“

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

Silvija Seres: Hei og velkommen til leksjon 2 i Lørn Masterclass om Edge Computing med Nils. Nils, nå skal vi snakke om noen fine eksempler du har som skal gjøre det litt lettere for folk å forestille seg dette litt abstrakte begrepet edge computing. I utgangspunktet så har jeg et bilde i hodet mitt hvor det er et kjempeserverrom hos disse hyperscale leverandørene, type Amazon og så videre, som har veldig mange servere og som er veldig sikkert og veldig bra. Og der foregår veldig mange av de beregningene av de dataene som våre bedrifter har i dag. Men så har jeg et annet litt mindre serverrom i hodet, som håndterer ting litt mer lokalt. Det kan til og med være at det ikke er noe serverrom, men det er den regnekraften som ligger i forskjellige sensorer i system, som også etter hvert har litt mer intelligens og er litt mer demokratisk i forhold til data, enn at absolutt alt skjer der ute og at dette bare er slaver som gjennomfører det de får vite fra kjernen.

Nils Roald: Ja, og det er jo i grunn hele konseptet med bruk av – kall det hybrid sky – det at du er avhengig av å ha den sentrale skyen, oppetid og skalerbarhet og det der. Og så snakker vi i min bransje om “”far edge””. Det er sånn at du kommer inn i, om det er en vindmøllepark da, så i en vindmølle kan det være en liten computer, men i tillegg skal du ha flere nivå av sky helt til du kommer til ditt eget datasenter eller en public cloud. Og det er mange begreper rundt dette, du har sky, også har du edge, og i midten kan du kalle det fog og core-fog. Og så har du telco-operatørene, når de nå skal rulle ut 5G så vil de ha edge, men det er jo edge som er litt lenger ut i forhold til det vi driver med. Så det er flere nivå. Jeg tror vår CTO snakket om at han var borte et sted der det var 12 nivå på skyen, der man hele tiden må finne ut hvor det er smartest å putte compute- og analysedelen. For eksempel ei vindmølle, den kan lære om seg selv og hva den driver med, men kanskje du skal ha en læring mellom en park med hundre møller, sånn at du har et nivå over der igjen så de kan lære av hverandre. Og så kan du ha et nivå over der igjen når en operatør har flere parker med vindmøller. Så til slutt opp til til public cloud, der du skal levere rapport og der du skal levere det visuelle til de som administrerer dette.

Silvija: Det er et veldig fint bilde egentlig, å tenke som du sa at det kanskje kan være opp til 8 eller 10 eller 12 nivåer, men at nettverkene våre er ikke lenger sånn som først, når internett bare var en sånn helt flat struktur. Ganske demokratisk sånn sett. Og så ble det cloud, hvor vi da sentraliserte som du sier compute og analyse, altså beregninger og analytics rundt data. Dette var big data og hyper computing. Og så har vi nå funnet ut at det er lurt å kanskje senke de nivåene et sted i mellom der hvor dataene lages og forbrukes, eller effektueres, og disse supersentrale serverne. Og du sier at det kan være at kanskje til og med en rotor i en vindmølle kan ha litt intelligens i seg, så kan det være vindmøllen, og så kan det være en hel vindmøllepark. Så kan det være et strømnett som har både fornybar og annen type strøm. Det er ganske mange forskjellige nivåer her som man kunne sett for seg å operere.

