LØRN Case #C0997
Bærekraftig mobilitet i smarte byer;
I denne episoden av # LØRN snakker Silvija med midlertidig administrerende direktør i Beta Mobility , Johan Høgåsen-Hallesby. Beta Mobility er et norsk mobilitetsselskap som mener at bærekraftige byer kan oppnås gjennom datadeling og samarbeid mellom byen og dens virksomheter. I samtalen tar Silvija og Johan et dypdykk i utfordringene byene står overfor når det gjelder nettopp dette med mobilitet og datadeling. Videre deler Johan sine tanker og perspektiver på hva hans drømmescenario i mobilitet er, hvilke utfordringer som kan oppstå og hvilke fordeler det gir.

Johan Christian Høgåsen-Hallesby

CEO

Beta Mobility

"“As more and more artificial intelligence is entering into the world, more and more emotional intelligence must enter into leadership.”"

Varighet: 39 min

LYTTE

Tema: AI- og datadrevne plattformer
Organisasjon: Beta Mobility
Perspektiv: Mindre bedrift
Dato: 210610
Sted: OSLO
Vert: Silvija Seres

Dette er hva du vil lære:


AIMaskinlæring
Mobilitet
Bærekraft

Del denne Casen

Utskrift av samtalen: Bærekraftig mobilitet i smarte byer;

Velkommen til Lørn.Tech. En læringsdugnad om teknologi og samfunn med Silvija Seres og venner.  

 

 

Silvija Seres: Hei og velkommen til Lørn samtale. Jeg er Silvija Seres og gjesten min i dag er Johan Høgåsen Hallesby som er CTO og co-founder tidligere i Urban Sharing og nå interimleder i interim CEO i Buddy Mobility og har noe veldig spennende på gang i nær fremtid, har jeg oppsummert til noenlunde riktig Johan?

 

Johan Høgåsen Hallesby: Absolutt.

 

Silvija: Velkommen. Jeg skal bare si noen korte ord om serien sånn at folk vet hva de hører på også kjører vi i gang, og dette her er altså en samtale i en serie som vi kaller Lørn Appleid AI, hvor vi prøver å vise frem konkrete eksempler på bruk av kunstig intelligens, ikke generell og teoretisk forskning, men anvendelser av kunstig intelligens på forskjellige områder i Norge i dag. Og der har du jobbet mye med data fra mobility og det man kan gjøre for å optimalisere diverse mobility tjenester ut ifra dataene man har. Så da setter jeg i gang med mitt vanlige første spørsmål, og det er hvem er Johan og hvorfor ble han sånn?

 

Johan: Det er et stort spørsmål vi kan holde det kort. Jeg er opprinnelig designer og gikk på arkitekthøgskolen så jeg har en bakgrunn i både teknologi, men også veldig glad i by altså hvordan vi skal avvikle og løse by som jeg synes er et av de mest interessante problemområdene å jobbe innenfor. Jeg jobbet i Ymse Startups og en del konsulentselskap også, mye med automasjon og den type ting og klassifikasjon av data i en tidlig startup, men de siste 6, 7 årene nå så har jeg jobbet utelukkende med by og mobilitet og til dagens tema så er det egentlig bang on med AI fordi når vi beveger oss så genererer vi data og det er veldig sånn usynlig datastruktur som ligger i by, og det ligger så mye muligheter i å begynne å lære av det og begynne å la byen respondere på den adferden vi har. Så det er et utrolig spennende teknologiske område som ligger foran oss som egentlig ikke er tatt ut enda.

 

Silvija: Jeg synes det er utrolig fascinerende å høre om din kreative bakgrunn som du nå anvender på veldig digitaliserte markeder og det er litt der jeg synes det ofte blir sånn folk sier at jeg liker egentlig ikke teknologi eller damer som synes at dette ble litt for mye hardware og så videre, men det er et utrolig kreativt utviklingsområde.

 

Johan: Ja og mer og mer vil jeg si, jeg synes altså sånn som det vi snakker om i dag om maskinlæring så er jeg fascinert når det begynner å spore bakover på noen av disse algoritmene man bruker, så ser du at alle sammen kan spores tilbake til 50-tallet, så det er ikke snakk om så mye nyutvikling, det som er mye av gevinstene dag er jo nettopp det ordet du brukte i stand applied at det å lære seg og identifisere de områdene vi kan bruke det og hvordan vi tar det i bruk og ikke minst problemene det leder til og da trenger vi kreative fag, vi trenger etikk, vi trenger filosofi, vi trenger juss, altså det er så utrolig mange fagfelt som egentlig setter teknologien i bruk og ikke bare de klassiske teknologene, statistikerne, matematikerne som vi kanskje forbant med tidligere.

 

Silvija: Du Johan jeg prøver å se om du her fortalte meg om du har noen eksentriske hobbyer, men det har du ikke. Har du noen sånne?

