LØRN Case #C0996
AI for inspeksjon - Hvordan digitalisere noe digitalt;
I denne episoden av #LØRN snakker Silvija med CTO i eSmart Systems, Erik Åsberg. Erik har selv bakgrunn fra systemutvikling, og ble veldig interessert i AI eSmart Systems begynte å teste det for prediksjoner på strømnettet I 2015. eSmart Systems er et selskap som transformerer måten verdens ledende energileverandører inspiserer og vedlikeholder kritisk infrastruktur. I forteller Erik om hvorfor AI er en viktig bidragsyter for å vedlikeholde kritisk infrastruktur, og hvorfor det er helt avgjørende for elektrifiseringen og det grønne skiftet.

Erik Åsberg

CTO

eSmart Systems

"Tough times never last but tough people do."

Varighet: 41 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 AI og teknologien rundt?

Jeg er CTO i eSmart Systems, kommer fra Halden, har bakgrunn fra systemutvikling og ble veldig interessert i AI når vi begynte å teste det for prediksjoner på strømnettet i 2015. Og så er det jo utrolig gøy å lage løsninger for noe så viktig som energiforsyning.

Hva er det viktigste dere/du gjør på jobben?

Vi automatiserer inspeksjon av kraftinfrastruktur. Dette er en prosess som er dyr, farlig og tidkrevende og vha. Innen AI så gjør vi strømnettet sikrere og strømforsyningen mer robust.

Hva fokuserer du på innen teknologi/innovasjon?

Akkurat nå er det alt som har med inspeksjoner å gjøre. Hvordan kan vi effektivisere innhenting av data, hvordan kan vi bruke skogbruksdata for bedre vegetasjonskontroll, hvordan kan vi bruke satellitt-data for enda bedre oversikt osv.

Hvorfor er det spennende?

Energiforsyning og elektrifisering spesielt, er helt avgjørende for å få til nettnull i 2050. Det å kunne hjelpe til med at transmisjon og distribusjon av strøm er stabil, er utrolig givende med tanke på det grønne skiftet og hva som skjer med verden.

Hva synes du er de mest interessante kontroverser?

AI vs. fageksperter, menneske vs. maskin er interessant. Vi merker innenfor vårt fag, at noen har en forventning (og andre en frykt) over at systemet vi lager skal erstatte fagekspertene som gjør denne jobben i dag. Det å få fagekspertene til å forstå at vi faktisk gir de superkrefter, er en interessant diskusjon.

Dine egne relevante prosjekter siste året?

Jeg har hatt lite tid til annet enn å jobbe og studere. Fulltids jobb og fulltidsstudent på MIT har vært utrolig gøy og samtidig et råkjør.

Dine andre favoritteksempler på lignende prosjekter, internasjonalt og nasjonalt?

Droneselskapet Skydio slapp akkurat forrige 3D Scan, en drone som autonomt skanner objekter til 3D-modeller.

Xcel Energy i USA har akkurat fått lov til å fly sine droner for inspeksjon BVLOS (Beyond Visual Line of Sight)

Begge disse vil åpne helt nye dører når det kommer til inspeksjon av kritisk infrastruktur, som strømnettet.

Hva tror du er relevant kunnskap for fremtiden?

Jeg har fortsatt en stor tro på en grunnleggende IT-forståelse, sammen med en annen utdannelse, er en sterk kombo.

Eller motsatt, en grunnleggende forståelse for et annet fag som f.eks. økonomi, sammen med IT.

Kombinasjonen åpner muligheter.

Hva gjør vi unikt godt i Norge innen AI?

Vi er gode til å samle kreftene våre. Cluster of Applied AI, som Smart Innovation Norway har startet, har akkurat fått med seg f.eks. Microsoft. Samtidig er Norge et trygt og stabilt land å bo i, så flinke ressurser har lyst til å komme til Norge.

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

Jeg er CTO i eSmart Systems, kommer fra Halden, har bakgrunn fra systemutvikling og ble veldig interessert i AI når vi begynte å teste det for prediksjoner på strømnettet i 2015. Og så er det jo utrolig gøy å lage løsninger for noe så viktig som energiforsyning.

Hva er det viktigste dere/du gjør på jobben?

Vi automatiserer inspeksjon av kraftinfrastruktur. Dette er en prosess som er dyr, farlig og tidkrevende og vha. Innen AI så gjør vi strømnettet sikrere og strømforsyningen mer robust.

Hva fokuserer du på innen teknologi/innovasjon?

Akkurat nå er det alt som har med inspeksjoner å gjøre. Hvordan kan vi effektivisere innhenting av data, hvordan kan vi bruke skogbruksdata for bedre vegetasjonskontroll, hvordan kan vi bruke satellitt-data for enda bedre oversikt osv.

Hvorfor er det spennende?

Energiforsyning og elektrifisering spesielt, er helt avgjørende for å få til nettnull i 2050. Det å kunne hjelpe til med at transmisjon og distribusjon av strøm er stabil, er utrolig givende med tanke på det grønne skiftet og hva som skjer med verden.

Hva synes du er de mest interessante kontroverser?

AI vs. fageksperter, menneske vs. maskin er interessant. Vi merker innenfor vårt fag, at noen har en forventning (og andre en frykt) over at systemet vi lager skal erstatte fagekspertene som gjør denne jobben i dag. Det å få fagekspertene til å forstå at vi faktisk gir de superkrefter, er en interessant diskusjon.

Dine egne relevante prosjekter siste året?

Jeg har hatt lite tid til annet enn å jobbe og studere. Fulltids jobb og fulltidsstudent på MIT har vært utrolig gøy og samtidig et råkjør.

