som kommer til å skje, og lærer mer, da er vi fornøyd når vi finner den beste algoritmen. Det er AI. Da finner man den beste algoritmen som best representerer alle mulige, tenkelige utfall basert på inputen som kommer inn. Det er mye data, og derfor er det tungt å forstå. 

Silvija: Men maskinen fikser mye data, skummelt mye data. 

Bertil: Men å forstå strukturert data er den veldig god på. 

Silvija: Jeg vil nerde litt. Jeg vil fortelle deg om mitt AI aha-øyeblikk. Jeg holdt på teoretisk med AI for lenge siden. Da trodde vi det var ren matematikk og statistikk. Så så jeg Alfa Go som kommer fra Cambridge. De begynte med et lekent spørsmål, hvor de fikk maskinen til å lære å spille Atari-spill. Den eneste inputen maskinen får, den får ikke noe glede av spillene, men den ser piksler, også må den selv skjønne hva som er tingen med pong eller det andre. Det er nyttig for folk å forstå at maskinen klarer å koble sammen helt løse piksler som rører seg på skjermen med en oppgave. Til slutt ble maskinen bedre enn mennesker fordi den fant mønstre som mennesker ikke klarte å finne. Da ble de bedre enn mennesker på det vanskeligste spillet i verden. Da ble jeg litt skremt. Ble du skremt? 

Bertil: Nei, jeg ble ikke skremt fordi det er regler i det spillet. Det er ting du kan gjøre, og ikke. Det er bare maskinkraft før maskinen vil bli flinkere på der det finnes relativt enkle regler, og der er de allerede flinkere enn oss. Der som er vanskeligere med AI er at det ikke finnes klare regler for hva som er tillatt og ikke. De har jo spilleregler, så det er ting som er lov og ikke, måten de lærer på er rewards. Vi mennesker sier det er målet ditt, spill så lenge som mulig eller vinn så fort som mulig. 

Silvija: Verre når det er en robotkirurg eller en selvkjørende bil som må ta sånne avgjørelser. 

Bertil: Der er det en del interessante temaer. 

Silvija: Livet er litt mer rotete enn spill. 

Bertil: Det er et utrolig spennende og imponere eksempel, som viser hvor mye AI kan gjøre. Den artikkelen som ble publisert om spillet utløste masse mediaoppmerksomhet rundt AI, og det er bra. 

Silvija: Kan du fortelle om et par konkrete eksempler om hva Intelicy gjør? Dere har noe gøy på gang med Tine? 

Bertil: Ja. Vi har jobbet med Tine sitt største meieri på Jæren. Der de produserer ost, og en del andre produkt, men hovedsakelig ost. Et fint og stort anlegg, og mye data. Ca. 40 000 sensorer. Litt av hva de gjorde i forkant for noen år siden er at de slo sammen 4 meierier til et stort, slik at de kunne redusere blant annet svinn. De kan de produsere i mye større skala og introdusere flere maskiner som tar vekk laktosen og proteiner, og utvinner alt som er restprodukter når man tar ut ost og melk. En oppgave vi fikk innenfor AI var å se på om maskinlæring klarer å identifisere enda mer av matavfallet som gikk i avløpet. Det var allerede tatt ned veldig langt siden de hadde gjort veldig mye. Men kan maskinlæring ta vekk enda mer? Svaret på det var ja. Vi fikk det til, og det var en gøy oppgave. Vi så på enormt mye data over lang tid for å finne de gangene reststoffet kom unna i avløpet, altså ostrester. Jeg tror vi så på data for et halvt år tilbake i tid, og identifiserte alle periodene det var en del høyt nivå har stoff og myse i avløpet. Så så vi på hva som forårsaket det. Vi kunne identifisere nøyaktig hvilken delprosess og hvilket steg i den delprosessen som gjorde at det kom ekstra mye. Vi kunne rangere dem og gi dem en score på hvor mye det første til. Det var en aha-opplevelse.

Silvija: Synes det er litt skummelt, jeg. 

Bertil: For Tine var det en aha-opplevelse fordi de var “ja, vi kan gi det er forsøk” Vi hadde ingen kunnskap om ost. Vi kunne litt maskinlæring og litt maskin forståelse, men det var det. 

Silvija: Kult. Hva annet har dere gjort? 

Bertil: Vi har jobbet mye med Tine. Vi har blant annet sett på kvaliteten av osten som er en stor greie. Hva er det som gjør at kvaliteten varierer? Det har vi gjort hos noen andre kunder. Så ser vi på fjernvarmen i Oslo, også ser vi på hvordan å kunne predikere energibehovet. Spesielt når alle står opp på mandags morgen klokka 7, så er det en veldig stor peak i behovet for varme. 

Silvija: Hvorfor det? 

Bertil: Da står alle sammen opp og setter på kaffetrakteren, tar seg en dusj, kontorer skrur seg på, ventilasjon. Det er utrolig mye som skjer. Alle vet det kommer en peak, men hvor stor den peaken blir, den er veldig variabel. 

Silvija: Der kan dere forutsi størrelsen på den slik at de kan bufre opp varme? 

Bertil: Ja. Det går på trykket i røra. Hvis man har for lite trykk i røra, det vil si for lite varme og energi inn, så får ikke kundene det de skal ha. Du får ikke vann i springen eller nok varme. Da  blir kundene sure, det er aldri bra. Det andre er at det er for mye varme, det vil si at du kaster bort energi, og det er mye energi. I et fjernvarmeanlegg, nå vet vi ikke tallene på Fortum i Oslo, men generelt så kaster man bort omtrent 10 prosent fordi man sørger for å alltid ha nok. Hvis man kan regulere bedre og finne mer nøyaktig behov, så kanskje man kan kaste bort 2 eller 3 prosent. Vi er veldig for å ta bort svinn generelt i samfunnet, og bruke AI til det. 