 

Johan: Nei jeg er en vanlig Norsk middelklassemannen, jeg sykler, går på topptur og lager surdeigsbrød og sånne ting, men det er så kjedelig, det gjør vi alle sammen.

 

Silvija: Jeg er har av og til pleid å få sånne svar om at nei jeg er en enkel mann fra landet, men jeg har et inntrykk av at du er en litt komplisert mann fra byen.

 

Johan: Jeg er faktisk født og oppvokst på gård.

 

Silvija: Men hvorfor har du så interessert i by? De sier at byen er menneskenes smarteste oppfinnelse.

 

Johan: Altså jeg synes det oppsummerer så mye av teknologi og samfunn og kultur og sivilisasjon og intelligens på en gang. Altså det at vi har lært oss å sameksistere og optimalisere ressurstilgang, ideen bak by er så utrolig spennende og har så mye potensiale i seg, så ser vi også hvis vi ser i FNs produksjonstall, så flytter vi inn til byen nesten alle sammen, altså med unntak av disse som skal bo på småbruk på Sunnmøre, i verden så skal folk bo i byer, og det er sånn vi løser befolkningsvekst, men når den befolkningsveksten øker, så må vi løse veldig mange følgeproblemer av det, men jeg tror potensialet for om vi skal både løse klimakrise, om vi skal løse livskvalitet, demokratisk utjevning alt dette her så er det by problemer, som skal løses og møte mellom teknologi og by i de neste 30 årene synes jeg er nesten like spennende som det internett har de siste 30 årene. Jeg tror det er kjempemuligheter.

 

Silvija: Ja, urbanisering er en av de største megatrendene også er Norge i en litt spesiell situasjon der kanskje.

 

Johan: Jeg har jobbet en del internasjonalt med mobilitet, og det er pinlig å si at du kommer fra en by som er under én million innbyggere for det er ingen som er interessert i å høre om dine urbane problemer, men hvis man snur det på hodet så har vi allikevel med våre forutsetninger muligheten til å gjøre en del eksperimenter som de ikke kan gjøre i megabyene, altså ref. det vi har gjort med biler i indre by i Norge eller elektrifisering og alle disse tingene her så sånn sett så blir vi kuriositet men likevel kan vi gå foran med noen eksempler som er lettere å gjøre når man er mindre.

 

Silvija: Der har du egentlig med en gang på noe som jeg synes er veldig spennende tema. Altså jeg tenker at for eksempel hvis Tesla lager verdens beste smarte biler på vei så kan Norge kanskje lage verdens beste smarte biler på landevei eller på sjøen eller i tunnel.

 

Johan: Eller ferger, ferger er vi i ferd med å bli ganske gode på i Norge altså det er ikke så mange andre som satser på ferger og vannveien kommer til å bli viktig i mange andre byer, så det kommer fra maritim industri, maritim teknologi som vi kan da kan dra inn til å bli byferge, men jeg tror en annen viktig ting i det du sa gjør om hva er det vi kan bli gode på, en ting er å lage bilen, men jeg tror mye av infrastrukturen knyttet til en bevegelse har vi gode forutsetninger å gjøre i Norge fordi vi har, altså det koker ned til den nordiske modellen og hvordan vi finansierer ting her, i USA er ting veldig privatisert, i Kina så har du på en måte private utfordringer, og det å se på Nordisk teknologi kan være en eksportvare fordi vi har et annet privat offentlig samarbeid med en annen tanke om hvordan vi finansierer det som gjør at det kanskje er lettere å eksportere utad globalt som er vanskeligere å få inn i Europa. Det er en mulighet som jeg håper at vi blir flinkere på.

 

Silvija: Jeg må drive med liten sånn selvreklame før jeg sier hvorfor jeg er så enig med deg. Dette er digital dugnad en bok jeg skrev for et år siden, og dette her er starten og dataene og egentlig en utvidelse av den første som kom ut for under et halvt år siden. Hovedtanken der er at jeg tror det er en unik mulighet for Norge og Norden med å bruke det offentlige som innovasjonsplattform som en bestiller for alle disse fantastiske nisje innovasjoner i kombinasjon av AI og data og det har noe med akkurat det du sa nå, fordi jeg tror at det er to supermakter i kunstig intelligens i verden i dag, det er Kina og det er USA og de har to ekstremt forskjellige motsatte drivkrefter, den ene skal drive med AI for markedskonkurranse og individuell posisjonering av bedrifter og der har vi disse googlene og så videre, også har du den andre som skal drive med det egentlig for å drive med samfunnskontroll og sosial, den ene er drevet alene av økonomi, den andre har nesten alene av sosiale greier og litt sånn motsatt respekt for fellesskapet vs individ. Her i Norden kombinerer vi respekt for individet med respekt for fellesskapet på en ganske unik måte også har vi en utrolig rik og kunnskapsrik offentlig sektor som kan være utrolig innovasjonsdrivende hvis vi bare bruker dem riktig, og der må dataene komme inn i den miksen på et eller annet vis.

