LØRN case C0067 -
LØRN. RESEARCH

Anne Marthine Rustad

Forsker

Sintef

Kunstig intelligens i norsk næringsliv

I denne episoden av #LØRN snakker Silvija med forskningsleder for SINTEF, Anne Marthine Rustad. Anne Marthine har en PhD i marin kybernetikk og har tidligere jobbet i DNV, BCG og Aker Solutions. I SINTEF jobber hun med anvendt forskning som kan tas i bruk av industrien. Selv har hun anvendt AI til søppelsortering og plastsortering, i tillegg til å ha utviklet en ugress-sprøyte som undersøker hvor mye ugress det er på en åker for deretter beregne hvor mye ugressmiddel og hvilken type en burde bruke. I episoden forteller hun mer om hvorfor kunstig intelligens er så viktig for norsk næringsliv, i tillegg til hvordan «gamle» algoritmer har fått «nytt liv» med økt tilgang på data. Undersøkelser viser at de som vet minst om AI er de som er mest skeptiske og redde for nye teknologi forteller Anne Marthine.
LØRN case C0067 -
LØRN. RESEARCH

Anne Marthine Rustad

Forsker

Sintef

Kunstig intelligens i norsk næringsliv

I denne episoden av #LØRN snakker Silvija med forskningsleder for SINTEF, Anne Marthine Rustad. Anne Marthine har en PhD i marin kybernetikk og har tidligere jobbet i DNV, BCG og Aker Solutions. I SINTEF jobber hun med anvendt forskning som kan tas i bruk av industrien. Selv har hun anvendt AI til søppelsortering og plastsortering, i tillegg til å ha utviklet en ugress-sprøyte som undersøker hvor mye ugress det er på en åker for deretter beregne hvor mye ugressmiddel og hvilken type en burde bruke. I episoden forteller hun mer om hvorfor kunstig intelligens er så viktig for norsk næringsliv, i tillegg til hvordan «gamle» algoritmer har fått «nytt liv» med økt tilgang på data. Undersøkelser viser at de som vet minst om AI er de som er mest skeptiske og redde for nye teknologi forteller Anne Marthine.
Facebook
Twitter
LinkedIn
Email

18 min

Choose your preferred format

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


SS: Hei og velkommen til Lørn.Tech. Jeg er Silvija Seres og i dag skal vi snakke om kunstig intelligens. Gjesten min er Anne Marthine Rustad som er forskningsleder for gruppen for AI i Sintef. Velkommen.

AR: Tusen takk. Veldig hyggelig å være her.

SS: Veldig hyggelig å ha deg her. Sintef er ett selskap jeg har en ganske lang relasjon til. Og som jeg elsker. Det er noe av den kuleste forskningen som gjøres i Norge. Det er industriell anvendt forskning, på tvers av viktige fagfelt. Du må fortelle litt om hva Sintef er, også må du forteller oss litt hva du gjør i Sintef. Eller.. Kan du begynne med å fortelle hvem du er?

AR: Jeg har studert i Trondheim siving i kybernetikk og doktorgrad i kybernetikk. Alltid vært opptatt av teknologi.

SS: Hva er kybernetikk?

AR: Styringssystemer. Det du bruker for å få selvkjørende bilder, båter. Industrielle prosesser. Det er ganske bredt. Mye matematikk og programmeringa. Etter doktorgrad begynte jeg å jobbe i DnB. Også hadde jeg en periode i «...». Jobbet mye med strategi der. Også har jeg jobbet med strategi i Aker solutions. Jeg har alltid jobbet i skjæringsområdet mellom teknologi og strategi. I Aker solutions jobbet jeg med digitaliseringsstrategien. Også har jeg lyst å komme litt mer tilbake til fagfeltet mitt og se hva som er bak alle «buzz» ordene. Og da fikk jeg muligheten til å begynne i Sintef som forretningsutvikler, og etterhvert fikk jeg lov å være med å bygge opp vår satsing på kunstig intelligens.

SS: Sintef Oslo og Sintef Trondheim. Spiller det noe rolle?

AR: Jeg sitter i Oslo vi er 400-500 mennesker I Oslo. Og er Oslo sitt største forskningsinstitutt. Det er ikke alle som har fått med seg det. Jeg jobber forså vidt på tvers av Sintef. I Sintef digitalt sitter vi med metodeutviklingen.

SS: Hva betyr det?

AR: Vi sitter på kompetanse innenfor matematikk, kybernitikk, stordata og AI. Den muliggjørende teknologien er det vi sitter og utvikler. Også jobber vi på tvers av alle bransjer. Vi er både direkte selv, men er også i prosjekter med de som jobber med petrolium, hav, energi.