Dine andre favoritteksempler på lignende prosjekter, internasjonalt og nasjonalt?

Droneselskapet Skydio slapp akkurat forrige 3D Scan, en drone som autonomt skanner objekter til 3D-modeller.

Xcel Energy i USA har akkurat fått lov til å fly sine droner for inspeksjon BVLOS (Beyond Visual Line of Sight)

Begge disse vil åpne helt nye dører når det kommer til inspeksjon av kritisk infrastruktur, som strømnettet.

Hva tror du er relevant kunnskap for fremtiden?

Jeg har fortsatt en stor tro på en grunnleggende IT-forståelse, sammen med en annen utdannelse, er en sterk kombo.

Eller motsatt, en grunnleggende forståelse for et annet fag som f.eks. økonomi, sammen med IT.

Kombinasjonen åpner muligheter.

Hva gjør vi unikt godt i Norge innen AI?

Vi er gode til å samle kreftene våre. Cluster of Applied AI, som Smart Innovation Norway har startet, har akkurat fått med seg f.eks. Microsoft. Samtidig er Norge et trygt og stabilt land å bo i, så flinke ressurser har lyst til å komme til Norge.

Vis mer
Tema: AI- og datadrevne plattformer
Organisasjon: eSmart Systems
Perspektiv: Mindre bedrift
Dato: 210607
Sted: VIKEN
Vert: Silvija Seres

Dette er hva du vil lære:


AIMaskinlæring
Infrastruktur
Dronetech

Mer læring:

Crossing the Chasm av Geoffrey A. Moore

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

#C0045
AI- og datadrevne plattformer

Michael Link

Forsker

Kongsberg

#C0044
AI- og datadrevne plattformer

Heidi Dahl

Forsker

Sintef

#C0043
AI- og datadrevne plattformer

Sverre Kjenne

Leder

BaneNor

Utskrift av samtalen: AI for inspeksjon – Hvordan digitalisere noe digitalt;

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

 

 

Silvija Seres: Hei og velkommen til Lørn-samtale. Mitt navn er Silvija Seres, og gjesten min i dag er Erik Åsberg, som leder selskapet eSmart. Velkommen, Erik.

 

Erik Åsberg: Tusen takk. 

 

Silvija: Du er CTO i eSmart, for å være mer presis på det. Jeg skal si noen korte ord om selve serien, bare for at folk vet hva de hører på, også går vi inn i samtale om AI anvendt på industrielle systemer, i dette tilfellet strømnettet. Vi lager en liten serie om anvendt AI, vi har lyst til å samle inn årets ferskeste eksempler på hva som skjer i Norge på tvers av alle bransjer med bruk av AI. Og da snakker vi altså med deg, Erik, om det eSmart gjør. Da tenker jeg kanskje at vi begynner der, og spør deg hvem du er og hva du gjør?

 

Erik: Jeg er Erik Åsberg, kommer opprinnelig fra Halden. Jeg jobber som CTO i eSmart systems, et selskap som jeg var med å starte i den tid. Nå er vi blitt over 110 ansatte, faktisk. Og jobber med å automatisere inspeksjon av strømnettet. 

 

Silvija: Inspeksjon av strømnettet. Hvorfor er det viktig, hvorfor er det gøy, hvorfor er det vanskelig?

 

Erik: Vi kan starte med det siste egentlig, hvorfor er det vanskelig? I dag så gjøres det her manuelt av at man flyr helikopter ofte. Kanskje man ikke engang tar bilde, men henger ut av vinduet og med en kikkert for å se etter feil. For det første, så går man jo glipp av veldig mye, for det andre er det farlig. Også har man begynt å digitalisere dette i form av å ta bilder, men disse bildene må jo også ses på, da. Og det er utrolig tidkrevende, og det er masse eksempler på nettselskaper som har fått feil selv om vi faktisk tar bilder, men de har ikke rukket å prosessere bildene enda. Så det er den vanskelige delen av det. Det er en prosess som er dyr og tidkrevende og farlig. Hvorfor det er interessant, er fordi elektrifiseringen av samfunnet nå, og hvis vi skal klare de klimamålene vi har satt oss, så er vi helt avhengige av en solid infrastruktur, spesielt på energisiden, og da spesielt på nett. Så det vi gjør nå for å holde et stabilt nett gående, ved hjelp av inspeksjoner, det er helt kritisk for samfunnet og for utviklingen også når det gjelder bærekraft. Så det gjør det kjempeinteressant å jobbe med.

 

Silvija: Og jeg skjønner at det er også litt morsomt, fordi jeg antar at disse bildene av ledninger og master, altså, en ting er å se hvis en mast har falt eller en stolpe har falt. Men det å se om ledningen er hel er ikke så veldig enkel bildeanalyse?

 

Erik: Nei, det er faktisk ganske avansert. En vaier består jo av tvinnede ståltråder som i seg selv blir ganske små, og når man skal se at en ståltråd har sprukket eller gått av fra selve vaieren, så krever det ganske mye spesielt når man har tatt bilder ovenfra, kanskje mot et hogstfelt, for eksempel. Så da krever det ganske mye. Eller skog, eller om vinteren for den saks skyld. Så det krever veldig mye. Og vi har et bra eksempel med et fransk nettselskap som vi jobbet med, som skulle teste hvor flinke vi var på nettopp dette. Og de ga oss et datasett, også hadde de en fasit. Men så viste det seg at vi fant 2,5 ganger flere feil enn det de hadde i sin fasit. Og det sier noe om hvor vanskelig det er å detektere dette med menneskelige øyne. Så det er et veldig godt eksempel på hva AI kan bidra med, faktisk, i den prosessen.