 

Johan: Og jeg ville lagt til, altså Norge pluss EU da, for jeg vil si at mye av hvis du ser på EUS når retning mot å gjøre data til en konkurransefortrinn i det europeiske systemet også så tror jeg Norge pluss EU utgjør en ganske interessant konkurranse bakgrunnen for Norge også hvis vi klarer å få dette og spille godt sammen.

 

Silvija: Ja der må jeg er en absolutt EU støttespiller, men jeg jeg begynner å lure på om det blir mer prat og nasjonale interesser enn en virkelig 700milliarder plass og så videre, men Norge tror jeg er unik i den grad at vi har faktisk veldig flinke politikere og veldig mye penger og deep tech på verdensnivå og der er vi i mobilitet også i verdenstoppen og kanskje også overføringer fra offshore bransjen. Jeg har lyst til at du skal fortelle oss nå litte grann om mobilitet og hvordan du kom inn i det. Du kan kanskje fortelle litt om disse tre selskapene dine?

 

Johan: Ja, jeg har alltid vært interessert i mobilitet altså jeg har jobbet som konsulent så jeg har vært borti både VY og Ruter og sånne ting, men når jeg for alvor begynte å bygge produkter for det selv var det vi gjorde med Oslo bysykkel første gang hvor vi gjorde veldig mye sånn klassisk digitalisering, altså sånn instant sign up, flytte ting til sky, flyttet telefon alle de tingene der.

 

Silvija: Bare så vi alle er med på samme side her, dette var før el-sparkesykler. Dette er syklene.

 

Johan: Ja mye av det vi kjenner fra el-sparkesyklene syklet i dag som at du gjør det fra telefonen og at alt er egentlig tilgjengelig det gjorde vi tre år før el-sparkesyklene gjorde, som var ganske sånn tricky greie å få hele den der roam trippen over telenettverket, låse opp tilbake igjen til her, er ganske vanskelig når du bygger for første gang, i dag så er det at vi gir for det. Men vi fikk til det og gjorde da lønnsomheten i et sånt case mye høyere, men det neste vi beveget oss inn i er det som egentlig har gitt meg i sporet for det har jeg lyst til å gjøre videre som er hvordan bruker vi data til å optimalisere drift av disse mobilitets tjenestene, for man har ofte tenkt på mobilitet som veldig sånn ordinære ting. Det å gå på en buss, betale én billett og åpne og lukke det er veldig sånn belære problemer, mens det interessante er når du begynner å gjøre det mer dynamisk når ting responderer når det er on demand og det tilpasser seg behov, når det endrer seg med regn, altså disse tingene her som blir spennende.

 

Silvija: Det må du forklare litt mer. Kjempeviktige eksempel.

 

Johan: Fordi altså hvis du ser på opprinnelig hvert fall mobilitet som offentlig transport og så videre så er det basert på en statisk løsning. Vi har laget en rutetabell, så sier vi at bussen kommer 4 ganger i timen så må du være der når den kommer, men vi kan tenke oss et annet paradigme som er når er det folk skal det de skal i barnehager og på jobb og så videre. Også responderer bussen på våre behov, det er en helt annen måte å forstå mobilitet på, Uber åpnet jo for det å være drevet av behov, men det er en veldig sånn amerikansk og individualisert modell hvor, jeg skal ha tre tonn Mercedes som kommer til bare meg. I Europa så tenker vi jo litt mer demokratiske på det, så det er mer interessant å se på offentlig transport for eksempel, men det at vi bruker data for å snu den modellen er kjempeinteressant, og det andre går jo på det som er den operasjonelle driften som går på for eksempel utnyttelsesgrad, at vi flytter mest mulig mennesker med færrest resurser og også på operasjonelle sider som vedlikehold at man kan være prediktiv på vedlikeholds at du ikke reparerer ting når du blir ødelagt igjen det sånn after the fact responderer på at nå er det natt, så kan du i stedet vite at nå er vi på 97% sjanse for at den her kommer bli ødelagt, da bytter vi den i forkant så kan man holde ting i drift lenger. Så det er flere eksempler på sånne type datadrevne og veldig maskinen-næringsvennlige problemer å løse innenfor mobilitet, så nå var jeg innom det som man også kaller prediksjonsmodeller, altså å bruke historiske data og se på parameterne som påvirker den, altså hvilken ukedag, tidspunkt, om det er regn som sagt, hvilken tid på året, så vi kan gjette på hva vil etterspørselen være. 