Silvija: Du har nevnt Benevolent AI, kan du si hva de gjør?

Bertil: Vi åpnet kontor i London for noen uker siden, og da besøkte vi Benevolent AI. Jeg synes det er et utrolig spennende selskap. Jeg har alltid sagt hvis jeg ikke hadde hatt den bakgrunnen som jeg har, jobbet mye for industri og hadde masse domenekunnskap som gjorde at jeg trodde vi kunne bygget et bra produkt, så hadde jeg jobbet innenfor helsetech med AI. Det gjør de. De jobber med å utvikle nye medisin ved hjelp av AI. Det er et stort hypet selskap i London, de har 250 ansatte. Der sitter datascientists, de som jobber med AI, ved siden av medisin eller biologer, og jobber i par eller grupper for å forske frem ny medisin. De bruker AI til å lese tusenvis av forskningsartikler, og bruker natural language processing for å hente ut og forstå teksten, og finne ut om annen forskning er verdt å gå videre med for å løse medisinske problemer. Blant annet har de vellykka utviklet en medisin mot ALS, som er en stygg sykdom. Som ingen andre medisinselskaper...

Silvija: Ved å lese forskningsartikler for å finne noe som ingen har sett før? 

Bertil: De fant 5 forskjellige hypoteser som de testa på ALS medisinen. Av de 5, var det omtrent 3 som var like gode, og en som var litt dårlig og en som var betraktelig bedre. Den som var betraktelig bedre forsker de på nå. De har gått etter farma, og de er på en måte et farmaselskap, og gjør hele verdiskapningen uten å være et farmaselskap, men et AI selskap. 

Silvija: Farmaselskap som består av datascientists, computerscientists og farmasøyter, hva slags kompetanse må man ha for å bruke mønstrene maskinene kjenner igjen på en fornuftig måte? 

Bertil: De må ha kompetansen som de som lager medisin i dag sitter på og de må ha kompetansen leger…

Silvija: Så blir det slutt på jobber for farmasøyter og leger?

Bertil: Nei. Men jeg synes dette er en interessant måte å se på fremtidens måte å jobbe på. At man jobber sammen for å forskningsbasert kunne kjøre maskiner og mennesker sammen for å få en bedre fasit, enn kun mennesker og biologer. Kunne få maskinlearning inn i dette aspektet her. Jeg tror vi kan se mye mer av det framover, at vi jobber sammen med maskiner. 

Silvija: Man må legge på litt menneskelig tolkning av og til. 

Bertil: Alltid legge på menneskelig tolkning. Det er ikke magi, det eneste vi kan gjøre er å peke og si at “her ser det interessant ut”. Så må vi ha et menneske i loopen for å se om det stemmer eller ikke. Vårt produkt gir dem en mulighet til å finne ut hvor de skal lete. Nåla i høystakken. For det er for mye data og umulig for å vite hvor man skal lete. Hvis man har en som kan peke for deg, så kan mennesker gå inn med sin domenekunnskap å finne ut om det her. 

Silvija: Det er en morsom nål i høystakken. 

Bertil: Av og til så bommer man. Men det fine er at man treffer ganske bra noen ganger.

Silvija: Vi går tom for tid, men jeg spurte om du hadde et favoritt AI sitat og du svarte “42”. Det må du forklare litt, det er ikke sikkert alle er like stor Douglas Adams fan. 

Bertil: Det har blitt aktuelt igjen. En film jeg digget når jeg så den for en stund siden. Hitchhikers guide to the galaxy, og en bok, lest boken, men så filmen først. 

Silvija: Jeg glemmer aldri kua. 

Bertil: Den bygger en maskin som skal svare på den største gåten i meaning of life og everything. Den supermaskinen bruker noen millioner av år for å finne svaret, og svaret er “42.” Det er gøy i forbindelse med AI. Det er sånn AI funker. Det er ikke bare svaret som er interessant, du må vite hva du spør om. 

Silvija: Einstein har et nydelig sitat om at maskiner ikke er interessante, de er dumme, de kan bare gi deg svar. Det er spørsmålet som er interessant. 

Bertil: Spørsmålet er mye mer interessant enn svaret. 

Silvija: Hvis vi skal gi folk et mentalt bilde, kan vi prøve oss på Tine, noe med AI og Intelicy, hva skal de tenke på? 

Bertil: Jeg er dårlig på mentalt bilde, for jeg har en hjerne som funker i logiske kretser. 

Silvija: Det kan være en logisk krets. Masse sensor og data som gir deg morsomme svar. 

Bertil: Jeg har lyst til å si at det er mange som frykter AI, spesielt innenfor bedrifter så frykter man at AI skal ta jobben. Det er en misforståelse. Det vil ta en del jobber, men de aller fleste store som har forsket har funnet ut at man vil generere flere jobber enn det man tar vekk. Det er enorm mulighet til å løse de virkelige store problemene i verden, vi har et overforbruk, vi har klimaproblemer, store klimautfordringer i verden. Så jeg tror dette er en fantastisk mulighet til å fokusere på de temaene. 

Silvija: Så lenge vi har nok problemer, blir den nok jobber, bare vi er gode på å løse dem. 

Bertil: Jeg tror vi har nok problemer. 

Silvija: Tusen takk for at du kom for å lære oss om kunstig intelligens og brukte tid med oss i dag. 

Bertil: Takk for at jeg fikk komme.

Silvija: Takk til dere som lyttet.