 

Silvija: Ja. Men du. Så i utgangspunktet så tenkte jeg at eSmart er sikkert noe med markeder og fleksibel produksjon og konsepsjon også videre, men hovedfokus er altså en slags garantiordning nærmest for de som er kunder, for at man skal finne feilene og få fikset dem så fort som mulig for å garantere en kritisk infrastruktur?

 

Erik: Ja. På en måte er det det. Nå har jo ikke vi turt å dra det så langt at vi garanterer ingen feil etter en inspeksjon er gjort med vår software enda. Men det er akkurat det det dreier seg om, å finne feil, vedlikehold. Men også dokumentere for at man skal kunne dokumentere tilstand, for eksempel i USA er det veldig viktig nå, det har vist seg at strømnettet har utløst flere skogbranner. For nettselskapene er det superviktig å ha dokumentasjonen i orden, sånn at de kan vise til myndigheter at "våre undersøkelser viser at tilstanden var nøyaktig sånn den skulle være" før brannen startet. Så det er flere aspekter her som har blitt veldig viktig. Også det å kunne se utvikling over tid. For eksempel rust i stålmaster, hvordan det utvikler seg. Vi har metodikk for å måle hvor mye rust det er og hvor mye det utvikler seg over tid, og da er vi på vei mot prediktivt vedlikehold og det aspektet i tillegg. Så det er flere aspekter her som leveres inn i den tjenesten.

 

Silvija: Ja, veldig spennende. Og dette her er da image analysis, altså bildeanalyse-AI, først og fremst?

 

Erik: Det er det, først og fremst. Det er først og fremst bilder vi jobber med, også jobber vi også litt med punktskyer, enten de er bygget opp av fotogrammetri eller satellittdata, men også på infrarøde kameraer for eksempel. Så det er flere varianter av bildeinformasjon som vi analyserer, det er det.

 

Silvija: Og da skal man egentlig samkjøre informasjon fra disse her, og prøve å se avvik? Fortell oss litt, la oss si at vi kan ingenting om AI, også er dette her et spennende eksempel så vi skal forstå litt mer om AI. Så dere må samle data, dere må lage noen modeller, hva gjør man?

 

Erik: Ja. Vi kan gå gjennom hvordan vi jobber med en kunde hvis vi skal gjennomføre for eksempel en pilot med en kunde for å overbevise dem om at dette er bra. Da starter vi alltid med et dataunderlag, og det kan enten være noe de har samlet inn fra før, og for vår del så spiller det ingen rolle om det er samlet inn med droner eller helikopter eller mobiltelefoner, bare de er av en viss kvalitet. Men de fleste kameraer i dag holder den kvaliteten som trengs. Også ser vi på hva er det nøyaktig de sliter med i dag, hva er det som gir dem mest verdi. Og det kan være for eksempel et område hvor de har mye sprekker i isolatorer, det kan være noe så banalt som hakkespetthull som faktisk er et stort problem mange steder. Det kan være fuglereir, eller det kan være bittesmå låsepinner som man bruker for å låse fast delene sammen i masta. Så det varierer veldig hva man fokuserer på, også har vi modeller for å kunne gjenkjenne enten disse låsepinnene eller sprekker i isolatorer eller fuglereir eller hva det måtte være. Kan hende vi må tune litt på det, for infrastrukturen i Tyskland er litt annerledes enn i Sverige, og i USA er det forskjeller fra stat til stat også videre. Så må kanskje tune litt på modellene. Også kjører vi dette inn i verktøyet vårt som heter Grid Vision. Og det er jo det verktøyet som inspektøren bruker, så når noen har gjort en datainnsamling, så kommer bildene inn, også må man gå gjennom bildene. Og tradisjonelt sett må man se på bilde for bilde, men hos oss så plukker vi ut det beste bildet, også highlighter vi området for bildene, hvor de bør fokusere. Vi har sagt at her er det noe, verifiser. Og det her er det vi kaller for collaborative AI, det vil si at vi ønsker ikke å gå inn og erstatte eksperten, vi ønsker å gi eksperten superkrefter. Og det er litt viktig, for det er en diskusjon om AI versus eksperter, og kommer maskiner til å ta over også videre. Den tilnærmingen har ikke vi, vi ønsker å gi de som jobber med superkrefter å kunne gjøre sin jobb både raskere og med høyere nøyaktighet. Også sitter de og sier, og egentlig gir feedback til vår AI, sier at dette stemmer, dette stemmer, så kanskje finner de en ting som vi har gått glipp av og tegner det opp på bildet, også gir de det tilbake. Også gir det et resultat. Men samtidig, når de gir den feedbacken, så trener de også og styrker vår AI. Og dette gjøres jo på tvers av alle våre kunder, for vi bruker de samme modellene for alle kundene. Så vi får en veldig selvforsterkende effekt som gjør at vår AI blir kontinuerlig bedre og bedre, gjennom at ekspertene faktisk sitter og jobber med det. Også blir resultatet da en inspeksjon som tradisjonelt sett gjerne er en rapport som sier "dette er kritiske feil, dette er nummer 2" og er gjerne gradert til kanskje 5 nivåer. Også må vi ta stilling til dette, men vi jobber også videre med hva kan vi bruke de dataene til, i form av prediktivt vedlikehold og hvordan utvikler ting seg over tid. Så vi ønsker å gjøre det her ikke bare til en utgift som de må gjøre, for inspeksjoner er jo pålagt, men å gjøre det til en prosess som faktisk øker verdien for dem. Som blir viktig for oss også i innsalget vårt, men også fordi vi sitter på så mye data nå at vi vet jo veldig mye om tilstanden på de forskjellige komponentene, også på tvers av kundene våre. Fordi kunder kan jo bare se sitt eget nett, men vi kan se mange kunders nett. Så vi kan jo vite at en isolator av denne typen som står i et sånt miljø vil gjerne få disse feilene. Fordi vi har et mye større datasett enn det kundene våre isolert sett har. Så det er typisk hvordan vi jobber med dette. Også er det definert noen kriterier i en pilot, som viser om vi når de kriteriene eller ikke.