 

Johan: Et annen problem som har vært klassisk i mobilitet og i både personmobilitet og varelogistikk er alle disse ruteoptimaliseringsproblemene og igjen også veldig klassisk fint maskinlærings case, hvor man kan ta samtidsgrafikk, endret gatebildet, historiske kjøredata også kan man beregne verdens raskeste ruten med dropoff punkter. For eksempel på det i Norge er Oda var tidlig ute med veldig flinke på å beregne rutene sine som gjør at de kunne slå konkurrentene sine tidlig på å kjøre mer effektive ruter. Det som var interessant med oss som jobber med bysykler, og som også er et interessant problem for sparkesykler, blant annet, er at dette problemet er blitt mye mer komplekst for det å beregne rute hvor du vet hvor du skal plukke opp pakken og du vet hvor du skal slippe den av, det kan du sette opp ganske enkle modeller fra, men hvis stedet du skal plukke opp pakken på endrer seg dynamisk og stedet du skal levere det også endrer seg dynamisk, så har du plutselig en helt flytende modell som gjør det veldig mye vanskeligere og da må du begynne å kompensere med å lage ting som områdedefinisjoner og geofence og den type tilnærming for å forstå problemet. Nå er vi langt inn i det som jeg har kost meg veldig med de siste årene, men dette her er hvorfor mobilitet er så utrolig morsomt område og å jobbe med maskinlæring og med datadrevne problemstillinger for det er så mye som er usynlig i hverdagen, altså du ser ikke dette problemet med mindre du begynner å få dataene opp i lyset, også ser du den her brukes jo ikke i det hele tatt, her kunne vi oppnådd mye mer, så bidrar data til å synliggjøre hvordan vi kan løse mobiliteten en annen måte.

 

Silvija: Du må si noen ord om både Beta og Buddy, men før vi gjør det sitter jeg nå og tenker på at du er egentlig noe transcode på kanten av en ny revolusjon her, for hittil så kunne man da styre dette her fra et eller annet sentralt sted eller fra skyen, men etter hvert så kan sirklene snakke litt mer med hverandre akkurat som biler snakke litt mer med hverandre, og så snakker de kanskje også litt med bybildet og sikkerhetsstyrken i byen og bensinstasjonene. Så det legges så utrolig mye mer data rikdom inni denne modellen nå er as we’re speaking.

 

Johan: Og det er et kjempegodt poeng altså. Dette er ikke nødvendigvis en sentralisert modell, det er jo hvordan disse tingene virker med hverandre som er spennende og i det ene prosjektet som jobber nå som heter Buddy Mobility, det er jo de som opprinnelig sto bak denne lille elbil, de tar også for seg andre problemer i by og det vi har brukt det siste året på noe er å se på hvordan vi kan gjøre smartere data knyttet til vareleveranser inn i byen. Det er sikkert kjent for de fleste siste året at vi kjører altfor mange tomme varebiler med en pakke frem til en dør som er i ferd med å bli et kjempeproblem, altså i London allerede nå så er 17% av rushtrafikken der er bare sånne varebiler og jo mer vi vil ha det samme dag og neste time, jo mer øker det problemet og svaret på det er jo å finne samlast og måter å få disse tingene til å flettes. Så på den ene siden, så er det et modell utfordring at du må insentivere det å dele data mellom aktører, men på andre siden så er det som du sier i stedet for at alt skal opp i en database og at det skal flettes nede og gjøres videre så trenger vi å få til hensiktsmessige samtaler mellom aktører og mellom byer og det å finne ut hvordan ting kan respondere i et område og det er ikke bare mellom aktører det er også samtalen mellom by og disse aktørene. På ett eller annet tidspunkt så må vi komme oss videre fra statisk skilting og over til dynamisk konsesjoner for hvordan hvor man får lov til å kjøre. For det er et eksempel som vi bruker mye fra dette Buddy caset er jo man har ønsket å få mindre trafikk inn i byen også har man satt opp en del forbud mot venstre sving i byen og det leder til mindre trafikk inn på for eksempel på Grünerløkka, når du kommer fra Alnabru med varer som skal leveres til alle bedriftene på Grünerløkka så får du ikke kjørt inn på Grünerløkka noe sted. Da må du rundt hele Alexander Kiellands plass og så tilbake også kunne kjøre inn, det er sånn type ting som oppstår med statiske modeller som skilting og så kan vi bruke data for å synliggjøre at dette her ødelegger effektiv effektiviteten og leder til flere biler i byen og mer trafikk. Så hvordan kan vi få til å erstatte sånne modeller som er statsige skilt til å bli digitale dialoger som gjør at vi begge kan oppnå målene våre og får levert varene og får mindre trafikk i byen. Det er det vi var innom parodier i sted, jeg ønsker meg og det er jo litt min visjon er at vi har en digital samtale mellom by og aktører og mellom aktører for da kan vi begynne å forhandle de målene vi ønsker å oppnå.

