Lars Joakim Nilsson i Inmeta og Stian Barkbu i DNV GL.
Lars Joakim Nilsson i Inmeta og Stian Barkbu i DNV GL. (Bilde: Kurt Lekanger, Digi.no)
EKSTRA

Maskinlæring og kunstig intelligens

Har tatt maskinlæring langt forbi eksperimentstadiet: – Nå slipper ekspertene å gjøre de kjedelige jobbene

Norske DNV GL ser store besparelser ved kunstig intelligens, og vil la maskinene ta seg av rutinejobbene.

Hei, dette er en Ekstra-sak som noen har delt med deg.
Lyst til å lese mer? Få fri tilgang for kun 199,- i måneden.
Bli Ekstra-abonnent »

BJØRVIKA (digi.no): Mange bedrifter snakker om kunstig intelligens (AI – Artificial Intelligence) og maskinlæring, men det er få som har tatt i bruk AI til noe virkelig nyttig. Ett selskap som har kommet lenger enn mange andre, er det norske selskapet DNV GL.

Under et frokostseminar i regi av Inmeta fikk vi et innblikk i hvordan DNV GL har tatt AI langt forbi eksperimentstadiet, og nå har kommet så langt at de begynner å se store tids- og kostnadsbesparelser.

– Vi begynner å se rekkevidden av det å ha regnekraft i skyen, og det utfordrer vår businessmodell. Vi har begynt å tegne opp et roadmap, og vår ambisjon i DNV GL er å ligge helt i front, forteller Stian Barkbu i DNV GL.

Barkbu er sjef for avdelingen «Information & Production Systems» i DNV GL Maritime, som jobber med blant annet klassifisering, kvalitetssikring og rådgivning innenfor skipsfart og offshore.

DNV GL har holdt på i 150 år og har nå 100 000 kunder og 13 000 ansatte i 100 land, og Maritime-avdelingen involverer rundt 12 000 skip – omtrent halvparten av skipene i verden. Selskapet er ombord i alle disse båtene jevnlig for å inspisere.

Langt mer enn bare chatboter

Mange selskaper som hevder å ha tatt i bruk AI, har ikke kommet særlig lenger enn å kunne vise frem en chatbot som kan ta seg av for eksempel enkel kundestøtte. Også DNV GL har en chatbot, men selskapet har kommet mye lenger enn det.

DNV GL sitt kunstig intelligens-prosjekt startet for rundt halvannet år siden, og for et halvt år siden ble de første løsningene satt i produksjon. DNV GL har stilt med rundt 10 personer i prosjektet, mens fire eksperter fra Inmeta har vært involvert. 

Et av bruksområdene er å bruke maskinlæring til prosessen rundt godkjenning av skip. Når det kommer inn tegninger av en båt, skal alt godkjennes – omtrent ned til hver minste skrue.

I dag er det noen som manuelt må se på tegningene og finne ut om de har noe erfaring på dette fra før, for eksempel at noe er godkjent tidligere. Med den nye AI-løsningen DNV GL har fått laget i samarbeid med Inmeta, kan de nå skanne inn tegningen – og så vil en algoritme finne ut om de har lignende eller samme tegning fra før. 

Stian Barkbu, Head of Department – Information & Production Systems, DNV GL.
Stian Barkbu, Head of Department – Information & Production Systems, DNV GL. Bilde: Kurt Lekanger, Digi.no

– Da får du opp konteksten, kan se hva som er likt, og hva prosjektet handler om, sier Barkbu.

Han legger til at det ikke er moro for en ingeniør å bruke tiden sin på å hente frem tegninger. AI vil i dette tilfellet vil frigjøre tid slik at ingeniørene kan jobbe mer med det de er utdannet til å jobbe med, i stedet for kjedelig rutinearbeid, påpeker han.

Mer enn 1 million lagrede tegninger er brukt for å trene opp maskinlæringsmodellen, og det er blant annet Googles Tensorflow-teknologi som ligger bak.

Et annet område er å se på maskinlæring for å finne jobber som må verifiseres. Ved godkjenning av båter må nemlig alle jobber verifiseres, men det er få jobber som virkelig krever korreksjon.

– Vi prøver å finne karakteristika ved de jobbene som faktisk blir endret, og trener maskinlæringen til å finne ting. I stedet for å gå gjennom alle jobber to ganger, så lar vi maskinlæringen gi oss de jobbene som antagelig trenger korreksjon.

Kobler de rette ekspertene med kundene

Lars Nilsson er leder for Big Data & Advanced Analytics-avdelingen i Inmeta. Han er ikke redd for at kunstig intelligens skal ta jobbene våre.

Det er de rutinemessige, kjedelige jobbene som vil forsvinne, mener han. I dag sitter spesialister i mange selskaper og gjør manuelle rutinejobber som like gjerne kunne vært gjort av en maskin.

– Hvis vi kan frigjøre denne tiden så ekspertene heller kan jobbe mer med det de synes er morsomt, er det bra, sier Nilsson.

Lars Joakim Nilsson, sjef for «Advanced Analytics & Big Data» i Inmeta.
Lars Joakim Nilsson, sjef for «Advanced Analytics & Big Data» i Inmeta. Bilde: Kurt Lekanger, Digi.no

Han advarer imidlertid mot å erstatte ekspertene i selskapet med svar fra en AI, og dette var også noe som ble diskutert da de sammen med DNV GL begynte å diskutere hva man skulle bruke AI til.

Den kunderelasjonen er viktig for DNV GL. Det handler om å bygge relasjoner. AI handler mer om effektiviseringen. Kan vi korte ned tiden før eksperten faktisk responderer?

Barkbu forteller at de allerede er i gang med å bruke AI til å klassifisere eposter som kommer inn for å koble kundene mot de riktige ekspertene i selskapet. Maskinlæringsalgoritmer er trent opp på 200.000–300.000 eposter.

– Vi har en tjeneste som sier at du skal få svar på ethvert spørsmål innen fire timer. Vi får inn titusenvis av eposter med spørsmål innenfor kanskje 2000 forskjellige kategorier. 

Algoritmen vil klassifisere epostene slik at man slipper å gjøre det manuelt. Ved å trene de nevrale nettverkene med gamle eposter som man vet hvordan skal kategoriseres, har DNV GL klart å oppnå en treffprosent på mer enn 70 prosent.

– Tidligere måtte vi ha eksperter, kjempedyktige folk, som gjorde det som for dem var en kjedelig jobb. De satt og flyttet mailer – noe de egentlig ikke hadde lyst til, men det kreves kunnskap for å kunne gjøre det. Alle er mer fornøyde nå.

Alle eposter som er klassifisert av maskinlæringen vil bli merket med gult. Hvis maskinlæringen har klassifisert en epost feil, og noen derfor videresender den til riktig person, vil maskinlæringen lære også av dette og bli bedre neste gang. 

Vi nevnte innledningsvis chatboter. DNV GL har også en chatbot, eller digital assistent. Selskapet har imidlertid lagt vekt på å lage en assistent som kan brukes til noe nyttig, og har leid inn designbyrå til å lage brukergrensesnittet.

Så benyttes kognitive tjenester levert fra Microsoft Azure, samt Google talegjenkjenning. Den digitale assistenten kan brukes når DNV GL skal booke et besøk ombord i en båt – eller en «survey» som det kalles på bransjespråket. 

Barkbu oppfordrer alle som går med tanker om å ta i bruk maskinlæring til å prøve det ut, men ikke bare lage demoer. Det er viktig å få det ut i produksjon, ut til kunder og ansatte. Men få gjerne inn eksperter utenfra, oppfordrer han.

Ikke kast gamle data!

Noe av det viktigste som Barkbu fremhever som årsaken til at de har klart å oppnå så gode resultater med maskinlæring, er at de har hatt tilgang til store datamengder som kan brukes til å trene opp maskinlæringsmodellene. 

Stian Barkbu la frem sine erfaringer så langt med maskinlæring på et frokostseminar i Bjørvika, i regi av Inmeta.
Stian Barkbu la frem sine erfaringer så langt med maskinlæring på et frokostseminar i Bjørvika, i regi av Inmeta. Bilde: Kurt Lekanger

– Vi har i hvert fall en million tegninger, og i dette tilfellet i hvert fall 300 000 eposter. Nå skal vi i hvert fall ikke hive mailen. Grunnen til at vi kunne gjøre dette er at vi hadde tatt vare på disse epostene, sier Barkbu.

Han oppfordrer alle til å dele kunnskap om maskinlæring med hverandre – selv med konkurrenter. Det er dataene som er viktig å holde for seg selv.

I det øyeblikket andre har like mye data som deg, kan de finne ut det samme som deg – derfor har dataene stor verdi.

– Hvis du ikke har data, da må du prøve å få tak i noe, sier Barkbu. 

Barkbu er imidlertid klar på at kunstig intelligens ikke kan løse alt – selv om det er et kraftig og nyttig verktøy. 

Nilsson i Inmeta fremhever den viktige rollen skyen har i forbindelse med maskinlæring, ikke bare på grunn av at man har prosesseringskraft tilgjengelig i skyen – men også på grunn av mulighetene for å lagre store mengder data. 

Det første leddet i en slik digitalisering er å tenke helt annerledes om dataene sine

– Sky er ekstremt viktig for digitaliseringsprosessen, på grunn av lav kostnad, fleksibiliteten og skaleringen som ligger i det. Legg alle dataene opp i skyen, man trenger ikke å ha en formening om hva de skal benyttes til. De kan bli relevante og nyttige når man skal i gang med maskinlæring, sier Lars Nilsson.

Nilsson forteller at etter hvert som man begynner å ta i bruk maskinlæring blir det mange aha-opplevelser med hensyn til hva dataene kan brukes til. 

– Det første leddet i en slik digitalisering er å tenke helt annerledes om dataene sine. Begynn å lagre dem kosteffektivt, og ikke tenk på struktur.

– Det å jobbe med data ikke ut fra modell, men ut fra matematiske og statistiske prinsipper, det er en helt annen måte å hente ut informasjon på. Bare dump det et sted. Så kan du få noen dyktige mennesker til å se på dataene med et helt annet perspektiv, sier Nilsson.

Han mener det ikke er nødvendig med et datavarehus med gamle data, så lenge datene ikke er knyttet til den operative virksomheten.

– Da er det viktig med et datavarehus. Men alle andre data, som eposter, gamle dokumenter, gamle systemer man har lyst til å kaste ut. Ikke kast det!, sier Nilsson.

Kommentarer (0)

Kommentarer (0)
Til toppen