 

Silvija: Ja. Og jeg hører deg snakke internasjonalt, kan du si litte grann om alternativer og konkurrenter, hvordan jobbes med dette ellers?

 

Erik: Ja. Det er noen konkurrenter der ute, og gjerne sånne som også driver med droner. Det er fordi en ting er at de lager hardwaren, men de også ønsker å ha et system på baksiden. Veldig mange som leverer hardware i dag uansett bransje har jo gjerne et system som skal støtte opp under hardwaren. Det er gjerne konkurrentene våre. Forskjellen er at de fokuserer ikke på en vertikal, de fokuserer på mange industrier, og blir sånn 70% gode. Hvis du skal ha den ordentlige fordelen, så kan vi i energibransjen, vi kommer jo fra energibransjen, kjerneteamet har jobbet med energi og IT i over 20 år, og kommer fra den industrien, har domenekunnskapen. Og det skiller oss veldig fra de andre. I forhold til geografier, så har vi fokusert nå på Europa og USA, og har sånn 50/50 kunder i Europa og USA. Så driver vi mye av RMD-arbeidet vårt i Norge. Det gjør vi.

 

Silvija: Men du. Du ønsket å digitalisere eller ha en overskrift som snakker om hvordan digitalisere noe digitalt. Forklar det litt for oss?

 

Erik: Ja. Det dreier seg egentlig om akkurat denne prosessen her. Hvis man flyr og samler inn bilder i dag, så er det gjerne sånn at de bildene kanskje blir gitt over på en bærbar harddisk eller på en større minnepinne eller ett eller annet, og det vi ender opp med er at de ekspertene hos nettselskapene, de har en harddisk her og noen bilder der og noe på en harddrive, noe i skyen, og har egentlig ikke noe system, for de jobber og får inn bilder fra forskjellige kilder. Og det vi gjør, er å sette det her inn i en strøm, en arbeidsstrøm, sånn at vi har et grensesnitt der bildene tas imot, sånn at de kommer inn i systemet, de har full oversikt. Også blir også funnene og bildene som er tatt også gitt tilbake i en oversikt i systemet. Sånn at man lett kan finne igjen hvilke master jeg har inspisert, hva heter denne masten, hvilke bilder hører til denne masten også videre. Så ta all den informasjonen vi får i dag, sette det i system, gjøre det mye mer effektivt å prosessere den, men også gi de historikker og dokumentasjonen. Da er det jo allerede digitalt det vi jobber med, men vi digitaliserer jo egentlig prosessen. Så det er det hovedfokuset vårt er.

 

Silvija: Dere digitaliserer prosessen, men også tror jeg dere beriker den med data på flere nivåer. For det blir veldig mye mer gjenbruk av læring med den modellen deres.

 

Erik: Det er helt riktig, det er jo noe av poenget her, og det er noe av det som gjør oss til faktisk de beste i verden på dette. Det er at vi klarer å sette sammen dataene fra mange forskjellige kunder, jobbe med de samme modellene, og la kundene våre bidra til å forbedre dette. Sånn at når de jobber, som de uansett må gjøre, også forbedrer hele den automatiske prosessen. Spesielt gjenkjenningen. Så absolutt. Også ser vi nå også på å ta inn strømdata, andre typer ikke-bildedata. Målinger fra sensorer og sånne ting, også kan vi koble det opp mot bildene. Men det ligger litt lenger frem i tid, men det er på en måte det neste steget. Og da kan vi begynne å se på hvorfor har det utviklet seg en feil på denne isolatoren, eller hvorfor er denne linja høyere belastet, og hva fører det til? Så da begynner vi virkelig å koble sammen forskjellige datakilder, og beveger oss veldig i prediktivt vedlikehold. 

 

Silvija: Og dette skaper rom for noen nye forretningsmodeller også. Så hvis vi snakker om egentlig denne strategiske utviklingen på basis av data og maskinlæring og anvendt AI, så snakker vi veldig ofte om kostnadsbesparelser i forhold til at det er raskere, det er lettere å gjøre det vi har gjort før. Men dette skaper egentlig rom for helt nye tjenester og nye forretningsmodeller også. Kan ikke du snakke litt om det?