 

Silvija: Veldig spennende og la oss snakke litte grann mer om maskinlæring og data. Så hva burde folk som jobber med mobilitet og transport lære om AI? Hvor begynner man? Vi snakker om at data er viktig, hvor begynner man å samle data for eksempel?

 

Johan: Jeg tror det som det må skille mellom er jo nettopp, altså jeg har kost meg gløgg i hjel med alt materiale som finnes om maskinlæring på nett og det er fint å ha en grunnleggende forståelse av det, men det er ikke å gå i dybden på hvordan en algoritmen virker tror jeg en liten hensikt på mobilitet, det er mye av det det handler om er som flere andre gjester på podkasten din har snakket om er det å bli flinke på å identifisere problemene. Jeg har møtt mange innenfor mobilitet som har kjempefine demoer også viser de meg eksempler som er ja, så du har funnet ut at folk drar på jobb om morgenen spennende det visste vi fra før, så det er noe med å identifisere de problemene som ikke er synlige og det krever jo litt som vi var innom i sted den type kreativitet. Så steg én er nettopp å identifisere problemene skal løses, men de tingene som oftest må løses hos mobilitet aktørene er jo fangstdata, mange i dag har ikke nødvendigvis fangsten på plass, nå begynner flere og flere å få GPS inn på kjøretøyene, man begynner å fange data for vedlikeholdsside så det ene er jo datafangst.

 

Silvija: Vent litt, det var to ting jeg har lyst til å understreke, det første jeg har lyst til å gå litt tilbake til da du snakket om forstå problemet og der tror jeg at vi er inne på det første poenget som jeg prøver å få inn med alle samtaler, og det er at det er ikke sånn at sjåførene blir arbeidsløse eller at de som reparerer biler er arbeidsløse, man må forstå fortsatt hva er den viktigste dynamikken som er grunnen til at man fins som bedrift eller som tjenesteyter og vi skjønner at folk går på jobb om morgningen, men kanskje det har skjedd noen endringer nå på grunn av korona, kanskje vi kan forskyve arbeidstid litte grann, kanskje vi kan påvirke noen av forutsetningene her, og det gjør vi hvis vi er data smarte og vet hva som er de riktige spørsmålene. Der er et mobilt forståelse som er veldig viktig.

 

Johan: Jeg vet ikke om du skjenner til Spare Labs er Kristoffer Vik er Norsk, men det er et Vancouver selskap, de står bak teknologien som blant annet Ruter bruker for å generere disse rosa bussene som henter eldre og kjører dem til lege og de står bak den hendt meg Sauda, det de gjorde der var å tørre å tenke nytt på problemet, i stedet for at vi kjører og henter en og en person som TT-taxi eller kjører en buss som nesten er tom rundt Sauda, så åpnet de for at folk kunne si innenfor én times tidsvindu så sa de at jeg skal hit og som genererte den en rute og kunne da kjøre mye smartere, hente folk nærmere der de var og treffer bedre på tidspunkter. Så det ene er det å forstå hvilke problemer skal løses, men det andre er den kreative siden med å tørre å tenke nytt på problemene, hva kan vi gjøre i dag som ikke var mulig før? Så det er de to første tingene som man åpenbart må gjennom før man begir seg inn i dette her og ikke begynne med algoritmen fordi AI som overordnet begrep og maskin algoritme løser ingenting for noen før du har forstått hva du skal løse eller du har datastrukturen på plass.

 

Silvija: Og det andre jeg har lyst til å si noe om er dette eksemplet med data som kan være relevante, data høres jo så stort og teoretisk ut når man snakker om det som data, men når du begynte å si eksempler om vedlikehold om klima effektivitet om eller fuil, kjørefelt aktiviteter, gi oss noen eksempler på relevante data.

 