SS: Det du nevner nå er de forskjellige instituttene dere har i Sintef? Og der fokuserer man på hav, petrolium eller energi... Hva er det viktigste å jobbe med i Sintef?

AR: Vi jobber med det vi kaller for anvendt forskning. Det som er viktig er at alt vi gjør skal tas i bruk av industrien. Vi ligger altså mellom grunnforskningen, som universitetssektoren driver med og det industrien selv gjør i utviklingsarbeid. Så vi ligger i skjæringsområdet mellom der. Så hvis du snakker om «teknology revens level». Som sier noe om modenhet på teknologi på en skal fra 1-10 der 1 er helt nye ideer, og 7 er når det tas i bruk. Så jobber vi stort sett mellom 3-6 på den skalaen der.

SS: Jeg vil fremheve noe du sa. Du er en flott jente, relativt ung. Også jobber du med AI. Men du har også jobbet med forretning og strategi og veldig dyp teknologisk forskning. Og for det første sier man av og til at «jentene ikke liker dette». Det er du ett veldig godt moteksempel på. Jeg vil også si det er mange jenter som lurer på om de skal i business og økonomi eller teknologi. Og du er fantastisk eksempel på en som kombinerer dette. Man trenger ikke bestemme seg helt fra man er 12, man kan lære seg spennende ting underveis også blir man helt unik. Men først, hvorfor synes du teknologi er spennende?

AR: Jeg synes det er spennende fordi jeg får være med å forme den nye Norge og hvordan vi kan bygge en ny kunnskapsbasert næring i Norge. Jeg tror det er veldig viktig for at AS Norge skal lykkes, at man samler på kunnskap og teknologi. Og litt med det å få jenter interessert i teknologi. Mitt gamle institutt har klart å få 40% jenteandel på topp 10 av studiene med høyeste karakterkrav. Min filosofi har vært at, skal man lære de tunge fagene, er det lurt å gjøre det tidlig og i ett miljø og en setting hvor det er lett å lære. Også er det mer av det andre som er lettere å tilegne seg senere, som økonomi og strategi.

SS: Vi snakket litt om Sintef overordnet. Men du er egentlig ansvarlig for AI og forskere som jobber med det. Kan du ikke fortelle litt om hva greien med AI er. Jeg vet det er veldig komplekst, og at det er veldig mange «buzz words» man kan kaste på bordet nå. Men hvis du måtte velge ett par, hva ville du begynt med?

AR: Mange ser kanskje for seg Sience Fiction filmer fra Hollywood når man snakker om AI. Jeg mener det er ett metodesett på samme måte som matematikk, algoritmeutvikling, kybernitikk, programering, opptimering osv. Så det er ikke ett nytt metodesett, men gamle algoritmer som er utviklet fra 50 og 60-tallet. Men nå har de fått nytt liv. Igjennom at man har fått tilgang til mye mer data ved hjelp av sensorer. Man har mulighet til å lagre dette, og har andre muligheter for å regne på dette enn tidligere.

SS: Hva regner man på?

AR: Man kjenner igjen mønstre. Sånn som google sier: vi har ikke nødvendigvis de beste algoritmene, men de er de som har mest data. På samme måte tror man kineserene er de som kommer til å vinne AI racet, for det er ett globalt race på vei. For det er som kommer til å få mest data. De bryr seg ikke om GDPR og sånn som vi gjør i Europa.

SS: Og når man har masse data, kan man bruke statistikk for å finne mønstrene som er relevante for prosessforbedring eller styring av samfunn. Eller hva skal man med data?

AR: Særlig når man har nevrale nett. Blir resultatet av algoritmene bedre og bedre jo mere data du har å trene på. På Statistiske metoder flater du mere ut, når du kommer opp i en viss mengde data.

SS: Resultatet er læring. Kan du fortelle oss litt om forskjellige type læring?

AR: Hvis vi begynner med kunstig intelligens. Kan man se på dette med at maskiner begynner å få litt menneskelig intelligens. Ved at det klarer å forstå ting, ta avgjørelser, handle og tilpasse seg. Også kan man si maskinlæring er en måte å oppnå kunstig intelligens på.

SS: Så maskinene kan lære og planlegge og avgjørelser?

AR: Ja. Også kan man si at innenfor maskinlæring har man tre hoved typer. Du har veiledet læring, ikke veiledet læring og forsterkningslæring.

SS: Ett konkret eksempel på dette er hvordan maskiner lærer seg å kjenne igjen ansikter eller ting. Hunder. En Chihuauha versus en Labrador. Vi mennesker har mange tusen år med revolusjon som har forbedret vår evne til å tolke verden rundt oss visuelt. Dette trodde vi at vi var unikt gode på, og derfor kunne bilene aldri kjøre så bra som oss. Men nå begynner det å skje noe spennende. Hva gjør disse tre forskjellige metodene når de skal lære en maskin å kjenne igjen en hunderase?