 

Erik: Jo, det kan jeg fortelle litt om. Og det er helt riktig som du sier, at først og fremst så dreier det seg om kostnadsbesparelser. En ting er å vise til en besparelse, men vi må også vise til hva vi kan føre til av nye muligheter for kundene våre. Og da er det jo veldig viktig med den prediktivt vedlikehold-retningen. Men hvis du ser på tradisjonelle forretningsmodeller, så leverer vi jo ut tjenesten ofte som en SaaS, så de betaler en månedlig avgift for å ha tilgang til systemet. Det er en ting, og det er ikke så revolusjonerende i seg selv. Men det vi også ser er at mange har behov for noe som vi har begynt å kalle inspection as a service. Og det betyr at vi tar vår software, tar med oss partnere, og tilbyr en ende-til-ende-tjeneste for nettselskapet. Som gjør at vi kan komme til oss og si at "vi trenger å få inspisert dette linjestrekket, hva har vi her". Og da tar vi med oss noen som kan gjøre innsamling, vi kan ta med oss ingeniører som kan gjøre virtuelle inspeksjonen, gå gjennom bildene. Også har vi en software som automatiserer dette veldig. Og da leverer vi en ende-til-ende-tjeneste som vi kaller inspection as a service. Også tilbyr vi jo en Saas for å ha oversikt over resultatene. Sånn at det blir en kombinasjon hvor software benyttes selvfølgelig i selve inspeksjonen, men vi gir også kunden mulighet til å følge med selv på resultatene. Og der jobber vi nå med innsiktsmodul som blir spesiallaget for kundene, og veldig dras i retning av prediktivt vedlikehold. Så var jo du inne på ista, kan man selge en garanti for at dert ikke skjer feil? Ja, det skal nok litt tid før vi tør det, spesielt med tanke på situasjonen i USA hvor store selskap holder på å gå konkurs på grunn av brann, da er det ganske krevende å levere en garanti. Men det er klart, når vi får comfort nok og føler oss trygge nok til å kunne gjøre det, så er det kjempeinteressant å se på sånne modeller også.

 

Silvija: Og man trenger ikke selge 100% garantier, man kan type finne en måte å pakketere den forbedringen i sannsynligheter for at man har funnet feil.

 

Erik: Absolutt, og det er jo tilbake til det eksempelet tidligere, at vi viser jo at å bruke softwaren vår gir en høyere nøyaktighet. For det er en veldig trøttende oppgave å sitte og se på bilde dag ut og dag inn, og det er veldig fort gjort å gå glipp av noe. Og spesielt, vi ser jo på andre vertikaler nå. Vi har jo en eier som heter Equinor som vi ser på å kunne gjøre dette subsea for eksempel. Og det er jo også noe som gjøres i dag, at noen sitter og ser på en bildestrøm. Veldig fort gjort å gå glipp av noe. 

 

Silvija: Kanskje en hval.

 

Erik: Ja.

 

Silvija: Det er veldig interessant det der, med hvordan kan maskiner og mennesker jobbe sammen. Jeg tror at det er så mange som er bekymret for at de mister jobben sin, men jeg tror man mister jobben sin bare hvis man nekter å være med på denne utviklingen hvor dette her er egentlig bare et nytt verktøy?

 

Erik: Det er helt riktig. Og det er akkurat sånn vi prøver å fremstille dette. For vi lagde jo først, og hadde en ambisjon om å lage en sånn black box som kunne på en måte ta den jobben. Men vi innså jo ganske fort at å erstatte et menneske med så mye erfaring og kunnskap som en ekspert som sitter og gjør dette manuelt, det er utrolig krevende. Og innså heldigvis ikke for sent at vi må få disse til å jobbe sammen. Og denne collaborative AI som du snakket om, det handler om å gjøre de flinkere og raskere til å gjøre jobben sin. Og det er også ganske interessant hos kundene våre, hvordan de reagerer, forskjellige mennesker, på å få inn AI. Noen går i skal ikke si vranglås, men noen er skeptiske og tenker at blir dette fremtiden, så er jo det en utfordring for meg. Mens de som virkelig embracer den muligheten det er å ta i bruk ny teknologi, de trives jo så godt og liker å bidra også. Vi blir jo ambassadører og virkelig bidragsytere inn i systemet, og syns bare det er så herlig å få hjelp til å gjøre jobben raskere og bedre. Men det er en interessant diskusjon, den menneske mot maskin-diskusjonen. Og hvor langt skal man dra det. Jeg liker jo helst å se på det som en litt positiv sak. Hvis vi tar eksempelet med Tesla og selvkjørende biler, hvor mye fokus det får hver gang den krasjer. Men det er veldig lite fokus på hvor mange ganger de har reddet en situasjon. For det kommer aldri frem. Men hvis vi begynner å søke på YouTube over hvor mange ganger Tesla har tatt over og reddet en situasjon, det er mange ganger fler enn det faktisk skjer ulykker. Hvor skal vi velge å ha fokus? Jeg velger å ha fokus på det positive, det som faktisk hjelper menneskene. 

 

Silvija: Jeg tror at det etisk blir uforsvarlig å gjøre noe annet etter hvert. Men det er veldig fascinerende egentlig i en tid hvor vi er nødt til å stole på maskiner og nødt til å bruke de effektivitetene de skaper. Dette vil presse seg gjennom både samfunnsmessig og økonomisk, at vi har egentlig så lite diskusjon da om premisser for de avgjørelsene som maskinene tar. Som du sier, for det første så snakker vi egentlig ikke nok om hvor flinke de har blitt og hvor mye de har lært og hvordan de kan lære enda mer, men vi diskuterer heller ikke hva er de egentlige reglene, hvordan dette her skal egentlig vokse. 