Johan: Der er mange mobilitetsselskaper er i dag er at de har sånne klassiske logger, og det er veldig lite egne data å jobbe med, så det man ønsker å gjøre er å få ting i strukturert form sånn at du har at du kan jobbe enklere med det og den type data som kan være veldig fornuftig for en del i hvert fall personmobilitet er å forstå når, hvor lenge alle disse tingene som gir deg en mønstre, for det er jo mye av disse mønstrene du er ute etter. Så du trenger ikke alt dataene, ved å identifisere hva du skal løse så kan du også komme litt nærmere hvilke data som er interessante, også må du ikke da jobbe med loggformat, men passe på å strukturere dem. Sånn at hvis du har et team av data scientist eller folk som jobber med dette her at de har noe de kan jobbe med og at de ikke må sitte og bruke all tiden sin på å tolke dataene for ofte så spytter gamle systemer data i formater som krever veldig mye tolkning, så en del av denne omstillingen handler om å ta vare på dataen på strukturerte vis og primært de som er hensiktsmessig å bruke. Og det der ligger dessverre veldig mange av de små aktørene som har lyst til å jobbe maskinlæring basert, de har ofte en stor jobb å gjøre med hvordan vi fanger dataene så der begynner de ofte. Det ene er det å få på plass og begynne å jobbe med det, men så er det noen finne ut om vi skal vi løse dette her rent analytisk det å lage en rapport og forstå verden på ny måte, og så endre hvordan vi jobber eller er det sanntidssystemet vi skal bygge. Og en annen ting som jeg har sett flere mobilitetsselskaper står overfor er at det ikke er satt opp for å jobbe samtid, at man bare putter ting i tradisjonelle databaser også blir det altfor krevende både i omfanget av data og prosessdrivende som blir dyrt også å kjøre prosesser på det, mens det man ønsker å gjøre er å tilgjengeliggjøre dette her. Så det kan ikke fungere samtid. Så dette her står vi overfor, altså vi har vært flinke til å kanskje ta gamle systemer vi hadde putte dem i skyen, så har vi enda et skritt å gå på faktisk gjøre ting tilgjengelig så de kan spørres i sanntid på måter som er effektive og billige nok.

 

Silvija: Det jeg tenker bare er at der kunne vi egentlig kommet med litt sånn play books for folk som har transportselskaper av diverse slag om en liten sånn sensor oppsett, hvor jeg antar at det som før var helt opp til bilprodusenter og antagelig umulig egentlig å kreve som data har blitt veldig mye mer tilgjengelig, nå kan man skru ting sammen uten å måtte være en ingeniør.

 

Johan: Det har du helt rett i, men jeg ble litt tatt på sengen av jeg trodde for mange år siden at vi kommer til å ha sensorer på alt men det som viste seg er at vi bruker smarttelefonene våre til alt, så i stedet for at vi sporer kjøretøy og bilen eller har en nfc brikker i alle pakker og så videre, så er det mye større grad at vi bygger kjørekontoret løsning og så videre hvor smarttelefonen til sjåføren egentlig er huben som genererer data, og det er en av mange disse fantastiske ting som smarttelefoner åpnet opp for oss er at datafangst plutselig har blitt mulig på en helt ny måte som gjør at vi ikke må vedlikeholde 1000 små sensorer på 1000 kjøretøy.

 

Silvija: Ja utrolig spennende poeng Johan, det er litt sånn teknologi og utvikling går i en slags tango hvor vi mennesker tror at vi har funnet opp noe og sånn blir det også ser vi at nei, men egentlig så er det noen helt nye muligheter som ble skapt i det vi går med denne her greia, dette her blitt en ny sånn kroppsdel for oss alle sammen og bare man legger inn en riktig type app så vil den gjøre veldig mye. Også må vi være litt mer bevisste på at i gjennomsnitt tror jeg det er 70 apper på min dag eller alle telefoner som sender noen data og da kommer vi tilbake til dette med hvem eier de data og hvem får delt de dataene? Så jeg har lyst til å snakke om det, men før vi gjør det så bare lyst til å sende deg en liten en liten hilsen fra mitt forrige samtale jeg gjorde vær med to veldig flinke ledere fra DNV, den Det Norske Veritas gjengen, hvor vi snakket om digital insurance og digital services, og et av de eksemplene innenfor digital insurance dreide seg om et kinesisk bilselskap og jeg husker ikke navnet, men jeg tror det var noe sånt som BVD eller BDT noe sånt av disse el-bilene i Kina og de ønsket å rett og slett belønne folk som kjørte veldig klimaeffektivt, de ga dem noe form for poenger som du kunne bytte mot andre selskap som samarbeidet med dem mot en melk eller du kunne kanskje kjøpt noe strøm for det. Jeg er veldig fascinert av hvordan det er disse kinesiske bilselskaper jobber veldig aktivt med å forstå personalisert kjøremønstrene til folk og forbedre dem både for klima, men kanskje også for sikkerhet og den der holdningen til data er til å brukes og til å vokse på fra Kina og den holdningen vi her i Norge med at dataene og skumle greier og her blir det fort personvernproblematikk. Jeg har så lyst til å få deg til å kommentere litt rundt det.