AR: Ser man på veiledet læring først. Så vil den få ett stort datasett inn med bilder av forksjellige hundetyper som sier at dette er en Chihuauha dette er en Sjefer dette er en Labrador. Også har den etterhvert sett flere hundre tusen bilder av de forskjellige rasene, og da vil den lære opp en algoritme slik at neste gang den får opp ett bilde av en hund den ikke har sett på. Så vil den si at dette ligner på denne kategorien som jeg har sett før. Men en viss sansynlighet. Men bruker du ikke veiledet læring, og du gjør det litt enklere ved at du ser på hunder, katter, ender og hester. Så ville den kanskje ikke visst at det var en hest, men sett at dette er bilder som ligner på verandre og kunne da skjønt at det var en type kategori. Det samme som Netflix gjør når du ser filmer. Algoritmer vil kanskje si at du liker romantiske komedier, krim.

SS: Så den forstår selv og lager sin egen kategoristruktur og forståelse av verden opp hodet sitt?

AR: Ja. Og det er litt det samme når du ser på Iphonen din og har sett bilder av samme personer flere ganger og etterhvert skjønner at det er grupper.

SS: Facebook gjør noe spennende nå. De foreslår tagger, som er ganske så presise etterhvert.

AR: Jeg har med vilje ikke tagget barna mine, og den klarer fint å kjenne igjen mannen min og moren min. Men barna mine der glemmer den.

SS: Bra! Hva er forsterket læring?

AR: Det er der man gir den pluss poeng når den gjør noe riktig, og minus poeng når den gjør noe feil. Så i spill er ganske typiske eksempler sjakk eller og. «hvis du gjør dette trekket er det mer sannsynlig at du vinner til slutt, enn hvis du gjør dette trekket.» Så den lærer å gjøre de riktige tingene. Ett annet eksempel som er tettere på det vi jobber med. Er en robotarm som skal plukke deler som ligger hulter til bulter, og da må vi både bruke syn og ett 3D kammer. Som forså vidt også er Sintef teknologi. Til å se hvor bitene ligger, også må den lære hvordan den på best mulig måte kan få fatt i en bit og flytte den fra en kasse til en annen. Og da vil den få pluss poeng hvis den får tak i biten og flytter den, og minus poeng hvis den bommer.

SS: Fortell litt mer om noen kule eksempler dere gjør i Sintef? Gjør dere noe for energi, skipping?

AR: Ja. Vi gjør det og. Men noe av det som kanskje er lettest å forstå er det vi har jobbet med innenfor programmering, som vi har jobbet med i 20 år. Der man optimerer ruteplanlegging. I gamledager når alle hadde papiravis. Handlet det om hvordan man kunne utnytte tiden til avisbudene best mulig, slik at avisen ble fortest mulig levert. Men nå er det ikke så mange som har papiraviser lengre, så nå handler det mer om leveringstid på for eksempel middags kasser, eller minimalisere tiden en hjelpepleier brukes på reise. Og få mere tid hos brukerne.

SS: Hvordan definerer man oppgavene dere får. Jeg har inntrykk av at det er uendelig mange kule prosjekter. Men vet folk hva de kan oppnå med AI? Hvordan skal vi få flere til å bruke dette. Er det læring det går på?

AR: Jeg tror det er viktig å definere problemstillingen først. Altså, hvilket problem ønsker du å få løst. Og hvilke muligheter har du lyst å utnytte. Også er det hvilke metoder du bruker for å løse det, som kommer i neste rekke.

SS: Jeg tror det er mange eksempler i hverdagen vår som er AI teknologi, som vi ikke tenker over. For eksempel plastsortering. Det gjør dere noe spennende her?

AR: Ja. Det er også gammel Sintef teknologi som har kommet over 20 år. Der man bruker optikk for å se hvilken type plast, eller hvilken type søppel det er. Også har man da sentral sortering, i stedet for at du må gjøre det hjemme selv.

SS: Internasjonalt. Hva er dine favoritteksempler der hvis folk ønsker å forstå litt AI?

AR: Det er veldig mange gode online kurs. Coursera har gode kurs. Finnland har gjort noe veldig morsomt. De har ett kurs som heter «Elements of AI». Ett online kurs som de ønsker å få 1% av befolkningen igjennom.

SS: Jeg ser også det finnes mange programmeringskurs. Der er ganske spennende grensesnitt mot AI. Må man kunne veldig mye programmering for å begynne å teste dette?

AR: Det finnes jo masse biblioteker «...». Så det er vell egentlig bare å sette seg ned å prøve.

SS: Hvis vi skal legge igjen ett sitat i folks minne, er det noe du liker spesielt godt om AI?

AR: Stanford som har vært professer på Stanford, og er leder av Coursera. Og han snakker om at på samme måte som elektrisiteten var med å transformere verden for 100 år siden, så klarer ikke han se for seg en næring som ikke kommer til å bli påvirket av AI de neste årene.

Han sier også at det å bekymre seg for onde draps roboter i dag, er litt det samme som å bekymre seg for overbefolkning på Mars. Vi er ikke helt der enda.

SS: Kan du hjelpe oss litt med visualisering. Når folk tenker på AI, hva mer kunne man gjort?

AR: Hvis jeg skal si noe er viktig for Norge. For jeg mener Norge kunne gjort så mye mer enn hva som skjer i dag. Det å utnytte de mulighetene som ligger i data, og bruke de dataene til å skape ny næring. når man oppdaget olje i 1969. Det å klare å bruke det til å å skape nye bein, både for gamle selskaper. Som Kongsberg gjør med Kognify. Og klare å få nye arbeidsplasser som Kognite og «..». Og klare å løfte fram dette, å bygge ny næring i Norge basert på dette. Det synes jeg er veldig viktig.

SS: Anne Marthine Rustad, forskningsleder i Sintef. Tusen takk for at du kom hit og lærte oss om kunstig intelligens.

AR: Takk for at jeg fikk komme.


Hvem er du, og hvordan ble du interessert i AI?

Studerte siv.ing på NTNU i teknisk kybernetikk, PhD i marin kybernetikk. Jobbet i DNV, BCG og Aker Solutions før jeg begynte i SINTEF. Fikk forespørsel om å begynne i SINTEF Digital og komme mer tilbake til fagområdet mitt. Har også hatt 1.amanuensis II på NTNU.

Hva gjør dere på jobben?

I SINTEF driver vi med anvendt forskning, der alt skal kunne tas i bruk av industrien ganske raskt. Det vil si den forskningen som er mellom akademisk forskning som gjøres på universitetene og det som industrien selv utvikler.

Hva er greia med AI?

For oss er det et metodesett som bygger på matematikk, programmering, algoritmeutvikling, optimering, kybernetikk og så videre.

Hvorfor er det spennende?

I kombinasjon med data drevene modeller (AI) og mer tradisjonelle metoder kan vi få til ting der de tradisjonelle metodene kommer litt til kort.

Hva synes du er de mest interessante kontroverser?

Det er mange myter om AI, men av dem er at AI tar jobbene. En del jobber kommer til å forsvinne, men det er også mange nye jobber som vil komme til, også jobber vi ikke kjenner til dag. Derfor er det viktig å utdanne og etterutdanne folk.

Ditt eget selvlaget beste eksempel på AI?

Et eksempel som er i skjæringspunktet mellom analyse og AI: Mønstergjenkjenning kan sees på som en enkel form for AI. Plastsortering og søppelsortering var SINTEF tidlig ute.

Dine andre favoritteksempler på AI internasjonalt og nasjonalt?

Det er mye AI rundt oss hver dag som vi ikke nødvendigvis er klar over; spam-filter på mail, anbefaleringer om musikk og filmer på Spotify og Netflix, forslag til neste kjøp på Amazon, selvfølgelig stemmestyring som Siri, Alexa osv.

Hva slags mental modell bruker du for å forklare hvordan det funker?

Veldig enkelt kan man si at AI er vitenskapen om å bygge dataprogrammer som kan utføre oppgaver som krever man anser å kreve intelligens om det gjøres av et menneske, sånn som å forstå (feks omgivelsene), ta avgjørelser, handle og tilpasse seg. Maskinlæring er en måte å oppnå dette på og algoritmene gir bedre resultater når de får mer data å øve seg på.

Hva gjør vi unikt godt i Norge av dette? Jeg tror det er i B2B markedet i bransjer der Norge allerede er ledende (O&G, maritim, osv) at vi bør ta det i bruk for å sikre konkurransekraft. I havbruk brukes det til å beregne for og medisinering.

En favoritt AI sitat?

Andrew Ng: Worrying about evil AI killer robots today is a little bit like worrying about overpopulation on the planet Mars.”

Anne Marthine Rustad
Forsker
Sintef
CASE ID: C0067
TEMA: AI AND BIG DATA TECHNOLOGY
DATE : 181019
DURATION : 18 min
LITERATURE:
Finland sitt prosjekt: Elements of AI
YOU WILL LØRN ABOUT:
AI
AI i norsk næringsliv
Algoritmeutvikling
Maskinlæring
QUOTE
"Et av våre beste eksempler på AI er hvordan vi gjennomførte en ugress-sprøyte som undersøkte hvor mye ugress det var i åkeren for deretter å beregne hvor mye ugressmiddel og hvilken type man skulle bruke."
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