 

Erik: Nei, vi gjør jo ikke det. Og jeg tror kanskje det er fordi man litt sånn har en frykt for hva det betyr, og i tillegg så er det jo blitt sterke kommersielle krefter som jobber med dette, så det er også skummelt å ta den diskusjonen hvis man skal legge begrensning på næringsutvikling også. Samtidig, så kan man ta en tilnærming. Jeg føler meg ganske trygg på den tilnærmingen som vi har tatt med en collaborative AI, og det er helt tydelig at det er mennesket som er sjefen og overstyrer det vår AI foreslår. Også sitter det en ekspert og sier at dette er greit, dette er ikke greit, også videre. Og da er det jo også enklere, den diskusjonen, vi trenger ikke ta stilling til det problemet, fordi vi stoler på at eksperten vet best foreløpig. Også vet jeg ikke om vi kommer til å få den diskusjonen innenfor det vi jobber med, men tilbake til biler igjen, for eksempel, så er jo det en pågående diskusjon. Men spørsmålet er jo egentlig, man må jo være trygg på når man er sikker på at intelligensen, den kunstige intelligensen, er god nok til å ta over styringen. Og nå tror jeg mange foregriper den diskusjonen litt, fordi den er jo åpenbart ikke god nok, men det er et kjempehjelpemiddel. Det er akkurat som du sa, Silvija, det er et verktøy som vi kan ta opp. Et nytt verktøy vi ikke har hatt mer som er mye sterkere enn de andre verktøyene. Og hvis vi ser på det som et verktøy istedenfor noe som skal ta over, så tror jeg den diskusjonen blir litt enklere. For det dreier seg om å få hjelp. Vi har hjelp tilgjengelig som gir oss uante muligheter.

 

Silvija: Vi hadde akkurat parallelldiskusjon i en annen av disse anvendte AI-samtaler, og jeg, som en som har forsket litt på teorien, matteteorien bak litt kompleksitet og sånn, jeg er veldig fascinert av alt fra Gödels ufullstendighetsteorem også videre, men problemet som er spennende med AI er hvordan det anvendes, tenker jeg. Og det er egentlig kombinasjoner av alle disse nisje-AI-løsningene. Og Kina leder kampen der akkurat nå, jeg ser du kommer hjem akkurat nå fra Sloan. Har lyst til å spørre deg litte grann om USA-modellen versus Kina-modellen? Det kommer masse fantastiske algoritmer nå, og folk er litt fortapt i den diskusjonen om general AI og science fiction rundt det, mens jeg har inntrykk av at Kina er ekstremt pragmatiske, jobber veldig bevisst med datainnsamling, jobber superbevisst på sånn smal nisje-anvendelse og fletter det sammen. Og går altså innmari fort inn i fremtiden. Hva tenker du?

 

Erik: Jeg syns det er veldig interessant. For det første hva vi får til, og også hva det egentlig betyr. For det er litt som du sier, jeg får inntrykk av at mye av det lages nettopp for å samle inn data. Også har de kanskje et annet forhold til innsamlet data, eierskap og ikke minst hvem som skal ha tilgang til disse dataene, enn man kanskje i en mer vestlig sammenheng har, som jeg tror er bra. Vi jobber jo blant annet en del i Tyskland. Vi syns jo vi har et bra forhold til personvern i Norge, men i Tyskland så er det en annen verden faktisk. 

 

Silvija: Strengere?

 

Erik: Ja, virkelig mye mer. Og vi ser jo hvordan for eksempel når våre AI-modeller skal tas i bruk i Tyskland, så skal også fagforeningen være med og godkjenne at verktøyet skal ta i bruk. Og det er av hensyn til arbeiderne og også personvernordninger og sånne ting. Mens den vestlige modellen er gjerne å se muligheter. De er veldig opptatte av hvor ender disse dataene, hvem er det som får tilgang, hvem for lov til å bruke de. Og jeg tror at det legger en sunn begrensning på hva som er mulig. Også er mye av teknologien som kommer fra Kina veldig interessant og mind blowing til tider, men det er noe med å ha et forhold til hvem som kan utnytte disse dataene scale. For meg som person, så betyr det kanskje ikke sånn kjempemye, men når kinesiske myndigheter har samlet inn mye data om veldig mange mennesker, så vet vi ikke helt hva de har tenkt til å gjøre med de dataene, og jeg tror vi har en sunn skepsis da, i Norge. Samtidig må vi bare anerkjenne at de er utrolig flinke i Kina til å lage tjenester, også er vi som jobber med kritisk infrastruktur litt bundet også, særlig USA, hvor kinesisk teknologi er en showstopper. Vi har et samarbeid med DJI, droneleverandøren, men i USA, å inspisere kritisk infrastruktur der med kinesiske droner, det kommer ikke til å skje. Det får de ikke lov til, rett og slett. Så vi snakker plutselig om geopolitiske problemstillinger her, faktisk, med en gang vi kommer inn på det temaet. Men veldig imponert over hvor høyt tempo og hva de får til, samtidig så har vel jeg kanskje personlig litt sånn sunn skepsis til hva det ender opp med til slutt. 

 

Silvija: Jeg tror vi alle trenger det, og jeg tror at ikke vi, noen av oss, egentlig innser hvor mye data som samles om oss og hva disse dataene egentlig kommer til å bli brukt for, selv i vårt snille, gode Norge. Men jeg har lyst til å provosere litt. Jeg mener at vi av og til bruker personvern, særlig rettet mot helse i helsesystemer, som en bremser mot innovasjon. Altså, er det virkelig viktigere at ingen får tak i mine blodsukkerdata i skyen, eller at jeg får litt bedre kontroll over den sykdommen jeg har?