Nils: Jeg kan bruke et eksempel, fordi vi jobber med et norsk selskap som heter Spor, og deres jobb har vært å lage en applikasjon som ser etter fugler. Det høres litt rart ut at du skal starte bedrift på å tracke fugler. De gjenkjenner hvor mange de er, hvor de flyr i 3D space, og ser på hvilken type fugl det er, altså artsdefinering. Deres idé går på det at når du skal søke konsesjon for en vindmøllepark, om det er i hav eller på land, så er man opptatt av artsmangfold. Man skal bygge grønn energi, men samtidig så vil du ikke drepe for mye fugler eller ødelegge for de som bor der fra før. Og for å finne disse fuglene i søknadsprosessen, at det er lite fugl og ikke er kritisk her, eller at det er få rødlistede fugler som kongeørn eller havørn, så er det viktig at man gjør denne prosessen. Dagens løsning er ganske enkel. Da reiser man ut med kikkert, en person i fly, båt eller whatever, og teller fugler manuelt. Og så ser man hvordan det vil gå. Men setter du opp et kamera så kan du da selv med bare små pikselendringer på en grå kjedelig hverdag som vi ofte har på Vestlandet der det blåser eller ute i havet, så kan man begynne å se hvor mange fugler vi har. Og ikke bare i tre dager når en person ser, men 24/7. Man kan få mye bedre og mer nøyaktig måling av det.

Nils: Men så kan du gå over til produksjonen når dette settes i produksjon. Så kan vi også begynne å se på at: “”Hmm, nå er det på vei inn en fiskeørn. Vi har identifisert den, den flyr sånn, den er langt unna og den har en annen retning enn at det gjør noe, vi fortsetter.”” Men hvis den da er på vei inn mot rotoren kan du gjør noe da. Da kan du vri på bladene eller stanse de. Moderne vindkraftverk nå kan stoppe på 10-12 sekunder, og så gå opp igjen og begynne å produsere strøm. Det motsatte – jeg vet i Nederland og Tyskland så er det flere vindparker som statistisk sett basert på hva som skjedde i fjor, som at det er hekkesesong eller et trekk som går forbi med både truede arter, men også vanlige fugler vi har mye av, som da stanser produksjon i flere uker. Hva da hvis du kunne ha sagt til vindmølla: “”Stopp nå i 30 sekunder mens de passerer, og slå på igjen””, for å beholde produksjonen oppe. Så det er sånne caser du kan bruke data på. Og det er én av disse sensorene, video, men i tillegg kunne du brukt videoen til å overvåke for sabotasje, se på om det er noe vibrasjon, om det er et eller annet så du kan begynne å tenke “”predictive maintenance”” tankegang. Og hente data fra for eksempel rotoren, se på omløp, se på lyd inne i selve mølla, er det en spesiell lyd her som kan indikere at vi må kjøre service på den. Det er masse sånt du kan ta i.

Silvija: Og dette her er edge fordi mye av den beregningen foregår lokalt i den vindmøllen eller i det nettet som det hører til, og ikke i en sånn sentralisert fjernstyrt løsning.

Nils: Og det er fordi video er jo en sensor som skaper mye data. 4k bilde, full stream. Hvis du skulle gjort det på 2000 vindmøller så blir det for det første dyrt å sende opp, men også så tar det veldig mye ressurser å sende dette til analyse. Så det vi gjør da, eller det disse gjør for oss, det er at de gjennom denne applikasjonen lager AI-algoritme som skal kjenne igjen fugler og se hvordan de beveger seg i forhold til vindmøllene. Men som jeg nevnte er det flere nivåer. Du må kunne lære algoritmer, den må bli bedre. Så vi kan drive å sende læringsdata opp til skyen, for det beste stedet å lære noe er jo i skyen der du får sentralisert fra masse forskjellige type type scenario, type vindmølle, fint, vær dårlig vær, i England og i Norge. Alle har forskjellig beskaffenheter, og da kan du samle de dataene og så lage en sånn sirkel med forbedring og forbedring av algoritmen, men algoritmen flytter du ned til edge for å ta raske avgjørelser.

Silvija: Det er litt sånn læringsdata i skyen og handlingsdata i bakken da. Og at som du sier algoritmene sitter da nede i disse vindmøllene for eksempel, og vet om de skal skru seg på eller om de skal varsle om vedlikehold eller noe sånt. Men utviklingen, kunstig intelligens for å forbedre algoritmene videre, de bor da sentralt og lærer fra hverandre. Da får du det beste av begge verdener.

Nils: Uten tvil. En god analogi til det er jo Tesla. Jeg bruker ofte de som eksempel, for Tesla er jo en stor IoT device med masse sensorer og masse compute kraft, og i starten så sendte de jo video av vanlig kjøring, og jeg var og så på IoT dagen, eller Analytics dagen til Elon Musk, eller Tesla da. Og da sier han at nå trenger vi ikke flere data av vanlig kjøring på highway, for det har vi millionvis av data på. Nå er det corner caset. Hvis en bil blir transportert oppå en bil på en henger, eller en bil som har veltet og ligger opp ned, en elg som springer over en highway – det er ting som de er trenger mer læringsdata på. Men du trenger ikke å overføre absolutt alt om folk som ligger midt i og cruiser på E6. Ingenting spesielt skjer ved å ta vekk disse dataene. Nå trenger jeg corner caser og læringsdata som er spesielle. Og det er jo det vi er ute etter. Vi er ute etter å se på alle dataene lokalt. Men delta eller det spesielle, det ønsker vi å sende videre, for det kan vi lære av og rapportere om eller ta action på.

Silvija: Så veldig spennende. Det var ikke jeg klar over egentlig, at bilen velger selv hvilke videoer den sender videre.

Nils: Ja, eller Elon Musk gjør det. Etter hvert så sier han at trenger ikke så mye data lengre, nå gir vi beskjed til bilen om å bare levere interessante data.

Silvija: Kjempespennende. Du hadde også et bedre eksempel, eller videre eksempel fra en sementfabrikk på dette med prediktiv vedlikehold. Og det er noe som jeg tror vi kommer til å høre veldig mye om fremover.

Nils: Det er jo det som er utfordringen til et som sementkonsern i USA da, som har begynte å jobbe med oss. Det de så på var at de hadde masse sensordata, jeg tror de hadde 11 forskjellige sensordata på fabrikken sin. Produksjonsanlegget eller hva man skal kalle det. Utfordringen gikk jo i at hver eneste av disse sensortypene var levert fra forskjellige produsenter, hadde en egen compute stack, og sendte alt opp til én dedikert skytjeneste. Og de sitter der da med en sånn: “”Wow, jeg har innført IoT, Industri 4.0, som lovte så mye, og så viste det seg at de fikk ikke så mye ut av det likevel. Fordi det hjalp ikke å ha 11 skjermer meg en graf på, for de klarte ikke å se sammenhengen mellom dette her. At du har flotte grafer betyr ingenting så lenge du ikke klarer å få konteksten mellom de. Og det er den demokratiseringen, de ønsker å gjøre det.

Silvija: Du må hjelpe meg litt, for jeg vet ikke helt hvordan sementfabrikker fungerer. Så hva er det store vedlikeholdsproblemet, og hvorfor trenger de alle disse forskjellige typene sensorer? Har det noe med bærekraft å gjøre eller hva er kompleksiteten?

Nils: Det er mye på blandingsforhold. Alle skal jo være karbonnøytrale. Så det har med hvordan du kan utnytte mest mulig, hvordan unngå for mye produksjon og for lite produksjon i forhold til ordre, men også dette her med predictive maintenance, prediktivt vedlikehold heter det på norsk. Det er jo at normalt sett så har du kjøpt en eller annen sementblander, det er jo tungindustri dette her. Også sier de at denne må du ha service på hver tredje måned. Da må du bytte den og den delen. Men det er jo gjort ut i fra statistikk, og så legger de på buffer også. Problemstillingen er jo da at du har altfor ofte og dyr stans i produksjon fordi du må bytte deler og følge en oppskrift som er gjort basert på lang historikk og data, men masse buffer i tillegg for å være sikker. Men likevel når du gjør det så kan jo det være at denne ene enheten begynne å vibrere, for her var det vibrasjonssensor som var den store viktigheten for dem. Når disse store blandingene går, også begynner det: “”Oi, her begynner det å vibrere litt for mye, kan det være tegn på at ting går gærent?””