 

Johan: Ja, når vi var innom i sted hva som er positive og fortrinn i Norge så håper og tror jeg at vi ved å innføre GDPR tidlig faktisk er i forkant av den personvernsside problematikken som må løses uansett, jeg er overbevist om at USA skal gjennom det samme og at vi har et fortrinn ved at vi bygget etter de prinsippene tidlig og ikke må skru dem om. Det er en helt annen bransje, hvis du ser i reklamebransjen USA så er det mange av de som ikke vil overleve en endring i personvernlovgivningen, så jeg håper det er et fortrinn, men det er veldig interessant om å bygge tjenester på mobilitet for det betyr at du må legge fra deg det der reklame mindsetet om at vi vil vite nøyaktig hvem personen er, at den butikken som vil kan selge varer til den. Det er ikke problemet du skal løse, du må tørre å frikoble dette her, at du for eksempel bare vet kjøretøyet i det og ikke personen, at du har laget mekanismer som gjør at du ikke kan koble nettopp id til det kjøretøyet. Så det dette her er ikke nødvendigvis så komplekst å løse, men du oppnår ikke de samme inntektsmodellene du før hadde basert personvern, du må tjene penger på ny måte og det er det det koker litt ned til. Det er ikke noe vanskelig å frikoble dette her, hvis du går inn for det 

 

Silvija: Da vi nå på dette med å bygge mye muligheter, du begynte å snakke om en verden hvor vi kan putte veldig mye på telefonen vår. Hva slags drømmebilde har du i forhold til mobilitet og Norsk?

 

Johan: Det er mer langsiktig, men min litt sånn visjon for byen er nettopp det at vi har denne responderende byen at vi med våre tjenester genererer data og at tjenestene og byen rundt oss responderer på det, fordi det er egentlig litt tilbake til det vakreste med by som er organisk og dynamisk, altså når vi går gjennom Oslo S med 500 mennesker som bare møtes, altså automatisk klarer vi å flette mot hverandre og smile og nikke til hverandre uten å gå på hverandre, det er by på sitt vakreste og jeg tror hvis vi klarer å bruke teknologi på noe av den samme måten, at vi bruker disse signalene vi genererer til å respondere så kan vi få til en mye smidigere by enn det vi gjør med disse statiske reglene vi har i dag. Men det krever en del ting av oss, det krever at aktørene, når jeg sier aktørene så er det regulerende myndighet, altså noe som begynner med andre, det betyr alle bedrifts aktørene her, de som bygger, alle disse her må være en del av systemet, persontransport den diskusjonen mellom hvor mye individuell plass for å ta i byen, altså med det tenker jeg på bilen så er jo det en måte å oppta 15 kvadrat med personlig plass i byen, skal vi tillate det. Det er så mange sånne diskusjoner som må på plass, men jeg håper vi kommer til et sted hvor vi nettopp kan bruke, altså jeg liker å bruke begrepet signaler for det er det vi egentlig sender ut ved å bevege oss i by, til at vi har en smidig og mer dynamisk respons på hverandre.

 

Silvija: Jeg synes dette er så utrolig spennende bilde, og jeg har snakket litt om smarte byer og liker å provosere rundt det som jeg hører fra en del amerikanske selskap som modell og hva skal jeg si optimal endgame og det er friksjonsfrie byer, sier de at jeg vil ikke ha en friksjonsfri by eller poenget med at jeg går i byen er at jeg skal ha positiv friksjon med folka der altså hvis jeg ikke vil påvirkes av noen ting og bare skli gjennom så kan jeg like godt sitte hjemme og se på Netflix, så jeg går inn til byen for å bli påvirket og hvordan sørger vi for at den påvirkningen blir positiv?

 

Johan: Jeg tror jeg ikke svaret bare skal ligge i telefonnummeret heller, jeg synes det er noe vakkert ved at vi kan se opp og skilt kommer alltid til å fungere for oss, det er gjort mange eksempler sånne ting som det å lage sånne grønne bølger for syklister, det er sånn du ikke må se på telefonen din eller si noe, det bare responderer på at nå kommer mange syklister så da åpner vi opp for grønt lys for dem. Det er sånne små eksempler som jeg håper vi kommer til å se flere av, men så finnes det også sånne smartbyer selskaper som begynner å bli ganske bra, et av mine favoritt selskapet heter Cord, amerikansk selskap, de har prøvd å lage smarte soner i by sånn at ikke en plass er handicap parkering eller vare last, men det er en sone som kan ha ulik definisjon til ulik bruk, sånn at du kan booke den inn, så det kan være en handicapparkering når noen skal til legen der, så kan det være vare levering, også kan det være privatparkering på kvelden. Men det at vi tenker at byen kan ha mange lag oppå hverandre, og at det kan være dynamisk hva den plassen skal løses til for hver tid, og det håper jeg vi kommer til å se mye mer av fremover. 

 

Silvija: Hva er dilemmaene? Hva er utfordringene med å få tak i disse dataene i dag, eller med å utvikle modeller som er kanskje skreddersydde på Norge eller de forskjellige byene? Hvor er hindrene og dilemmaene?

 

Johan: Nei, altså rent praktiske by så har vi noen modenhets utfordringer med, det ser du når for eksempel Uber traff de europeiske byene, så har du et veldig digitalt modent selskap som treffer veldig treg regulering og det kommer vi til å fortsette å se, at vi har ikke en digital offentlighet vi snakker ofte om digitalisering i det offentlige som, nå har vi laget en ny app, men det å faktisk ha en digital dynamikk i hvordan du jobber og samhandler med aktører det mangler vi, så før vi virkelig får løst ting, det er flåsete at det peker på at vi trenger den der CTOen til byen og nasjonalt, men hvis du oversetter det til sier heller hvordan gjør vi det til en reell digital organisasjon, sånn som når jeg bygger ting så bruker jeg Google Cloud sine tjenester og stripe som betaling alle de tingene her og måten jeg som digital selskap kan jobbe sammen med andre digitale selskaper gjør at vi kan skape nye ting sammen. Det trenger vi at aktørene i økosystemet kommer til det nivået før vi virkelig klarer å hente det ut, så det er et dilemma som jeg tror dessverre kommer til å ta lenger tid enn det vi håper på før vi som organisasjon og som arbeidsmåte og samhandlingsmøte er der da, kommer til kjempelang tid, dessverre. Så kommer til å ha masse piloter og eksempler som kommer til å være fine, men før vi får løftet hele organisasjonen ditt så kom det til lang tid. Vi kommer til å også få mye interessekonflikter, sånn som hvis du tar de mest kjente eksemplene i Oslo siste årene, så er det hvor mye plass skal personbilen ta, det der er en interessekonflikt. Hvor mye skal vi tillate at kommersielle aktører får lov til å forsyne seg offentlig grunn gjennom sparkesykler, det er interessekonflikt, så når vi skal innfører nye modeller og nye aktører, så vil det også bli ganske høy friksjon av et sting her også, så det kommer vi også til å se mye av når vi åpner opp for dette her.

 

Silvija: Veldig bra Johan. Hva tenker du er i en slags invitasjon til folk som hører på dette her, jobber kanskje med transport med mobilitet, med regulering av byer, hva slags råd har du å gi til dem?

 

Johan: Jeg har sløst bort veldig mye tid i prat om dette her, så jeg er veldig tilhenger av å få dette her lite nok, jeg bruker ofte begrepet sånn close the feedback loop, at vi må få satt ting i produksjon, vi må finne en liten ting vi kan løse sånn at vi faktisk får demonstrert alle tannhjulene som var i spillet, på den ene siden så er veldig glad i piloter på den andre siden så er det noen paradokser i piloter at vi aldri egentlig tester virkeligheten i disse pilotene. Jeg tror en oppfordring er at vi tør å være smale nok, at vi ikke alltid må ha med alle instanser og skal løse alt på lang og løfte og boil the ocean hver gang, men at vi prøver å løse noen sånne, for eksempel hvordan trafikklysene funker for en målgruppe på som bruker det som case for å se hva vi må endre i regulering, hvordan må vi jobbe på en annen måte, hva er de tekniske forutsetningene, at vi på en måte lager NVPer når vi skal jobbe med dette her, eller så blir det for mye å løfte på en gang, og det ser du om og om igjen, hvert fall by og mobilitet at de eser ut og blir så store også ender det ofte med å ikke få konkrete nok uttak.

 

Silvija: Veldig bra. Du har sendt meg så veldig fint sitat om AI faktisk og fremtiden. Jeg lurer på om du kan lese den og så si hvorfor du liker den.

 

Johan: Ja jeg har mange lignende sitater også så vanskelig å plukke ut ett, men det er Amit Ray som sa at «As more and more artificial intelligence is entering into the world, more and more emotional intelligence must enter into leadership.» og jeg liker det fordi jeg synes du beskriver godt hva skulle det det som jeg oppfatter som AI til kort kommenhet, hvis man kan kalle det det, at vi tror at disse data beslutningene er intelligente når de bare responderer egentlig en veldig liten side av hva smarte beslutninger handler om som også involverer compassion, empati, altså den type sider av beslutning som er så særlig viktig når man jobber med bymobilitet da med å forstå forskjellen på hva en alenemor på Manglerud har behov for vs en overbemannet ung mann på solli plass, altså det å forstår de kulturelle sidene av det er AI skikkelig dårlig på, og derfor tror jeg det er så utrolig viktig at lederskapet rundt apply AI har denne dimensjonen i seg når vi bygger det.

 

Silvija: Vi kunne snakket litt om bias i data nå, men jeg tror vi sparer det til vår neste samtale som kommer til å dreie seg om data, bruk og deling, immobilitet. Tusen takk for denne her kjempeinspirerende samtalen, jeg synes du er så flink til å få oss til å reflektere om ting vi har sett før, men på helt nye måter. Takk.

 

Johan: Takk.

 

 

Du har nå lyttet til en podkast fra Lørn.Tech. En læringsdugnad om teknologi og samfunn. Nå kan du også få et lærings sertifikat for å lytte til denne podcasten på vårt online universitet Lørn.university.