 

Erik: Det der er en veldig interessant diskusjon. Faktisk, så lager jo eSmart også en helseløsning som er for folk som ønsker å være hjemme. Og der er jo også noe av tanken igjen at man skal kunne bruke data. Men da er vi jo midt oppi den problemstillingen som du tar opp, Silvija. Hvis vi ikke tillater at dataene brukes, så får vi ikke fremskrittet. Og det er veldig sammenlignbart, sånn i bransjen vi jobber med primært, mot den energibransjen. Hvis nettselskapene tviholder på at sine data er så spesielle at ingen andre kan få se de, vi får ikke tilgang til de utover den analysen vi skal gjøre, så får ikke vi den forbedringen at scale som vi faktisk har nå. Så med våre kunder, så har vi jo også en avtale om at vi får ta inn anonymiserte versjoner av bildedataene, sånn at vi kan bruke det i en større skala. Og det man kan jo kalle det en slags dugnad, for alle bidrar til at tjenesten blir bedre. Men når det er så viktige ting som helsedata, så er jeg også teknolog og ser at vi kunne fått til mer hvis vi hadde vært litt mer pragmatiske på noen av personvernsordningene våre. Og spesielt er jo kanskje på helse, som du sier. For det er ikke tvil om at det er så mye data som blir samlet inn på det området, og man kunne gjort så mye bedre analyser hvis man hadde hatt større datagrunnlag. Så det er jo en begrensning. For oss som driver med teknologi, så føles det litt som en hemsko av og til, såpass ærlig må jeg være.

 

Silvija: Jeg tenker at det er litt viktig å si også at hvis ikke vi samler disse data og lærer om riktig bruk av dem, så er det noen andre som gjør det og ikke spør om hva som er riktig bruk av det også.

 

Erik: Ikke sant.

 

Silvija: Men du. Jeg har også veldig lyst til å spørre deg om bærekraft. Jeg pleier ofte å snakke om innovasjon i tre bøtter, første er effektivisering og kostnadsbesparelser. Det har vi snakket om. Det andre er nye forretningsmuligheter og kanskje modeller, det har vi også snakket om. Bare definisjonen av tjenestene deres, inspeksjon as a service, jeg syns det er fantastisk, og det går på noen nye typer tjenesteverdier som kommer ut av det, som man klarer å oversette til kroner og euro også videre. Men det tredje er bærekraft. Hvordan henger det dere gjør sammen med bærekraft, og hvor kommer maskinlæring inn i bildet der?

 

Erik: Det her har jeg faktisk tenkt ganske mye på i det siste. Og jeg har følt at det har vært en avstand. Men kanskje i forbindelse med en studie jeg har vært på nå, så har det blitt veldig klart for meg at det vi jobber med, det er så nært knyttet til bærekraft omtrent som det kan komme, i den forstand at hvis vi skal komme til netto 0 i 250 og nå de klimamålene vi har satt, så er elektrifisering helt avgjørende. Og da må det bygges ut nett-infrastruktur, altså strømnettet, og det må vedlikeholdes det vi har. Så det vi gjør med å levere vår tjeneste, ved å sørge for at strømnettet er i god stand og er solid og robust, det er helt avgjørende for at vi skal kunne nå klimamålene våre. Faktisk. Da jeg klarte å finne den koblingen selv, så var det en veldig fin, ikke tilfredsstillelse, men man får en ekstra mening med arbeidet som vi gjør og tjenesten vi leverer. Man skjønner at dette er faktisk utrolig viktig for at vi skal nå klimamålene våre. Vi bidrar faktisk hardt for at det skal gå. Og i forbindelse med AI, bruk av AI i dette, så er det akkurat tilbake til det vi snakket om, at det samles inn så mye bilder, infrastrukturen blir større og større, mer og mer bruk av droner, flere bilder kommer inn. Og vi er nødt til å gjøre dette så effektivt som mulig, og også kunne se prediktivt på det. Så vår bruk av kunstig intelligens inn i tjenesten vi leverer, som igjen treffer rett på bærekraft. For meg er det klokkerent, da. Og det er tilfredsstillende å kunne jobbe med noe som er så viktig. Det er det faktisk.

 

Silvija: Jeg tror det er veldig spennende også at bærekraft dreier seg egentlig ikke bare om det grønne og mindre CO2 og mer elektrifisering, men jeg tenker også at det dreier seg om det røde, og det er samfunn og lik tilgang til god infrastruktur og tjenester, og der er dere også kjempeviktige, tror jeg, for å få spredt det tilbudet både til alle i Norge, men også kanskje internasjonalt. 

 

Erik: Absolutt. Og det er klart, igjen, energi er viktig, og hvis man ser, det er fortsatt veldig mange mennesker på jorda, dessverre, som ikke har tilgang til elektrisitet, eller veldig begrenset tilgang til elektrisitet. Og det er klart, igjen, så må det bygges ut infrastruktur, og kanskje vi kan bidra til at det gjøres mer effektivt, fordi vi vet hvilke komponenter som fungerer best i hvilke værsituasjoner også videre. Så vi kan kanskje bidra til at det gjøres billigere, vedlikeholdet gjøres mer effektivt. Så sånn sett, i forhold til det aspektet ved bærekraft, så treffer vi ganske fint der også. Og det er fordi elektrisitet blir så viktig fremover, og er den måten vi kan få redusert klimautslippene våre. 

 

Silvija: Du, mot slutten. Det er to spørsmål jeg har lyst til å gå innom som er litt større, også er det til slutt de der kosespørsmålene igjen. Men to ting som jeg har lyst til å be deg kommentere på. Det ene er at du har da vært et halvt år nå i USA på studier, eller av og på hvert fall. Også har du hatt en kommentar til meg som jeg er 100% enig, om dette med Norge som talentmagnet. Men at vi er kanskje ikke helt bevisste på det. Si litt om hvorfor Norge er en talentmagnet. Og det andre jeg har lyst til å høre deg på, er Crossing the chasm og verdien skalering.