Nils: Og hvis det skjer mellom disse servicevinduene deres så har du full stopp, og da har du kanskje en enda dyrere stopp enn normal servicevedlikehold. Så det vi ønsker er at du skal gjøre det condition based da, så når det står sånn og slik til med denne sementblanderen så må vi gjøre action. Kanskje kan du vente 5 måneder med den i stedet for 3 måneder. Og du kan ta disse tilfeldige tingene som skjer da, akkurat hatt service og 2 uker etterpå så skjer det et eller annet fordi man var uheldig med en blanding eller bare fordi en komponent var litt dårlig. Og det er det vi prøver å hjelpe til med. Det er jo da å forbedre prosesser, men du må gjøre det basert på at du har mer enn én type data. Eller som de som hadde folk som en tredjepart som kom inn og sjekket vibrasjonen en gang i blant for se om det er innafor. Nå kan du ha teknologi som gjør det for deg, som poller hele tiden på: “”Kanskje på tide å gjøre service her.””

Silvija: Veldig bra. Men dette her er noe som vi også ser veldig mye når det er skikkelig sånn heavy asset industrier og kostnadene som de har. Jeg har jobbet en del med strømproduksjon og disse turbinene som skrur seg av i store vannkraftverk. Og det er alltid sånn at det går galt på verst mulig tidspunkt, ikke sant. Også tar det et år å endre den turbinen. Hvis du kan forutsette dette her, med la oss si ett års forsprang, og gjøre dette på et tidspunkt hvor strømmen ikke er på sitt dyreste eller vannet på sitt villeste, da er det en veldig stor fordel. Så det er enorme penger å spare her, og det er ikke bare snakk om litt mer komfort da.

Nils: Ja ,og jeg har vært borti vannkraftselskap der de har en luke hvor de skal ha overflødig vann ut eller inn til turbinene og det skjer noe gærent med de. Og for å kunne gjøre service på de så må de tappe ned vannet sitt. Og da tapper de ut fortjenesten sin, pengene sine og strøm til samfunnet. Grønn strøm til og med. At vi klarer å stoppe alle sånne caser ved å bruke data, det tror jeg ikke, men at vi kan forbedre med 5, 10, 20 eller 1 prosent, det betyr mye for samfunnsmaskineriet. At vi har stadig tilgjengelighet på strøm, spesielt i disse tider når vi elektrifiserer hele samfunnet med elbiler. Det har vi jo gjort i Norge. Men begynner jo Maersk og Asko og flere å snakke om lastebiler som også skal gå på strøm. Og alt dette, altså vi produserer så og så mye strøm, men hvordan kan vi optimalisere det gjennom bruk gjennom døgnet, fremfor at vi må bygge ut for peak? Hvordan kan vi flate ut forbruket vårt sånn at vi kan slippe å ta store investeringer for peak production? Da må vi bruke smartness, og det vi prøver å få til både med predictive maintenance, men også å kunne komme raskt opp igjen når ting faller ned.

Nils: Og og det å kunne flate ut – et eksempel nå er jo selskap som jobber med varmtvannsbeholdere, termisk trege ting. Sånn at når strømmen er dyrest er jo gjerne når vi bruker for mye i forhold til produksjon, kan vi da vente med å varme varmtvannstanken? For det gjør ingenting om vi venter 2 timer. Og vi har jo et marked i Norge som heter “”fast frequency market””, der du bruker strøm hvis du for eksempel driver industribedrift eller et bakeri for den del, så kan du være med på markedet som Statnett driver, der du kan si: “”Jeg er villig til å gi fra meg strømmen jeg bruker nå i 30 sekunder for å ta en peak, eller en halvtime eller time fordi det gjør veldig lite for meg akkurat nå.”” 30 sekunder på et bakerrom tror jeg betyr null og niks, men jeg kan gi det til noen som trenger det, for akkurat nå var det en peak. Men da må du raskt kunne få vite om du kan slå av strømmen litt nå og ta action på det for å være med på det. Og dette er snakk om sekunder du må reagere på, på de høyeste frekvente markedene.

Silvija: Veldig bra. Si to ord også om balansering av strømnettet. Vi har for så vidt vært littegrann borti det allerede.

Nils: Det er jo det jeg har jobbet mest med siden jeg begynte med edge computing. Hvordan vi kan utnytte strømnettet bedre. Fordi som sagt vi produserer en viss mengde strøm, og vi prøver jo å øke og forbedre det. Vannkraftverkene blir mer effektive, bytter turbiner til mer moderne, vi har begynt med litt vind, og det var vel i fjor sommer fryktelig mange som kjøpte seg solcelle også. Og da begynner vi å få istedenfor det normale, at vannkraft leveres fra de kjente leverandørane som eier vannkraft, til at du får et marked som blir litt annerledes. Man begynner å installere backup-batteri eller batteribanker i forretningsbygg, i borettslag og privatpersoner gjør også det. Eller sette opp solceller på taket. Og da må vi så klart kunne overvåke, sånn at hvis plutselig sola begynner å skinne i ei bygd der det er masse solceller og plutselig så kommer masse strøm inn i nettet. Hvordan kan vi da klare det uten å dra ned strømnettet fordi det blir overbelastet med for mye strøm inn? Hvordan kan vi fordele strømmen på best mulig måte? Og da trenger du sensorikk.

Nils: Så ett av prosjektene jeg jobber med nå er AMS-data som kommer disse smartmålerne vi har hjemme, og transformatordelen av det fra grid eller nettoperatøren. Hvordan kan vi samhandle de dataene sånn at vi bedre kan se forbruket vårt og kunne styre det. Og den ene vi jobber med, Hallingdal Kraft, det er jo flere hyttekommuner, og de ser at når det er fint vær og nysnø på torsdag så går jacuzziene på, og fredag kommer elbilene og begynner å lade. Og det er en utfordring for dem hvordan de da skal kunne levere strøm. Hvordan kan vi da sikre at vi har nok strøm til dette og være prediktiv på det. Så mye av verdien vi ønsker å få ut av disse high definition datene, det er at vi ønsker å forstå dataene og kunne agere på det. “”Ok, så elbilene får ikke mer enn så og så mye strøm, for nå har vi en utfordring fordi en eller annen hjørnesteinsbedrift måtte fyre opp enda en aluminiumsovn eller noe sånt.””

Silvija: Utrolig spennende eksempel, særlig i disse tider hvor vi har blitt gjort oppmerksomme på ikke bare strømpriser generelt, men dette med peak pricing hvor det høyeste forbruket ditt blir definerende for kostnadsbildet ditt. Hvis vi kan få systemer som klarer å kutte disse toppene, så vil det være veldig mye bedre både for nettet og for oss individuelt.

Nils: Ja, og samfunnet totalt. Vi slipper kanskje å bygge ut. Mange av trafostasjonene er det kanskje lite belastet, men på grunn av peak så må vi bygge ut og bygge ut og bygge ut. Men hvis vi klarer å fordele på en bedre måte, bruke smartness og smart grid så kan det hjelpe oss.

Silvija: Hvis jeg forstår deg riktig på dette her, det er et spennende eksempel for mange av våre lyttere – når du snakker om smart grid så snakker du om en kombinasjon av en sånn datasmart greie hvor du sjekker hva kravet er på alle AMS-målere, tilgjengeligheten i nettet og kapasiteten og så videre. Men du kombinerer det med en type batterifunksjonalitet. Man kunne tenke seg til og med kanskje at vi kunne brukt disse disse, nå er ikke Teslaene der når jacuzziene skal varmes opp, men at man kunne tenke seg at man bruker husene og bilene etter hvert som sånn distribuert batteri.

Nils: Ja, og det så jeg nå GE i USA jobber med, og vi er inne i et forskningsprosjekt med EU på hvordan vi kan se på ikke bare enveisstrøm fra produsent, men også mellomlagring. Og da ser man hvordan man kan bruke batteribanker i bygninger, men jobber også med noen billaderselskap for å se hvordan vi kan utnytte bilen som står der. Kan en Tesla for eksempel gi fra seg halvparten av strømmen sin den natta der fordi vi trengte det i resten av samfunnet, og så får den litt strøm til å lade, så når morgenen kommer så er den tilgjengelig og klar til bruk. Og det å få på plass de mekanismene der er kjempespennende. Så hele konseptet vårt for verden er jo at vi må flate ut bruken og ikke får slike valleys og peaks i strømforbruket.

Silvija: Og tilbake til edge computing igjen, så har dette med å gjøre at ganske mye av intelligensen vil da ligge i Teslaene og i husene og i AMS-målerne og transformatorene. Og dette er et system som da sys sammen på et lokalt nivå, i stedet for at absolutt alt går inn i la oss si Hafslund sitt headquarter. Det ligger en del lokal intelligens i dette nettet på tvers av alle systemer.

Nils: Ja, og Elvia kan for eksempel være den som leverer en applikasjon som styrer dette her, så hvem som tar den posisjonen til å være mellommann og broker på dette.. Og spesielt når vi begynner å snakke om dette fast frequency markedet der du også kan få betalt tilbake hvis du gir fra deg strøm, for jeg kan vente en halvtime med å lade bilen min, så vil det være et stort økosystem for å hjelpe oss å flate ut. OBOS kan være en aktør, IKEA for den del, men ikke minst nettoperatørene, billading. Vi har jo flere, vi har vel Zaptec, Easee og DEFA som er norske rundt dette. Finne smarte løsninger for hvordan vi kan hjelpe samfunnet med å flate ut strømbruket vårt.

Silvija: Dette her tenker jeg også kunne vært en utrolig spennende kombinasjon mellom la oss si privatboligmarkedet og næringseiendomsmarkedet hvor vi er litt sånn i motfase. Så det å finne måter å fordele på som gjør at ikke halvparten av alle ressursene står og går på tomgang halvparten av tiden.

Nils: Også kan jeg også ta et eksempel som jeg synes er litt spennende rundt akkurat dette med nettleverandørene på strøm. De er jo veldig opptatt av oppetid, fordi hvis det er varsla nedetid så går jo det på at de er nødt til å gjøre vedlikehold. De må bytte en transformator, oppgradere eller rense den eller whatever som må gjøres. Ting står jo der i årevis, og da må jo du selvfølgelig gjøre service på det. Men så har du jo det med at et tre faller over eller overbelastning eller et eller annet som gjør at det smeller. Da koster det fryktelig mye for nettselskapene å kjøpe strøm der de kan levere i markedet, men også nedetiden. NVE gir de da noe som heter kile, som betyr at de må betale tilbake på nettleia si etterpå til oss forbrukere og ikke minst industrien som da mister strøm. Og jeg tror at i 2021 så utgjorde det 948 millioner for norske nettselskap bare å måtte betale tilbake det. Men i tillegg er det alle de indirekte kostnadene med og rerute strøm fra markedet som hentes, da er jo prisen spot nå i forhold til det de har tilgjengelig. Og de må gjøre service og sende ut folk.

Nils: En av casene her som jeg synes er utrolig kult, det er noe som heter partial discharge. Det er at det du mellom to ledere med isolasjon mellom, det er jo høyspenning dette her, så plutselig så hopper det gnister over. Du får leding gjennom lufta og det kan skade isolasjon over tid. Problemet er at det er utrolig vanskelig å detektere fordi det skjer så tilfeldig. Det er ikke sånn at det skjer etter to år og utover, men det kan skje etter to uker eller etter ti år. Og i dag så reiser de rundt, åpner døra til trafoboksen, og så sitter en fyr der i 2-3 minutter og lytter og hører etter. Fordi han har god erfaring, har drevet på i mange med dette og kan kjenne igjen enn buzz eller en eller annen på at: “”Hmm, her tipper jeg det er partial discharge.”” Men da er det kanskje tre måneder til neste gang du er i det samme skapet. Og litt akkurat sånn som dette med fuglene der vi kunne ta i stedet for tre dager med en fyr med kikkert, så kan vi da kjøre 24/7 monitorering. Vi gjorde det så enkelt at hvorfor ikke da sette inn en mikrofon. Og så har vi lært oss det at fukt og temperatur også er viktige komponenter i partial discharge, og så kan vi begynne å lytte til dette.

Nils: Så kan vi begynne å lage AI-algoritme, fordi det ene er en sånn terskel, vi hører etter den sinuskurven på det nivået der, men det kan jo være at denne trafoen står ved siden av en motorvei eller at det stormer ute, alle trafostasjoner er unik på lydbildet. Men da kan vi lære opp den: “”Dette kan være en deteksjon””, og så sjekker vi: “”Nei, denne var ikke det, men godt, da har vi i hvert fall mulighet til å sjekke det.”” Og så blir den flinkere og flinkere med tida. Det er jo typisk det å kunne lage en applikasjon, tilbake til iOS verden, lage en applikasjon som kan hete “”Partial Discharge Detection””. Og da kan du i stedet for å bare vente på at den bare faller sammen og du må bytte transformator fordi den brant opp, så kan du da få en indikasjon på det er på tide. Det kan godt hende det bare er å støvsuge den eller vaske den, eller slå av i 2 minutter og så er du ferdig. Eller gjøre en større service på den, men da slipper du denne ukjente faktoren med at den plutselig faller ned. Så det er jo et eksempel på hva du kan bruke high definition data på.

Silvija: Veldig spennende. Og det er to viktige konsepter her, det er high definisjon data, det er altså veldig mye data som da kommer fra type videoer og alle disse sensorene. Og det at beregningen skjer da i transformatoren eller i nærheten av transformatoren, lokal intelligens. Og så tror jeg også at det høres litt ut som en luksusløsning, men hvis alle de andre gjør det så kommer de transformatorene som ikke har en sånn intelligens bygget inn i seg fremover til å rett og slett ikke være brukbare lengre. Og folk kommer til å begynne å gjøre det, fordi dette vil være ekstremt viktig for å spare samfunnsverdier som ville gått tapt hvis alle bedriftene i området måtte stengt, eller skoler, sikkerhetsmessige greier også videre.

Nils: Uten tvil. Vi er jo som du sier opptatt av high definition data. Et annet eksempel er jo en transformatorstasjon når vi setter på sensorer der for strømmåling bare, ikke fukt og lyd og alt det, men bare for å se på beskaffenheten til strøm. Harmonisk distortion, spenning og faseforskyvning og sånn. Så produserer den 25 gig med data i døgnet. Hvis du da har som for eksempel Vattenfall i Sverige , de har vel 45.000 transformatorer, så blir det fryktelig mye data å sende opp når du vet at 99,9 prosent av det er helt uinteressant. Lydfiler av summing fra en transformator, hvis du skal sende det til analyse oppe i der, når du vet at det kanskje bare er hvert femte år dette forekommer, men da er det katastrofe. Så er det akkurat det å kunne ta disse high definition dataene, gjøre noe med de, men da kaste det som er unødvendig og bare bevare delta. Og å lære algoritmen å bli bedre og bedre over tid.

Silvija: Skulle ønske min mobiltelefon var litt sånn intelligent og kastet bort 90 prosent av bildene.

Nils: Hehe, ja. Det kommer det og.

Silvija: Veldig bra, Nils. Dette var kjempegode eksempler. Vi møtes om et par minutter i leksjon 3, for å snakke om en verktøykasse for å komme i gang med edge computing.

Nils: Bra.

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

“