 

Erik: Veldig bra. Når det gjelder talenter, så er jo vi et levende eksempel på hvordan det er mulig å trekke til seg internasjonale talenter til bedrifter i Norge. Men det er to aspekter ved det. for det første tror jeg vi er veldig flinke til å dele i Norge. Veldig flinke, jeg er jo veldig fan av clustervirksomhet. For eksempel cluster for applied AI, som Smart Innovation Norway jobber med, og alle former for klynger som vi driver med i Norge, som jeg tror er en kjempefordel. Fordi vi deler og vi driver ting fremover, og vi henter inspirasjon og vi kan jobbe sammen. Det andre, når det gjelder å tiltrekke seg talenter, er jo at vi må jo dra nytte av at Norge er et fantastisk sted å leve. Det er et stabilt miljø. Vi har fin natur og det er få problemer i Norge. Veldig mange har lyst til å bo og leve i Norge. Og det må vi utnytte bedre. Og det prøver vi. Vi rekrutterer internasjonalt, og faktisk får folk til å flytte hit. Og vi har vel, tror det er 17 forskjellige nasjonaliteter i vårt selskap. Og det viser seg at veldig mange av de vi snakker med da har lyst til å komme hit. Og det tillater vi gjerne. Vil gjerne at de kommer hit. Så å trekke på det, at Norge er et bra sted. Folk har lyst til å leve her faktisk, det er en ressurs som vi må bruke mer, altså. 

 

Silvija: Og chasm?

 

Erik: Crossing the chasm, ja. Det er jo egentlig en teori på hvordan man skal gjøre markedsføring på tech, men vi bruker det egentlig mer som en regel eller en guide for hvordan vi skal bygge selskap. For den beskriver veldig fint hvordan man må treffe for å komme over og treffe de store massene. Så man må liksom hoppe fra de som ønsker å teste, og de er det mange av. Det er mange som ønsker å teste noe. Men å ta det i faktisk bruk. Det som kalles early majority, den teorien. Det er da man virkelig tar fart, for da har man virkelig fått fotfeste i markedet. Og hva skal til for å bridge det gapet der, for at de som bare ønsker å teste til de som faktisk tar det i bruk i drift. Det har vi jobbet mye med, teorien rundt the whole project. Det nytter ikke å bare levere en tjeneste, du må faktisk levere en helhet, sånn at vi gjør det enkelt å ta det i bruk i full skala. Og de som tar det i bruk, faktisk ser at dette er veldig bra. Så man må, fra de testeselskapene som bare ønsker å se at det funker, til de som ønsker faktisk å ta det i bruk i stor skala i produksjon. Og da har vi brukt veldig mye Jeffrey Moore og «Crossing the chasm». Det har vært veldig interessant, og vi har sett at det passer veldig bra for et selskap som oss, sånt som skalerer, og også gitt oss mye input i forhold til hva og hvor vi bør fokusere. Så det anbefales sterkt til alle som vokser selskap. 

 

Silvija: Jeg er helt enig. Fantastisk bok, og egentlig problemstilling som jeg tror veldig mange flere startups burde gå inn i. I første fase er det 0-1, og tvil og det der, men etter det så kommer den der vanskelige, lange marsjen for å ta skala. Og der har du et veldig fint sitat.

 

Erik: Ja. Det dreier seg egentlig, og det er litt sånn cheesy sitat, men «tough times don't last, tough people do». For det handler om, når du vokser selskap, det er mye tøffe tak til tider. Og det gjelder bare å være standhaftig og stå på, faktisk. Så litt sånn trøst i tøffe tider med det sitatet der, det er det altså. Jeg syns det stemmer bra, jeg.

 

Silvija: Jeg er helt enig. Og det som er så interessant, nå driver vi og bygger Lørn da, og det er vanskeligere å være gründer. Selv etter å ha lest «The Hard Things About The Hard Things» og investert i 30 av dem, og vært i styrer og sånn. Men det er noe annet når det er du som ligger søvnløs og vet ikke om du får penger til lønninger, og du får liksom ikke markedet til å skjønne det fantastiske du gjør. Men det er bare å holde ut, for alle har det sånn, og det er de som holder ut som kommer i mål.

 

Erik: Helt riktig. Og jeg kjenner meg igjen. Den har vi jo også brukt. Jeg tror jeg kjenner igjen mye av det du går gjennom i Lørn, også skal jeg ikke si at vi fullstendig i mål enda, men vi jobber knallhardt for å få til, og det ser veldig bra ut nå. Masse interesse i markedet, kjempegøy. Alle ser at vi trenger noe som faktisk hypnotiserer inspeksjonen av strømnettet, og det er tilfredsstillende når det går oppover. 

 

Silvija: Jeg tror det høres ut som dere har funnet posisjonen, og en sånn unik USP.

 

Erik: Ja, unikt selling point. Og det har vært en kamp. Vi har jo holdt på i noen år. Men vi har funnet posisjonen nå, og vi vet hvor vi treffer markedet bra. Men vi har jo drevet og testet litt hit og litt dit, men virkelig funnet posisjonen nå, så nå ser det virkelig bra ut, og det er kjempegøy. Det er superhektisk, men det er sånn gøy hektisk som gir deg energi hele tiden. Og det er så deilig. 

 

Silvija: Ja. Veldig bra. Erik Åsberg, CTO av eSmart systems, tusen takk for at du var med oss i denne samtalen om anvendt AI.

 

Erik: Tusen takk for at jeg fikk komme.

 

 

Du har nå lyttet til en podcast fra Lørn.Tech - en læringsdugnad om teknologi og samfunn. Nå kan du også få et læringssertifikat for å ha lyttet til denne podcasten, på vårt onlineuniversitet lørn.university 

 

Quiz for Case #C0996

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: