– Må lære mer om kunstig intelligens og datasikkerhet

AI-konferanse desember 2023. Foto Per Henning
Foto: Per Henning

Norske små og mellomstore bedrifter skal lære mer om kunstig intelligens og datasikkerhet.

– Det er avgjørende å henge med på disse områdene. Nå vil vi ha 5500 bedrifter på kurs, sier administrerende direktør for SMB Norge, Jørund Rytman.

Sammen med NTNU, lanserer SMB Norge nå et kunnskapsløft. Gjennom en rekke etter- og videreutdanningskurs, skal ansatte på små og mellomstore bedrifter lære mer om informasjonssikkerhet og kunstig intelligens. Det første grunnkurset i kunstig intelligens starter allerede 15. mars og etter det skal det bli mulighet for mange flere tilrettelagte kurs.

– Vi på NTNU tar nå utfordringen fra vår nye digitaliserings- og forvaltningsminister, Karianne Tung, på alvor. Tung ønsket seg kunnskap for et bedre Norge på dette området, det får hun nå, sier Ingrid Schjølberg, dekan på Fakultet for informasjonsteknologi og elektroteknikk. – Som ledende fagmiljø, er det en del av vårt samfunnsansvar også å kunne tilby høyaktuell etter- og videreutdanning, sier hun.

SMB Norge har medlemsbedrifter over hele Norge. Medlemmene dekker de fleste bransjer hvor de største er innen bygg og anlegg, varehandel, industri, fagligteknisk tjenesteyting og helse. – Dette er områder der kunstig intelligens allerede har gjort sitt inntog, og kan bidra til både forenkling, videreutvikling og nyskaping, sier Schjølberg.

– For SMB Norge er det viktig å bidra til å gjøre bedriftene rustet til å møte morgendagen. Da er kunnskap usedvanlig viktig, men det må være enkelt for bedriftene å kunne tilegne seg denne kunnskapen, sier Rytman.

Kursene gjøres tilgjengelig gjennom SMB Norges medlemsportal og tilbudet er støttet både av EU og Innovasjon Norge gjennom innovasjonsnavet Nemonoor hvor NTNU er partner og kunnskapsleverandør. – Tilgjengelighet og pris er viktig for om bedrifter tar seg råd, det har vi stort håp om at de gjør nå, sier Verner Hølleland, prosjektleder ved NTNU.

NTNU tilbyr også SMB Norges medlemsbedrifter å trene på håndtering av cyberangrep i praksis. Hendelseshåndtering og kriseledelse når hackerne setter datasystemene ute av spill, kan trenes på NTNUs Cyber Range på Gjøvik. Slike treningsøkter, vil også være en del av kurstilbudet til SMB Norges medlemmer.


Ved spørsmål eller behov for ytteligere informasjon kontakt:

NTNU
Verner Hølleland, verner.holleland@ntnu.no
Prosjektleder, Fakultet for Informasjonsteknologi og Elektroteknikk

SMB Norge
Jørund Rytman, rytman@smbnorge.no
Adm. direktør

5 gode råd for å komme i gang med KI

Eirik Andreassen
Eirik Andreassen er leder for teknologi og nettverk i Digital Norway. Han leder også Nemonoor, Norges nasjonale senter for kunstig intelligens. (Foto: Digital Norway)

Ifølge NHO hindrer manglende kompetanse og innsikt mange norske virksomheter i å utnytte kunstig intelligens. Her er fem råd for å komme i gang: 

Kunstig intelligens kan øke norsk verdiskaping med 5600 milliarder frem mot 2040. Men de største gevinstene er kun realiserbare om vi tar i bruk mulighetene som finnes allerede i dag. 

Det kommer frem av en ny rapport fra NHO, utført av Samfunnsøkonomisk analyse. 

– Rapporten peker på at mangel på kompetanse utgjør den største barrieren for å realisere det fulle potensialet i KI, sier Eirik Andreassen i Digital Norway. 

Dette gjelder både for virksomheter som er i gang med KI og for dem som ikke bruker KI-verktøy i sin virksomhet. 

Men å komme i gang med kunstig intelligens krever verken en doktorgrad eller enorme utviklerteam, forklarer Andreassen: 

– Teknologikompetanse i arbeidslivet handler ikke nødvendigvis om teknisk innsikt, men om å forstå hvilke muligheter som finnes – og hvordan man kan sette dem ut i livet. 

Er du blant dem som sitter på gjerdet, eller er usikker på hvordan dere skal utnytte kunstig intelligens for hva det er verdt? 

Her er fem råd for hvordan din virksomhet kan komme i gang med KI:

1. Sett deg inn i hva KI er og forstå de grunnleggende konseptene 

Det har vært mye snakk om kunstig intelligens det siste året, og mange begynner kanskje allerede å bli litt lei av KI som et trendord. 

Bruker du tid på å forstå teknologien bak, vil du imidlertid innse at kunstig intelligens ikke er et mystisk luftslott.

Snarere er det helt konkrete konsepter som statistikk, algoritmer og bruk av data som kan utnyttes på smarte måter for å løse faktiske problemer. 

Sannsynligvis har du også brukt kunstig intelligens i din hverdag, lenge før ChatGPT ble allemannseie. Faktureringsprogrammer, søkemotorer og spamfiltre muliggjøres av god, gammeldags maskinlæring – en teknologi som har eksistert siden 50-tallet. 

Det finnes mange gode ressurser som kan hjelpe deg å forstå de grunnleggende konseptene bak KI, og sette det inn i en relevant kontekst. 

På Digital Norway sin temaside finner du en rekke gratis online-kurs om kunstig intelligens. Du kan ta alt fra korte innføringskurs til større kompetansepakker om KI på arbeidsplassen – med alt det innebærer av juridisk og teknisk kunnskap. 

Frokostmøter, seminarer og webinarer er også gode steder å starte. 

Om vi kan anbefale en bok, er Inga Strümke sin bestselgende «Maskiner som tenker» en engasjerende, praktisk og lettlest fortelling om hva KI egentlig er, hvilke muligheter som finnes  og hva som eventuelt hindrer oss fra å ta disse mulighetene i bruk. 

Strümke har dessuten vært med på å kvalitetssikre dette kurset:

2. Identifiser forretningsprosesser som kan forbedres med KI

Svaret på dette vil variere fra virksomhet til virksomhet. Men sannsynligvis er fellesnevneren knyttet til produktivitet. 

Derfor er det å se på hvilke manuelle oppgaver dere har på jobb et godt sted å starte. De siste årenes teknologiske kvantesprang – som nettopp er grunnen til at «alle› snakker om KI – gjør at stadig flere manuelle arbeidsoppgaver kan assisteres eller automatiseres. 

Her finnes det mange muligheter som ikke er helt åpenbare ved første øyekast. 

Bruker noen i teamet ditt tid på å plotte eller flytte tall, klassisk regnearkjobbing, finnes det for eksempel nok av lavthengende KI-frukt å plukke i form av digitale assistenter som kan støtte deg fra sidelinjen. 

Det samme gjelder alt som har med analyse å gjøre. Kunstig intelligens er i sitt ess når det kommer til å se mønstre og sammenhenger! Teknologien kan hjelpe til med alt fra lagerstyring til markedsføringsstrategier. 

Mange leverandører har enkle kartleggingsverktøy som kan hjelpe dere med dette – ofte gratis og uten forpliktelser. 

3. Start med pilotprosjekter 

Ikke start med å velte om hele forretningsmodellen til å bli KI-drevet. Sett heller i gang et lite, håndterbart prosjekt. Dette vil tillate deg å eksperimentere og lære uten å risikere store deler av virksomheten. 

Involver flere personer, gjerne på tvers av bedriften eller organisasjonen. I første omgang bør du gjøre det uformelt og uforpliktende. Dette er viktig for å bygge en god endringskultur. Sett mål og rammer for hvordan dere skal ta med læring videre. 

For eksempel kan dere sjekke om et helt konkret team kan forbedre produktiviteten ved hjelp av KI-verktøy. Eventuelt går det an å undersøke om teknologien kan brukes til å tilby nye tjenester eller produkter. 

Klarer dere å bevise gevinster på konkrete prosjekter, kan dere se nærmere på hva som skal til for å skalere og videreutvikle. 

4. Etabler partnerskap 

De færreste har behov for å utvikle egen kunstig intelligens. Norske virksomheter er – og kommer i all hovedsak til å være – bestillere av KI-teknologi. 

Det er heller ikke sikkert det er hensiktsmessig å sitte på store mengder spisset kunnskap innomhus. Det som er viktig, er å vite hva slags tilbud som finnes – og hvordan tilbudet kan brukes i ditt domene.

Vurder å samarbeide med en eller flere leverandører som kan hjelpe deg med å tilpasse og implementere løsninger som passer til dine spesifikke behov. 

Samtidig er det viktig å vite hvilke tjenester du ikke trenger, slik at du unngår å bruke unødvendige ressurser på KI som ikke skaper verdi. Dette er også bestillerkompetanse. 

For mange kan det være verdt å ta kontakt med klynger som Nemonoor og Cluster for Applied AI. Det kan også være gode muligheter for nettverk og kunnskapsutveksling hos selskaper i samme bransje eller verdikjede. 

I tillegg er akademia, forskningsmiljøer og utdanningsinstitusjoner gode utgangspunkt for å komme i kontakt med ekspertmiljøer.  

5. Ta hensyn til etikk, sikkerhet og personvern 

Kunstig intelligente teknologier åpner for utallige muligheter. Men hva som er teknisk mulig, er ikke nødvendigvis det samme som hva som er etisk eller lovlig. Eller smart

Det er fullt mulig å bruke datadrevne og kunstig intelligente systemer på spennende, nyttige, verdifulle måter, uten å bryte noen lover eller tråkke over noen etiske grenser.

Men det er også i høyeste grad mulig å bruke det på måter som er inngripende og diskriminerende, og som kan bli kostbart og skadelig for virksomheten, de ansatte og kundene eller brukerne deres. 

Før du implementerer KI-løsninger, må du sørge for å forstå relevante lover og forskrifter. Behandler du personopplysninger er GDPR det aller viktigste lovverket. Samtidig kan det være lurt å se teknologien i lys av for eksempel arbeidsmiljøloven, forvaltningsloven, diskrimineringsloven – og andre lover som regulerer norske arbeidsforhold. 

I tillegg har EU en rekke forordninger som kan ha betydning for bruk av kunstig intelligens i arbeidslivet, blant annet AI Act, Data Act, AI Liability Directive og Digital Markets Act. 

Det er en munnfull. Vi må nevne at mange av disse sannsynligvis ikke vil berøre gjennomsnittlige norske virksomheters bruk av KI. Men bare det å kjenne til hvilke lover du ikke trenger å tenke på, kan være nyttig om det skulle oppstå diskusjoner knyttet til hvorvidt dere er innenfor hva som er lovlig eller ikke. 

Les også

KI kan øke norsk verdiskaping med 5600 milliarder frem mot 2040

En ny rapport bestilt av NHO viser en lys fremtid for norsk økonomi – så fremt næringslivet skaffer seg innsikten og kompetansen som trengs.
– Digitalisering og kunstig intelligens gir virksomheter store muligheter. Alle norske virksomheter bør tenke strategisk om KI, sier Rebekka Borsch, avdelingsdirektør i NHO for kompetanse, innovasjon og digitalisering. (Foto: NHO)

Frem mot 2040 kan verdiskapingen i norsk næringsliv øke med 5600 milliarder kroner, forutsatt at bedriftene begynner å implementere kunstig intelligens i dag.

Det største hinderet for å oppnå denne økonomiske veksten? Kompetanse og innsikt i mulighetene for den enkelte bedrift. Dette er hovedfunnene i en ny rapport fra Samfunnsøkonomisk analyse, utført på bestilling fra NHO.

– Disse funnene understreker behovet for at så mange norske bedrifter som mulig får hjelpen de trenger til å ta i bruk kunstig intelligens, sier Eirik Andreassen i Digital Norway.

Eirik Andreassen er leder for teknologi og nettverk i Digital Norway. Han leder også Nemonoor, Norges nasjonale senter for kunstig intelligens. (Foto: Digital Norway)

Han er leder for Nemonoor, Norges nasjonale senter for kunstig intelligens, som er støttet både av regjeringen og EUs Digital Europe-program. Målsettingen er å øke kunnskapen og bruken av KI i ulike bransjer.

Digital Norway har også fungert som rådgivere og informanter for rapporten. 

– Nå som vi har et konkret tall på den potensielle verdien for norsk næringsliv håper vi det vil motivere flere til å starte kartlegging av sin bedrift, sier Andreassen.

– Denne omstillingen kommer, og vi har alt å vinne på å hjelpe hverandre frem i denne spennende tiden.

Stor vekst med generativ KI 

I rapporten fra Samfunnsøkonomisk analyse skilles det mellom generativ KI og øvrig KI kombinert med andre digitaliseringsgrep. Mens sistnevnte skal stå for 3600 milliarder kroner av løftet, er anslaget for bruk av generativ KI alene på 2000 milliarder kroner.

Anslaget er basert på økt verdiskaping per arbeidede time, hvor den viktigste kilden til vekst er bruk av stadig bedre teknologi.

I prosent anslår Samfunnsøkonomisk analyse at generativ KI – når den er kommet i allmenn bruk – vil kunne gi en vekst på 1,5 prosentpoeng. Imidlertid heter det seg i rapporten at:

«Utviklingen innen AI skjer nå så raskt at våre beregninger kan undervurdere hvor stor betydning dette vil ha framover.»

Fakta: Fem viktige funn fra rapporten

  1. Bruken av KI gir høyere verdiskaping og produktivitet hos norske virksomheter:
    • Dersom virksomheter begynner å nyttiggjøre seg av kunstig intelligens allerede i dag, anslås det at verdiskapingen vil øke med om lag 5 600 milliarder kroner mot 2040. Til sammenligning utgjør dette omtrent en tredjedel av oljefondets markedsverdi. 
    • Analysen ser på næringslivet i bredt, og konkluderer med at kunstig intelligens kan frigjøre arbeidskraft, øke produktivitet og bidra til nye produkter i alle bransjer. 
  2. En av fire virksomheter bruker KI: 
    • 24 prosent av norske virksomheter bruker kunstig intelligens på en eller annen måte. Halvparten av disse igjen er i gang med å utvikle strategier for bruk av KI. 
  3. KI kan løse sentrale samfunnsutfordringer: 
    • Rapporten trekker frem hvordan kunstig intelligens kan brukes for å håndtere fallende produktivitetsvekst, mangel på arbeidskraft og grønn omstilling. 
    • Samtidig peker den på flere nye samfunnsutfordringer forbundet med KI. Blant disse er manglende innsikt i hvordan algoritmene fungerer, datakvalitet og omstillingskostnader. 
  4. Den største barrieren for å komme i gang er kompetanse: 
    • Manglende kompetanse og innsikt oppgis som hovedbarriere, både for virksomheter som bruker KI og de som lar vær. 
  5. Reguleringer, lovverk og rammebetingelser påvirker bruken av KI:
    • 30 prosent av de som oppgir å ikke bruke KI-verktøy i dag sier de bekymrer seg for brudd på lovverk knyttet til datavern eller personvern. Også for de som tar det i bruk sier det er vanskelig å navigere i reguleringer som GDPR, Data Act, AI Act og mer.

– Må tas i bruk nå

Per i dag er bruken av KI i vekst, og i en spørreundersøkelse tilknyttet rapporten benyttes teknologien av én av fire bedrifter. Det er Rebekka Borsch, avdelingsdirektør i NHO for kompetanse, innovasjon og digitalisering, glad for. 

– Digitalisering og kunstig intelligens gir virksomheter store muligheter. Alle norske virksomheter bør tenke strategisk om KI, sier hun. 

Likevel, avdelingsdirektøren mener tempoet må opp: 

– Rapporten viser at vi har en mulighet til å snu den fallende produktivitetsveksten, men det er viktig å presisere at dette avhenger av å ta teknologien i bruk nå – ikke om fem år.

Ifølge Samfunnsøkonomisk analyse vil nemlig det å utsette implementeringen kun gi en produktivitetsvekst på 450 milliarder.

Samtidig er det andre potensielle oppsider beskrevet som også kan glippe. For eksempel kan KI frigjøre arbeidskraft til andre oppgaver og bransjer, for eksempel helse- og omsorgssektoren.

– KI vil også være en viktig ressurs i klima- og energiomstillingen, påpeker Borsch.

Les rapporten i sin helhet på NHOs nettsider.

Les også

Millionstøtte til Nemonoor: – Blant de mest innovative i Europa

Nemonoor er et av to norske innovasjonsnav som regjeringen støtter med 20 millioner kroner. – Løfter næringslivets KI-kompetanse, sier digitaliseringsministeren. 

Regjeringen setter av 20 millioner kroner til medfinansiering og oppfølging av to norske prosjekter knyttet til EUs forskningsprogram Digital Europa. 

Det ene av disse er Nemonoor, Norges nasjonale senter for kunstig intelligens (KI). 

– Nemonoor bidrar til å løfte næringslivets KI-kompetanse, og jeg gleder meg til å se hva de kan få til i årene fremover, sier forvaltnings- og digitaliseringsminister Karianne Tung. 

Senteret samler norske KI-miljøer og tilbyr både offentlige og private virksomheter kunnskap, testmiljøer, nettverk og verktøy for å komme i gang med anvendt bruk av kunstig intelligens. 

Digitaliserings- og forvaltningsminister Karianne Tung.

Bak Nemonoor står forskningsinstitusjoner som NTNU, NORA.ai, Norway Health Tech, SINTEF, Smart Innovation Norway, Institutt for Energiteknikk (IFE) og Ålesund Kunnskapspark (ÅKP). 

Det er Digital Norway som administrerer senteret. 

–Vi har store forventninger, for Nemonoor har bevist at de kan gjøre en forskjell for næringslivet. Og vi klarer ikke den digitale omstillingen uten næringslivet og forskningsmiljøene med på laget, legger Tung til.  

Kommer næringslivet til gode 

Fra før er senteret delvis finansiert gjennom EU sitt forskningsprogram Digital Europa, som en European Digital Innovation Hub (EDIH, kan uttales «eddy»). 

I praksis handler det om at Nemonoor er en del av en større europeisk satsing på klynger dedikert til digital innovasjon. 

– Jeg er stolt over at to norske nettverk hevder seg på linje med de mest innovative i hele Europa, sier Tung.  

Det finnes over 150 EDIHer i hele Europa. EU finansierer halvparten av prosjektkostnadene, men innvoasjonsnavene må finne måter å selv finansiere den andre halvparten. 

Mange land gir statlig støtte for å dekke den andre halvparten, og nå gjelder det også Norge. 

– I praksis betyr det at vi kan bli fullfinansiert, sier Eirik Andreassen, leder for Nemonoor. 

Han legger til: 

– Bevilgningen kommer ikke først og fremst oss til gode. Det er norsk næringsliv som skal dra nytte av disse pengene. Vi skal kanalisere den kunnskapen vi har bygget opp i forskning og i klynger – og få den ut til virksomheter. 

Diagnoser og optimalisering av strømnettet 

Utviklingen og bruken av kunstig intelligens beveger seg i et enormt tempo, revolusjonerer industrier og forvandler måten vi jobber på. 

Ved Bærum sykehus brukes for eksempel kunstig intelligens til å levere raskere røntgenbilder, og bildegjenkjenningsteknologi for å diagnostisere tykktarmskreft. 

Energisektoren på sin side utvikler maskinlæringsmodeller for å optimalisere strømnettet, finne bærekraftige løsninger og drive vedlikehold. 

– Dette er praktisk anvendelse av KI som Nemonoor-medlemmene i Norway Health Tech og Smart Innovation Norway jobber med, sier Andreassen. 

Men dette er ikke løsninger som implementeres i en håndvending. 

Tilgang til tilstrekkelig og riktig data, god sikkerhet, strategiske valg, etiske vurderinger og regulatoriske krav er faktorer som må på plass for å lykkes med kunstig intelligens, sier senterlederen: 

– Den som klarer å utnytte og forstå KI har alt å vinne, men det er også viktig å vurdere fallgruvene. Det er ikke et arbeid man løser alene, men i fellesskap. Derfor er det så viktig at vi nå har ryggen fri til å sette fart på næringslivet med innovasjon, kunnskapsdeling og praktiske løsninger på tvers av sektorer. 

– Den grønne omstillingen er avhengig av digitalisering 

Også Oceanopolis, en norsk EDHI som retter seg inn mot digitale løsninger for hav og kyst, er en del av bevilgningen. 

Tung understreker betydningen av å satse på innovasjon som både tar for seg digital og bærekraftig teknologi: 

– Den grønne omstillingen er avhengig av digitalisering. Den omstillingen er særlig relevant i Norge, som er såpass avhengig av olje og gass, sier digitaliseringsministeren. 

Fra venstre bakerst: Lena Nymo Helli, Eli Haugerud, Lene Merethe Liodden, Stig Marthinsen, Elisabeth Svanholm Meyer, Eirik Andreassen, Monika Sandnesmo og Liv Dingsør.

I dette skiftet er kunstig intelligens og teknologioverføring helt avgjørende, forklarer hun: 

– Kunstig intelligens, og da særlig i samspill med andre teknologier som sensorikk og plattformteknologier, kommer til å legge mye av grunnlaget for næringslivet fremover. Dette stiller høyere krav til kunnskap, kompetanse og ekspertise. 

– innovasjonsnavene er viktige verktøy i å bidra i dette arbeidet. Og da er det viktig at de får finansiering for å få det til, avslutter Tung.

Datadeling kan spare sjømatnæringen for milliarder av kroner: Slik fungerer det

AquaCloud vil ta knekken på lakselusa med storskala deling av data på tvers av sjømatnæringen. Men det er bare begynnelsen…


Kristian Blom, daglig leder i AquaCloud. (Foto: Silje Ringheim).
– Det vi nå ser er at denne måten å dele industrielle data på har et vanvittig potensial til å skape ny innovasjon i havet, sier Kristian Blom, daglig leder i AquaCloud. (Foto: Silje Ringheim).


Sjømat er blant Norges største eksportnæringer. I 2022 solgte Norge nesten 3 millioner tonn sjømat til utlandet, for over 150 milliarder norske kroner. 

– Norsk økonomi er avhengig av en sunn sjømatnæring. Derfor er det også god grunn til å ta fiskehelse på alvor, sier Kristian Blom. 

Blom vokste opp i en oppdrettsfamilie, men utdannet seg innen programvareutvikling. Nå har han forent lidenskapen for havet med sin digitale kompetanse – som daglig leder for AquaCloud

Kan spare sjømatnæringen for fem milliarder i året

AquaCloud er et stordataprosjekt for sjømatnæringen, med formål om å legge til rette for deling av data på tvers av flere av bransjens ledende aktører. 

Utgangspunktet for prosjektet var å ta knekken på en verkebyll som skaper stadig større problemer for sjømatnæringen: Lakselus. 


Lakselus forårsaker høyere dødelighet og er hovedårsaken til at regjeringen har begrenset veksten i lakseproduksjon i deler av landet. (Foto: Silje Katrin Robinson).
Lakselus forårsaker høyere dødelighet og er hovedårsaken til at regjeringen har begrenset veksten i lakseproduksjon i deler av landet. (Foto: Silje Katrin Robinson).


De små parasittene infiserer oppdrettslaks, og gjør at sjønæringen går glipp av et samlet verdipotensial på over hundre milliarder i året.

– Vi har jobbet med å bekjempe lakselus ved hjelp av deling av data på tvers av sjømatnæringen over flere år, og begynner å se spennende resultater, forklarer Blom. 

Det er estimert at AquaCloud sin satsning på fiskehelse kan spare næringen for opp mot fem milliarder kroner i året. Prosjektet har også blitt fremhevet i en rapport publisert av regjeringen om ståa innen norsk digitalisering. 

Men det som startet som en helt konkret løsning på et helt konkret problem, er i ferd med å åpne opp for nye måter vi driver med havindustri: 

– Det vi nå ser er at denne måten å dele industrielle data på har et vanvittig potensial til å skape ny innovasjon i havet, sier Blom. 

For å forstå hva han mener, må vi forstå hva AquaCloud er, hvordan datadeling på tvers av «konkurrenter» i samme næring foregår – og ikke minst: Hvordan data og bekjemping av lakselus henger sammen. 

Medlemmer blant verdens ledende sjømatbedrifter

La oss begynne med navnet. Aqua sier seg selv, og det gjør til en viss grad også Cloud. Selve omdreiningspunktet i prosjektet er nemlig en skybasert dataplattform, som også bærer navnet AquaCloud. 

Plattformen er bygd opp som et tradisjonelt datavarehus, som samler, organiserer og strukturerer data fra ulike kilder til brukbare datasett. 

Og kildene? Noen av Norges – og verdens – ledende sjømatbedrifter:  

AquaCloud har medlemmer som Lerøy Seafood, Grieg Seafood, Bremnes Seashore, Lingalaks, Cermaq Norway, SalMar og Bolaks, med flere. 

– Flere av konsernene har drevet med oppdrett siden slutten av 60-tallet, opplyser Blom.

Men det å få aktører med over 50 års fartstid, som konkurrerer om de samme ressursene, til plutselig å samarbeide om å dele data –  det er enklere sagt enn gjort. 

– Å dele ressurser med direkte konkurrenter … Historisk sett er det ikke slik man driver business, legger han til. 

Fremoverlent sjømatnæring

For data er også ressurser. På samme måte som fisk, merder og lokaliteter er ressurser. 

For at data mest mulig effektivt skal kunne brukes til å løse problemer, som å finne nye måter å håndtere lakselus på, trengs det mye data. 

Ikke bare direkte informasjon om selve parasittene: Alt fra data om havtemperatur, havkvalitet, fiskefôr, medisinske data, rapporter og rutiner – til inspeksjoner, prøvetaking og kontroll – kan sammenstilles for å gi ny innsikt. 

Dette er innsikt man ikke nødvendigvis klarer å finne ut av på egen hånd. Innsikt som først blir en ressurs som stordata. Da er det nødvendig å hente disse dataene fra flere, sammenlignbare kilder.

– Å få på plass en infrastruktur for innhenting og deling av stordata er enkelt. Å få folk til å samhandle og akseptere at man skal dele egne data med andre, det krever en god del, sier Blom. 

Datadeling på tvers av virksomheter på en felles dataplattform handler derfor vel så mye om organisering, som det handler om teknologi, forklarer han videre. 

Heldigvis er sjømatnæringen fremoverlent. 

Bygget tillit

Det er nemlig mange spørsmål både AquaCloud og de involverte partene er nødt til å ta stilling til.

Kan alle være trygge på at dataene forvaltes på en trygg måte? Har de gode protokoller og retningslinjer, som blant annet sørger for at dataene ikke representeres skjevt? Skal alle være likeverdige eiere av dataplattformen? Og hvem har ansvaret for at dataene er korrekte: AquaCloud – eller bedriftene? 

På toppen av det hele kommer nasjonale og internasjonale lover og reguleringer for deling av industrielle data, blant annet EUs dataforordning, eller «Data Act» – som snart trer i kraft. 

Som oppdrettsbedrift kunne man kanskje vært fristet til å kaste alt av ambisjoner om datadeling over bord, og heller lagt alt av fokus på daglig drift.

Det er ikke tilfellet med AquaCloud og samarbeidspartnerne: 

– Sammen har vi bygd opp tillit, oppsummerer Blom. 

De har jobbet systematisk med å få på plass et avtaleverk som sikrer en juridisk trygghet for alle. 

– På toppen av dette har vi tatt hånd om governance – altså et styringsrammeverk – der vi er tydelige på hvilke data vi har, hvilken sensitivitet dataene har og hvem som kan få tilgang til dem. 

For å håndtere dette har de også en styringsgruppe bestående av dataeierne, altså oppdretterne, som vurderer alle datasett AquaCloud produserer og regulerer tilgang. 

– Dette høres ut som en tung prosess, men vi har jobbet med å strømlinjeforme det over tid. Dette går raskere for hver gang, og kanskje viktigst:

– Dataene vi samler inn, er data som kan forvaltes på en trygg og sikker måte. 

En standard forskningen har etterlyst i mange tiår

Tilbake til kampen mot lakselusen. 

Du husker kanskje at lakselus koster oppdrettsnæringen flere hundre milliarder kroner i året? Til tross for dette, fantes det ingen konkret standard for å klassifisere hvorfor fisk dør, eller hvorfor vi mister fisk. 

Man brukte ulike begreper og ulike måter å kategorisere på, nummerere og rapportere på.

– En standard har blitt etterlyst av forskningen i mange tiår, forklarer Blom. 

Derfor gikk AquaCloud inn i et samarbeid med Sjømat Norge, NMBU og Veterinærinstituttet, hvor målet var å utarbeide nettopp en slik standard for fisketap – og død: en kodeliste, med klare retningslinjer klassifisering. 

AquaCloud fikk kodelisten implementert hos oppdretterne. Data som strømmet inn ble deretter strukturert og standardisert i dataplattformen – og omgjort til funksjonelle datasett. 

– Slik satt vi på et datasett om dødelighet hos fisk med en felles terminologi. Altså et datasett med god datakvalitet, legger Blom til. 


Karsten Blom er daglig leder i AquaCloud. Han er tydelig på at juridiske rammeverk og god styring har vært helt avgjørende for å bygge tillit blant medlemsbedriftene. (Foto: AquaCloud).
Karsten Blom er daglig leder i AquaCloud. Han er tydelig på at juridiske rammeverk og god styring har vært helt avgjørende for å bygge tillit blant medlemsbedriftene. (Foto: AquaCloud).

Datasettet ble så sendt tilbake til Veterinærinstituttet, som leverte verdifull analyse. 

– Analysene ga bedriftene innsikt i årsakssammenhenger og et mer presist grunnlag for beslutninger og prioriteringer. 

Det er altså antatt at det er 5 milliarder kroner i året å spare på dette beslutningsgrunnlaget. 

– I samarbeid med sjømatnæringen i Norge og våre samarbeidspartnere i Sjømat Norger, NMBU og Veterinærhøgskolen realiserte vi dette prosjektet på relativt kort tid. Nå er spørsmålet hva vi kan klare videre. 

Ser på muligheter med kunstig intelligens og felles datatjenester 

Blom forteller at de er i gang med å bygge nye samhandlingsprosjekter hvor flere aktører går sammen for å løse felles utfordringer i sjømatnæringen. 

– Uten å gå for mye i detalj, ser vi på problemstillinger som kan takles i samarbeid mellom oppdretter og leverandørindustrien, forklarer han. 

Det er i stor grad slik AquaCloud fungerer i dag. Som en «bro» mellom brukbar data og analyse. Men i fremtiden mener Blom det er naturlig å se om man kan levere begge deler: 

– Når vi ser på fremveksten av kunstig intelligens og de mulighetene som oppstår, er det naturlig å tenke at AquaCloud kan levere en samhandlingsplattform for utvikling av felles datatjenester og trene på felles datasett. 

Han legger til:

– At datadeling ikke bare skal handle om utveksling av data – men også om analyse og utvikling mot spesifikke mål. 

– Potensielt et vanvittig datagrunnlag  

Hvordan kan vi best rigge sjømatnæringen for vekst? Hvordan kan vi for eksempel bruke fakta om fjordene og lokaliteter til å ta bedre valg når man utsetter fisk eller legger opp et anlegg? 

Dette er spørsmål Blom mener er viktige for fremtiden. 

På sikt er målet at AquaCloud skal samle inn rådata fra oppdrettere, blant annet gjennom et nettverk av sensorer og IoT-enheter.

– For meg er det åpenbart at dersom vi klarer å samle inn disse dataene, og dele dem videre slik at de er tilgjengelige for bruk innen innovasjon, forvaltning og forskning, så kan man ta bedre valg. 

Han mener det ligger åpenbare muligheter, bare i det at næringen har fysiske installasjoner som kontinuerlig samler inn sensoriske data. 

– Du har potensielt tusen kontrollstasjoner på alt fra temperatur, oksygen, sanitet, strømforhold, bølgeforhold og andre typer informasjon, Hvis man hadde klart å organisere disse, så får man et vanvittig datagrunnlag for alle som driver med forskning og utvikling innenfor havet. 

– Vi kan vokse med data og bevege oss raskere. I stedet for å være reaktive og løse problemer når de oppstår, kan data gjøre oss proaktive.


KI og ny bruk av data: Slik bygger Statsbygg for fremtiden

Statsbygg jobber med et pilotprosjekt hvor de tar i bruk droner og maskinlæringsalgoritmer for å automatisk detektere skader på fasader og tak (Foto: Statsbygg).
Statsbygg jobber med et pilotprosjekt hvor de tar i bruk droner og maskinlæringsalgoritmer for å automatisk detektere skader på fasader og tak (Foto: Statsbygg).


– Vi er i ferd med å bygge om organisasjonen for å tenke data først, sier avdelingsdirektør for dataanalyse i Statsbygg. Dette er hvordan: 

En drone summer langs med en bygningsfasade og over taket. Et varmesøkende kamera skanner overflatene for løs takstein, fuktskader og lekkasjer. 

Dette er ikke et leketøy eller en slags teknologisk gimmick. Tvert imot er inspeksjon av tak og fasader en lovpålagt oppgave Statsbygg utfører jevnlig på alle sine 2300 eiendommer.

Droneteknologi sparer Statsbygg for 10 millioner kroner i året. I tillegg unngår de fareelementet ved å manuelt inspisere høyden. 

Nå jobber Statsbygg med å utforske om datafangsten fra dronene, kombinert med bildegjenkjenning og kunstig intelligens, kan gi ytterligere produktivitetsbesparelser i driften. 

– Vi tester ut en pilot for droner som automatisk skal kunne detektere skader og sprekker for fasader, sier Brendan Slater, avdelingsdirektør for dataanalyse i Statsbygg. 

Så og si i sanntid skal en maskinlæringsalgoritme, basert på Statsbygg sine data, levere en tilstandsrapport hentet fra dronedataene til driftslederen på byggeprosjektet. 


Brendan Slater, avdelingsdirektør for dataanalyse i Statsbygg. (Foto: Statsbygg).
Brendan Slater, avdelingsdirektør for dataanalyse i Statsbygg. (Foto: Statsbygg).


Piloten er et samarbeid mellom et selskap som spesialiserer seg på bildegjenkjenningsteknologi for biler og forskningsinstituttet Sintef. 

– Teknologien er moden. Men for at den skal fungere optimalt gjenstår det en god del arbeid med å definere hva som faktisk er en skade. Dette går på datakvalitet, legger han til. 

Dette er bare et enkelteksempel på hvordan Statsbygg tar i bruk innovasjon, ny teknologi og digitale hjelpemidler for å bygge og drifte bedre. 

– Vi er i ferd med bygge om organisasjonen for å tenke data først, forklarer Slater. 

Satsning på data

Å digitalisere en virksomhet kan på mange måter ligne på en byggeprosess. For at mange mindre deler sammen skal fungere som en helhet, er man avhengig av et godt forarbeid og en solid grunnmur. 

Og når selve reisverket står klart, er det kanskje de store vinduene, fasadene av tre og fargene du først legger merke til. Men skjult under overflaten finnes en infrastruktur bestående av rør, gipsvegger, stendere og strømledninger. 

– Slik dette må være på plass i et bygg, trenger vi også en hel rekke bestanddeler for å kunne bli datadrevne. Vi trenger infrastruktur i form av en robust dataplattform, compliance, kompetente medarbeidere – og vi må sikre god datakvalitet, sier Slater. 

Han trekker frem et eksempel fra piloten for skadedeteksjon med droner, for å gi et eksempel med hvordan Statsbygg jobber med datakvalitet i praksis. 

For hvordan kan man egentlig definere en skade? Er en centimeter lang sprekk egentlig en skade? Utgjør sprekken en større risiko om den danner seg på et spesifikt punkt på bygget? Hvordan påvirker lokalklima, vinter og vær alvorsgraden? 

– Slike forhold må systemet klare å beskrive. Vi må evne å gjøre personlige erfaringer og kompetanse om til noe maskiner forstår, kan lære av og videreutvikle, legger Slater til. 

For at dronedata skal kunne anvendes på en verdifull måte, er det med andre ord helt avgjørende med god datakvalitet, en dataplattform som evner å analysere dataene som mates inn i den, medarbeidere som forstår sitt ansvar i helheten med å samle inn og strukturere data – i tillegg til gode styrings- og beslutningsrammeverk rammeverk for dataanalyse. 

Lar seg inspirere av Kartverket 

Droneprosjektet er en del av byggBOKS, et innovasjonsprosjekt der Statsbygg finansierer, eksperimenterer og tester ut piloter og nye ideer for byggebransjen. 

– Det er helt vesentlig for oss å jobbe med innovasjon. Det betyr ikke at vi i Statsbygg skal være gründere og finne opp hjulet på nytt. Men vi skal bidra til å finansiere prosjekter, tilgjengeliggjøre vår kompetanse og eiendommer – og ved behov dele data som muliggjør nye tanker og idéer. På den måten kan vi bidra til å utvikle hele næringen.

For Statsbygg sitter på enorme data. Historiske data, materialdata, geografiske data om grunnforhold og vær, juridiske data, bare for å nevne noe.

– Se til Kartverket, og hva som skjedde da de begynte å dele sine data offentlig. Det har ført til en hel rekke nye tjenester og produkter. Vår ambisjon er å få til noe lignende, sier Slater. 

Kan stille krav til bransjen

Så hvorfor er det egentlig så viktig for et statlig forvaltningsselskap å bli bedre på digital utnyttelse, innovasjon og datadreven teknologi? 

– Statsbygg er større enn seg selv. Vi har et ansvar og et mandat som favner hele byggenæringen i Norge. Slik sett kan vi være med å stille krav til bransjen. Vi kan stille krav til mer effektiv bruk av materialer, bedre bruk av teknologi og lavere utslipp, sier Slater. 

 Han understreker at dronepiloten først og fremst er et eksempel, men at det finnes muligheter gjennom hele verdikjeden. Måten Statsbygg rigger seg for datadreven drift vil derfor gi store mulighetsrom for både utvikling og læring i hele bransjen. 

– Klarer vi selv å utforme nye beste praksiser, kan vi bidra til å gjøre dette til bransjestandarder, avslutter han.

Avslører identitetstyveri og mistenkelige transaksjoner: Slik bruker DNB maskinlæring

Er det ikke du selv som sitter i nettbanken din og overfører penger til utlandet, kan det kjapt bli avslørt – ved hjelp av kunstig intelligent teknologi.


Foto: DNB / Stig B. Fiksdal


– Jeg liker ikke å kalle det «kunstig intelligens», sier Roger Olafsen.

Han er leder for avansert analyse og maskinlæring i DNBs antihvitvasking divisjon … eller med andre ord for det mange vil kalle nettopp kunstig intelligens (KI). Men det er upresist. 

Kanskje litt som at en webutvikler skulle sagt at hun «jobber med internett». 

– Det skaper bare mer forvirring. Jeg kaller dette heller det det er, nemlig maskinlæring, sier Olafsen. 

Kall det hva du vil: Maskinlæring er i alle tilfeller noe som nå blir stadig mer utbredt. Det er en underkategori av KI, og det er dette som ligger bak alt fra selvkjørende biler til smarte høyttalere, innholdet i Instagram-feeden din og datagenererte kunstverk. 

Nå tas teknologien også i bruk på tvers av det norske næringslivet. Og noen av dem som er kommet aller lengst, er nettopp bank- og forsikringsbransjen. 

– Det er ikke nytt for oss, det er blitt brukt lenge, for eksempel i forbindelse med å vurdere risiko på lån, og den typen ting. Men nå brukes det på flere måter og mange nye områder, sier Olafsen. 

– På mitt område handler det fremfor alt om å bruke maskinlæring til å prøve å finne mistenkelige transaksjoner, sier han. 

Avslører identitetstyveri

Maskinlæring innebærer å bruke matematiske og statistiske metoder til å oppnå bestemte mål basert på data. Et slikt mål kan være å oppdage avvik og mistenkelig aktivitet på en bankkonto. 

– Innen bank og finans brukes det primært til vurdering av risiko – både operasjonelt og økonomisk, forklarer Roger Olafsen. 


Roger Olafsen er leder for avansert analyse og maskinlæring i DNBs antihvitvasking divisjon. Foto: DNB
Roger Olafsen er leder for avansert analyse og maskinlæring i DNBs antihvitvasking divisjon. Foto: DNB


– Vi bruker det blant annet til å avdekke og forhindre forsøk på svindel og hvitvasking, og sørge for at ting er trygt for kundene våre. Men det brukes også på områder som kredittvurderinger og prisoptimalisering – for eksempel pris og betingelser på et lån. Og det er en etisk dimensjon i det, idet det brukes til å sørge for at kunder blir mer likt behandlet, sier han. 

Skadelig bruk av kunstig intelligens er noe som ofte kommer frem i media, spesielt de store aktørenes innsamling og analyse av brukeradferd for markedsføring, påpeker Olafsen. De positive bruksområdene hører vi mindre om.

– Som for eksempel at det kan avdekke om det faktisk er deg som er innlogget i nettbanken, basert på din tidligere brukeradferd. Ved å se på bruksmønstre på denne måten med maskinlæring, kan vi avsløre og avverge identitetstyveri, sier han. 

Brukes til antihvitvasking

Selv jobber Olafsen og avdelingen hans primært med antihvitvasking – og forhindring av at penger fra kriminell virksomhet som menneskehandel og narkotikaomsetning, kommer inn i den lovlige økonomien, eller går til å finansiere terror. 

En viktig del av dette er å ha systemer på plass som raskt kan oppdage mistenkelige transaksjoner. Slike systemer kan enten være regelbaserte, eller bruke maskinlæring. 

– Et eksempel på en regel – som altså ikke involverer maskinlæring – er at det kan gå en alarm hvis noen for eksempel sender penger til et land som er ansett som et høyrisikoland, sier Olafsen, og legger til: 

– Men det kan være lovlige grunner til å sende de pengene. 

Maskinlæringsmodellene på sin side kan trenes opp på utfall der det faktisk har vært ulovlig aktivitet – og kan deretter finne lignende mønstre flere steder. 

– Poenget med å bruke maskinlæring, er at vi kan vurdere sannsynligheten for et utfall mye mer presist enn med enkle regler, sier Olafsen. 

Ingenting magisk med ML

Selv om DNB er kommet langt i å bruke maskinlæring på denne måten, er det likevel en del utfordringer som må overkommes for at teknologien skal nå sitt fulle potensial. Blant annet er det utfordrende å få tak tilstrekkelig med data av god kvalitet til å trene disse modellene. 

– Når en hører om kunstig intelligens, er det lett å tenke at her kan det magiske skje. Men vi som lager modeller, vet at det er vanskelig å lage modeller på noe som inntreffer sjeldent, sier Olafsen. 

Banken gjennomfører nemlig enorme mengder transaksjoner, og de aller fleste av dem er lovlige. Det gjør at datasettet blir skjevt, når en ser etter de som er ulovlige. 

– Å samle og klargjøre dataene er 90 prosent av jobben. Å trene en modell er greit nok når vi først har dataene, sier han.

Videre kan maskinlæring kun finne forhold som den er trent for, og som faktisk har inntruffet tidligere. 

– Magien som mange kan oppfatte med kunstig intelligens, som at teknologien kan finne ut nye forhold av seg selv, er så langt en fiksjon.

Det vil likevel ikke si at dette allerede er effektivt og nyttig – eller at det ikke skjer mye spennende og lovende på området:

– Et ganske hett område vi ser på nå, er bruk av nettverksgrafer og ML-algoritmer, sier Olafsen, og utdyper:

– Tenk på nettverk som vennenettverket ditt på Facebook eller ditt profesjonelle LinkedIn-nettverk. I vårt tilfelle er nettverket finansielle transaksjoner, i kombinasjon med kompliserte selskapsstrukturer og annen informasjon. Her kan vi for eksempel trene modeller på tidligere mistenkelig avslørt adferd.

– ML kan gjøre feil, men det gjør også mennesker

En annen utfordring DNB opplever i dette arbeidet, er at de som bank kun sitter på én del av historien i komplekse transaksjoner. 

– Når vi for eksempel ser etter hvitvasking, kan mange land og mange banker være involvert, og vi ser bare vårt bilde. For å løse det store bildet, er man avhengig av at bankene deler data med hverandre, noe som man ikke kan gjøre i dag på grunn av flere regulative forhold som for eksempel regler for behandling av persondata, sier Olafsen.

Mønstrene som algoritmene finner som mistenkelige, vil også forekomme blant mange lovlige transaksjoner. Olafsen legger til at det derfor oppstår en del falske positive, og dermed falske alarmer.  

– Per nå er det likevel sånn at når en alarm først har gått, så blir den alltid fulgt opp.

– Med maskinlæring kan vi se med stor sannsynlighet om en alarm er falsk eller ikke, basert på tidligere saker. Dette hjelper oss i dag med å prioritere hvilke saker vi skal behandle først. På sikt ser vi også for oss å bruke teknologien for å effektivisere selve behandlingen av alarmene.

– Maskinlæring kan ta feil, men det gjør også mennesker, og gode ML algoritmer gjør mindre feil enn alternativene. 

For saksbehandlerne er det også en tilvenning og en modningsprosess å skulle jobbe med maskinlæringsmodeller i tillegg til mer tradisjonelle, regelbaserte systemer. Dette er fortsatt under utvikling – og krever helt ny kompetanse.

– Der mennesker er involvert i prosessen, er det viktig med god beslutningsstøtte for å forstå utfallet av en ML-modell, sier Olafsen.

Slik bruker Telenor kunstig intelligens

Bruk av KI blir stadig mer utbredt – også hos Telenor. Likevel er det noen store hindre å overkomme før dette virkelig kan skaleres, forteller Ieva Martinkenaite i Telenors forskningsavdeling.


Bruk av maskinlæring blir stadig viktigere i næringslivet, også hos Telenor. Her er Telenors operasjonssenter. Foto: Telenor


I dag er data overalt. Det genereres av alt som er digitalt: Mobilene våre, PC-er og nettbrett, sensorer og smarte enheter i hjemmet og i bybildet. Og for Telenors del – i nettverkene deres. 

Kunstig intelligens (KI) – og mer spesifikt det som kalles maskinlæring (ML) – dreier seg om å lage digitale systemer som bruker disse dataene til å oppnå et bestemt mål. 

– I praksis kan det brukes for eksempel til å hjelpe dem som sitter med kundebehandling til å optimalisere arbeidsflyten, til å unngå manuelt arbeid, og til å gi beslutningstakere et bedre grunnlag for å ta gode beslutninger, sier Ieva Martinkenaite.

Hun er SVP Head of Research and Innovation i Telenor Group. Der, i Telenors forskningsavdeling, har de et eget team som jobber med forskning og innovasjon innen kunstig intelligens, maskinlæring og avansert dataanalyse. 

Bruk av kunstig intelligens er på full fart på vei inn i alle deler av næringslivet, og Telenor er altså ikke noe unntak. 

Likevel er telekom-bransjen fortsatt bare i startgropa når det gjelder å ta i bruk KI, mener Martinkenaite. 

Dette er nemlig teknologi som gir svært mange muligheter – men der mange hindre også må overkommes for at det skal la seg ta i bruk og skalere på en god måte. 

Beslutningsstøtte og automatisering

Maskinlæring brukes i bunn og grunn til to ting, sier Ieva Martinkenaite: Det første er beslutningsstøtte. Det andre er automatisering. Telenor bruker maskinlæring til begge deler. 

– Telenors bruk av kunstig intelligens omfatter blant annet optimalisering av nettverksdriften, automatisering av kundeinteraksjoner og tilpassing av markedsførings- og salgskampanjer. Vi har for eksempel utviklet ML-algoritmer for å oppdage avvik i mobilnettverket, som forbedrer kundeopplevelsen og sparer våre ingeniører for tid og ressurser, sier Martinkenaite. 

– Og vi har utviklet en egen norsk tale-til-tekst-prototype til bruk i kundeservice i Telenor Norge.

Ieva Martinkenaite er SVP Head of Research and Innovation i Telenor Group. Foto: Telenor

De bruker teknologien også for å hjelpe bedriftskunder med å optimalisere driften sin, som for eksempel fôring i oppdrettsnæringen og husdyr, forklarer Martinkenaite.

– Telenor har også bistått Trondheim kommune med å utvikle et sensornettverk i stand til å oppdage partikkelstøvnivåer fra IoT-enheter, sier hun. 

Samtidig har teknologien et mye større potensial enn det som realiseres i dag. Utfordringene knytter seg spesielt til å overkomme tre hindre: Tilgjengeliggjøring av data av god kvalitet, mangel på kompetanse, og integrasjon med eksisterende IT-systemer. 

– Fortsatt i startgropa

Til tross for at Telenor allerede bruker ML på flere områder, mener Martinkenaite altså at de fortsatt bare er i startgropa. 

– Da tenker jeg på skalering – altså å komme ut av «proof of concept» og pilotering, og inn i produktutvikling og tjenester som faktisk kan selges på markedet og skalere. Det gjelder ikke bare Telenor, men hele bransjen, sier hun. 

Grunnen til at dette tar tid, er enkelt og greit at teknologien er veldig kompleks. Eller kanskje rettere sagt, at det blir komplekst når en skal se på hele det store bildet. KI-systemene brukes nemlig ikke i isolasjon, men skal passe sammen med eksisterende IT-systemer, organisasjonskultur og arbeidsmåter.

– Og det handler ikke bare om teknologien, men også om for eksempel forretningsmodeller, kundeperspektivet og organisasjonsendring, sier Martinkenaite. 

Datasiloer og legacy-systemer

Et område der Telenor er kommet langt med bruk av maskinlæring, er kundebehandling. Men dette er også et område som illustrerer hvor komplisert det kan være å innføre dette på en god måte. 

Tenk for eksempel at en skulle lage en avansert chatbot som kan utføre kundebehandling – og få til det Martinkenaite kaller et «360-graders perspektiv» på kunden:

– Utfordringen er ikke bare å utvikle maskinlæringsmodellen i seg selv. Den skal også knyttes til og fungere med alle andre eksisterende systemer. Skal en chatbot kunne gi tilfredsstillende kundebehandling, må den ha tilgang på data på tvers av systemer og avdelinger, fra kundebehandling til nettverkssiden og markedsføring og salg, sier hun. 

Ulike avdelinger, fagområder og konsulenter har hver sine systemer og praksiser, og det gjør integreringen mye vanskeligere å håndtere. På fagspråket sier en at dataene ligger i ulike «siloer», i stedet for å være sammenkoblet i en mer strømlinjeformet arkitektur. 

– Det første problemet er at dataene ligger på tvers av mange forskjellige legacy-systemer, sier Martinkenaite – altså eldre, eksisterende systemer der det ikke nødvendigvis er tatt høyde for at det skal kunne brukes på denne måten.  

– Det andre problemet er at det er stor forskjell på å trene en modell i et isolert system, og å integrere det i praksis med hastighet og skala på tvers av alle de ulike software-systemene vi har i dag, sier hun. 

– En slik chatbot for Telenor Norge må dermed integreres med mange IT-komponenter. Og når systemet skalerer, må en «feedback loop» etableres – der vi ser hva modellen lærer av dataene, og hvordan den oppfører seg i praksis og forbedres over tid. Det krever nye driftsmodeller og arbeidsmåter. 

– Så når jeg sier at bransjen er i en tidlig fase, mener jeg at vi trenger kompetanse, og nye måter å jobbe og organisere oss på, for å få det til. Dette krever tid og ressurser, sier Martinkenaite.

Også mindre selskaper vil møte på mange av de samme problemstillingene, påpeker hun – for det er de færreste som har alle dataene sine ryddig samlet på ett og samme sted. 

Vil maskinene overta jobber fra mennesker?

Det er mange praktiske og forretningsmessige hensyn å tenke på når et KI-system skal utvikles eller innføres. Men det er også mange etiske og juridiske hensyn. 

– Noe som dukker opp veldig naturlig, er spørsmål om jobbsikkerhet. Altså at ansatte spør: Hva betyr dette for meg, hva betyr det for min jobb? Skal jeg byttes ut med en maskin? Vil det være behov for meg? 

Martinkenaite sier at det virkelig er en trend at enkelte oppgaver overføres fra mennesker til maskiner. Men dette er ikke ensbetydende med at menneskene skal «fases ut». 

– I dag har vi for eksempel KI-teknologi som kan oppdage feil og avvik i signaler fra basestasjoner bedre, raskere og mer effektivt enn menneskelige ingeniører. Men vårt inntrykk er likevel at mennesker blir enda viktigere i fremtiden, sier hun. 

Det som fremfor alt lar seg overføre til maskiner, er rutinearbeid. Maskinene kan brukes til å løse spesifikke problemer, men kan ikke tenke og resonnere. Mer komplekse problemstillinger blir det fortsatt opp til mennesker å løse. 

– Vi vil gi en del manuelt arbeid til gode maskiner, men samtidig utnytte kompetansen til mennesker på nye måter. Teknologien skal gjøre menneskene i stand til å ta bedre avgjørelser, og gi oss nye verktøy for å løse komplekse kundeproblemer, sier Martinkenaite. 

Bedre forståelse av menneske-maskin-interaksjon kommer til å bli viktig fremover, mener hun. Når vi skal jobbe på nye måter, krever det også ny kompetanse blant menneskene, som må styre og kontrollere det maskinene gjør. 

– Vi må sjekke kvaliteten på dataene og algoritmene, sikre god styring og håndtere problemstillinger rundt personvern, etikk og så videre. Dette skal mennesker jobbe med, men vi vil jobbe med maskiner mer og mer, sier hun. 

Tverrfaglige team

For Telenor er det viktig å bruke denne teknologien etisk og ansvarlig, understreker Martinkenaite.

– I Telenor har vi et stort ansvar, både til staten, og til våre arbeidstakere, partnere og kunder, sier hun, og forteller at de blant annet jobber tett med industripartnere i EU rundt det europeiske regelverket (Artificial Intelligence Act) som nå er under utarbeiding. 

Hun legger til at når de bygger opp KI-team i virksomheten, består disse ikke bare av teknologer, men også blant annet samfunnsvitere og økonomer. 

– Grunnen til det, er at vi ikke bare må forstå teknologien, men hvilken påvirkning den har. Derfor trenger vi forskjellige typer kompetanse som er komplementære, for det er mange muligheter og utfordringer her som teknologer alene ikke kan løse.

Hvordan komme i gang med kunstig intelligens? Slik gjør Sparebank 1 Forsikring

Når Sparebank 1 Forsikring utforsker å ta i bruk KI, mener de tillit, kompetanse og veloverveide beslutninger er oppskriften for å lykkes.


Det er ikke bare å ta i bruk kunstig intelligente systemer uten videre på arbeidsplassen. (Foto: Sparebank 1)


– Når det kommer til kunstig intelligens er vi nok fortsatt på utforskerstadiet, ja. 

Det forteller Karolina Lindqvist og Hanne Beate Randgaard Broen fra Sparebank 1 Forsikring, i avdelingen for pensjon. Lindqvist er hovedtillitsvalgt og tidligere funksjonell arkitekt, mens Broen er HR-ansvarlig. 

– Rent konkret jobber vi blant annet for tiden sammen med en av Sparebank 1-bankene med å sertifisere en chatbot for kunderådgivning. En chatbot med elementer av kunstig intelligent teknologi som automatiserer henvendelser, legger Broen til. 

Sparebank 1 Forsikring er et pensjonsselskap og en del av Sparebank 1-alliansen, De påpeker at andre aktører i bransjen, og andre i alliansen nok har kommet lenger innen kunstig intelligens enn dem.

Men selv om deres eget selskap er helt i startgropa, har de gjort seg opp flere tanker om hvordan kunstig intelligente systemer kan innføres, og hva de ønsker å oppnå.

Det er heller ikke slik at de ukritisk hopper på nye teknologiske trender, bare fordi andre i bransjen utforsker muligheter med kunstig intelligens:

– Vi er i gang med å finne områder hvor kunstig intelligens passer for oss, og hvor vi kan bruke det på en hensiktsmessig, verdiskapende måte, forklarer Lindqvist. 

De peker på tre viktige forutsetninger for å lykkes med ny teknologi: Veloverveide beslutninger, tillit og bred kompetanse. 

Vesentlig med høy tillit

For nå er kunstig intelligens på full fart inn i næringslivet, og stadig flere snakker om mulighetene teknologien gir:

Kunstig intelligente systemer, og mer spesifikt maskinlæring, kan brukes til alt fra å automatisk sortere fakturaer til å forutse risiko eller å identifisere trender i aksjemarkedet.

Men dette er ikke teknologi som en bare kan ta i bruk uten videre.

For både Lindqvist og Broen er spørsmål knyttet til etisk og ansvarlig bruk av kunstig intelligens viktig. Lindqvist, som hovedtillitsvalgt, er tett på diskusjoner om reguleringer og tariffavtaler: Områder hvor kunstig intelligens fremover vil bli stadig mer relevant. 

Hvordan vil kunstig intelligens endre hvordan de jobber? Hvilke arbeidsoppgaver forandres når bedriftsprosesser automatiseres, og hvordan behandles brukerdata? 

For selv om teknologien er ny, vil jobben de gjør, og målene de jobber mot være de samme, forklarer Broen: 

– Det vi skal, er å utnytte teknologien til å støtte oss i prosesser og beslutninger – og bidra til å gjøre arbeidsoppgaver vi allerede har på en bedre, riktigere og mer effektiv måte.

Lindqvist er heller ikke nødvendigvis redd for at jobber skal forsvinne. 

– Undersøkelser viser at også våre medarbeidere er positive til ny teknologi. Jeg tror det er fordi vi har en høy grad av tillit internt i organisasjonen. Og tillit er helt grunnleggende i møte med endring og omstilling. 

– Dessuten er vi helt avhengig av at kundene har tillit til oss. Derfor er vi hele tiden nødt til å ta gode, velbegrunnede valg. Alt vi gjør, skal være av høy etisk standard. Vi stiller strenge krav til rapportering og regulering av alt som har med personvern, etikk og databehandling å gjøre. Det samme vil vi gjøre med innføring av kunstig intelligent teknologi, legger hun til. 

Blant nøklene til bruk av ny teknologi er bred kompetanse

Videre vektlegger de begge viktigheten av kunnskap og kompetanse. Jo mer man vet om hvordan kunstig intelligens faktisk fungerer – og hva det kan brukes til – jo bedre forutsetninger har man til å ta velbegrunnede og etiske valg. 

Lindqvist husker nemlig godt et tidlig møte med automatisert teknologi som tillitsvalgt: 

– For ganske mange år siden hadde vi et medlem i Finansforbundet som trengte råd, fordi vedkommende skulle starte i en jobb som robottrener. Da var det en ganske ny type sak som tillitsvalgt å ta tak i! For hvor starter man? Hvilke spørsmål stiller man? Hva er egentlig en robottrener?

– Der og da var det vanskelig å i det hele tatt komme frem til det punktet hvor man stilte de etiske spørsmålene, fordi det var såpass upløyd mark. 

I slike situasjoner holder det ikke nødvendigvis at de som jobber med IT og kunstig intelligens på arbeidsplassen utvikler dyp kunnskap på området. De mener nøkkelen til god implementering av ny teknologi ligger i bred kompetanse, på tvers av organisasjonen:

– Det handler også om tidlig involvering av ansatte. For kunstig intelligens i fremtiden vil ikke bare påvirke arbeidshverdagen til IT-avdelinger. Det vil være noe vi alle møter på, avslutter Broen. 

Hva må du vite om kunstig intelligens i 2023? Vi spurte en KI-forsker

Kunstig intelligens (KI) er overalt. Vi snakket med forsker Inga Strümke for å forstå hva KI er – og hvordan teknologien vil påvirke hver og en av oss.


Inga Strümke er forsker ved Norwegian Open AI Lab på NTNU og SimulaMet, med kunstig intelligens som fagfelt. Foto: Mona Hauglid


– Sjansen er stor for at du snart vil måtte forholde deg til kunstig intelligens på et eller annet vis, om du ikke gjør det allerede. Enten fordi du er daglig leder og velger at dere skal bruke maskinlæring, eller fordi du springer rundt i korridorene og er redd for å måtte dele oppgavene dine med en maskin en gang, sier Inga Strümke. 

Hun er forsker ved Norwegian Open AI Lab på NTNU og SimulaMet, med kunstig intelligens som fagfelt. 

– Derfor er det på tide å skjønne hva det er snakk om. Da henger du med og kan være kritisk og informert i samtalen om det, sier Strümke.

Men hva er egentlig kunstig intelligens? Og hvordan brukes det? Vi tok en prat med Strümke om hva KI er, hva KI kan gjøre … og hvorfor dette er noe alle – både som arbeidsgivere, arbeidstakere og privatpersoner – bør sette seg litt inn i. 

Du møter allerede KI hver dag

Arbeidslivet, hverdagen vår og hele samfunnet blir stadig mer digitalt og representert i data – som i neste omgang leder til økende bruk av dataanalyse og maskinlæring. Og hvis vi snakker om kunstig intelligens basert på data, er maskinlæring et mer presist begrep (se faktaboks). 

Du bruker teknologi som bruker maskinlæring hver eneste dag – i mailboksen din, kart-appen på mobilen, strømmetjenestene du bruker, nettavisene du leser, fakturaprogrammet og appen der du leverer reiseregninger, tekstbehandlere og bilderedigeringsprogrammer med smarte funksjoner, og ikke i minst sosiale medier. For å nevne bare noe. 


Fakta: Kunstig intelligens, maskinlæring og algoritmiske systemer

Kunstig intelligens er en teknologi det fortsatt er knyttet mange myter og misforståelser til. Én av dem har vi rukket å være skyldig i allerede i denne faktaboksen – idet vi kaller KI en teknologi. 

 Jeg behandler kunstig intelligens som en samlebetegnelse, sier Inga Strümke. 

KI er nemlig ikke en teknologi i seg selv. Det er heller en kategori – en samlebetegnelse – som rommer ulike teknikker og teknologier som produserer noe vi oppfatter som intelligent oppførsel fra en datamaskin. 

Innunder denne samlebetegnelsen finner vi maskinlæring (ML), som kombinerer digital teknologi med matematiske og statistiske metoder for å se etter mønstre og oppnå et mål basert på data. 

Når vi snakker om maskinlæring brukes ofte begrepet «algoritme», men dette er igjen upresist. Mens maskinlæring handler spesifikt om at programmer bruker data for å lære seg å oppnå mål, er «algoritme» et mye bredere begrep. Algoritmer er stegvise instruksjoner datamaskiner bruker for å oppnå mål. Alle dataprogrammer er derfor algoritmer.

All maskinlæring bruker algoritmer, men ikke alle algoritmer involverer maskinlæring. Det som gjør maskinlæring spesielt, er nettopp at systemet lærer – det tilpasser seg: Selve algoritmen, altså instruksene for hva datamaskinen skal gjøre, endres automatisk for at systemet stadig bedre skal oppnå det aktuelle målet det er satt til. Hvordan maskinen lærer vil vi forklare senere.


Fagfeltet KI har opplevd mye hype i flere omganger helt siden 1950-tallet, men maskinlæring har tatt av først etter årtusenskiftet, forklarer Strümke. Det er fordi tilgjengelig regnekraft har økt voldsomt – kombinert med den helt enorme tilgangen på data. 

Alt som er digitalt genererer data. I vår tilkoblede verden der alt og alle er på nett – fra mobiler til robotstøvsugere og sensorer i strømnettet – er data overalt. I svimlende mengder. 

Maskinlæring handler altså om å se etter mønstre i disse dataene, med den hensikt å oppnå et eller annet mål. Det brukes for eksempel for å oppdage mistenkelig aktivitet i et nettverk, sette sammen en personalisert forside på nettavisen, eller automatisk bremse en bil for å unngå en kollisjon. 

Maskinen viser det vi oppfatter som intelligent oppførsel, gjennom å analysere omgivelsene sine – i form av strukturerte og ustrukturerte data – og iverksette handlinger. Maskinlæring er den i dag mest omtalte formen for kunstig intelligens, og er ofte et mer presist begrep for å omtale slike systemer: 

– Begrepet kunstig intelligens brukes ofte når det like godt kunne stått maskinlæring, sier Strümke. 

At du vil måtte forholde deg til maskinlæring på arbeidsplassen er én av grunnene til at det er viktig å sette seg inn i dette, mener Strümke. Den andre er det hun kaller «missed use»-aspektet – ikke «misuse», men «missed use». Altså en forspilt mulighet. 

– Det kan rett og slett hende at dere har en situasjon eller prosess som med fordel kunne vært optimalisert eller automatisert, som en ikke får øye på om en ikke vet hva en ser etter.

Derimot mener hun at et veldig dårlig svar på hvorfor å ta i bruk maskinlæring, er at du «bør».

– En ting jeg synes er viktig, er at en ikke skal sette seg inn i det fordi en har dårlig samvittighet for ikke å vite så mye som en «bør». At en tenker «alle bruker det, derfor burde bedriften min gjør det også». Det er helt feil utgangspunkt – da ender en med å gjøre dyre investeringer som en hadde klart seg fint uten.

Hva vil en datamaskin? 

Vi har nevnt at det er knyttet mange myter og misforståelser til KI, og disse er det verdt å nøste opp i før vi går videre. 

For eksempel: I populærkulturen er kunstig intelligens … vel, det vi mennesker anser som intelligent. Slik er det ikke i virkeligheten. Her ser vi at maskiner er dårlige på ting vi mennesker er gode på, men viser derimot overmenneskelig intelligent oppførsel på områder vi mennesker er dårligere på. 

Vil det i fremtiden komme KI som kan tenke som et menneske? Kanskje, kanskje ikke. Et mer interessant spørsmål, er hvilke konsekvenser bruk av KI-basert teknologi kan ha, og allerede har, for oss. 

– Det som er dumt med futurisme, er at vi ikke kan sjekke hva som er rett før det er der. Det er veldig mange som sparker inn åpne dører – som sier «Du trenger ikke være redd for en selvbevisst KI», når ingen faktisk går rundt og er redd for det, sier Strümke, og fortsetter: 

– Det mange er redde for, er ikke at det skal komme en maskin med superintelligens, men heller for at utdanningen en har tatt ikke skal være relevant om noen år fordi arbeidsoppgaver automatiseres. 

Det er ingen tvil om at teknologien både kan og vil påvirke hvordan vi jobber, og hva vi jobber med. Det skjer allerede. Bruk av KI både kan og vil påvirke samfunnet og arbeidslivet i stor grad. Men ingenting av dette er opp til maskinen, påpeker Strümke: 

– Vi kan avlive myten om at maskinen vil ta jobben din. Maskinen gjør ingenting, det er noen som setter den til å gjøre noe.

Det er til syvende og sist et verktøy, som det er opp til oss mennesker hvordan vi vil bruke. Men det er også et verktøy som potensielt er så komplisert og avansert at det i mange tilfeller brukes på måter som det er vanskelig for oss å forstå – eller se konsekvensene av. 

Derfor er det svært viktig at det brukes ansvarlig – og at både de som utvikler det, bruker det og berøres av denne bruken, har den riktige kompetansen til å forstå hva de har med å gjøre.


KI kan ikke tenke selv – men kan gjøre ting vi ikke forstår

Kunstig intelligens kan ikke brukes til å lage ett enkelt program eller én maskin som kan gjøre hva som helst. Hvert program kan gjøre sin spesifikke ting. Et KI-system som skal oppdage svindelforsøk, kan eksempelvis ikke neste dag brukes til å lage en spilleliste eller navigere en selvkjørende bil. 

– Det er fremdeles veldig problemspesifikt. Hvis vi lager et system for å gjøre én ting, kan det kun gjøre den ene tingen, sier Strümke.

Maskinen har heller ingen egen vilje, selvbevissthet eller evne til refleksjon. Den skjønner ikke hva du mener, men må ha dataene i akkurat det formatet den er vant til å få data. Og selv om maskinlæring nettopp kan «lære» – nemlig tilpasse sine egne algoritmer for bedre å oppnå målet sitt – er systemet til syvende og sist programmert til å tilpasse seg disse dataene etter bestemte regler. 

Som Strümke sier det: KI er ikke et «spøkelse i maskinen».

– Men hvis Magnus Carlsen spiller mot AlphaZero, og den gjør et genialt trekk som gjør at Magnus taper, kan det være vanskelig for oss å forstå  hvorfor den gjorde akkurat dét trekket. Det er informasjon i maskinlæringsmodeller vi ikke vet hvordan vi skal representere for at gir mening for oss mennesker. Dette er et aktivt forskningsfelt, sier hun.


Hva kan en gjøre med kunstig intelligens?

De fleste virksomheter har tilgang på mye data, for eksempel om kunder, drift og økonomi. Maskinlæringsteknikker kan gjøre det mulig å utnytte disse dataene i form av automatisering, effektivisering, beslutningsstøtte, nye innsikter og smartere måter å jobbe på. 

– Du kan bruke det til å oppnå et mål, eller til å bli klokere på selve dataene, sier Strümke, som forteller at én av ti bedrifter i Norge allerede bruker kunstig intelligens på en eller annen måte. 

Å bruke dashbord og business analytics til å forstå seg på dataene sine er ikke noe nytt, påpeker Strümke, men kan gjøres mer avansert og nyttig ved hjelp av maskinlæring. Samtidig kan teknologien også brukes til mer praktiske ting, som å automatisere ulike prosesser. 

– For eksempel automatisk behandling av lånesøknader – det gjøres allerede. Hvis vi har data som beskriver gode og dårlige lånesøknader, eller vi klarer å beskrive det, er det mye som kan gjøres automatisk – som gjør at mennesker slipper å bruke seg opp på den kjedelige jobben. Så kan de steppe inn når systemet melder at det ikke er helt sikker på noe. Du kan få en liten KI-sekretær, sier Strümke.

Lånesøknader er bare ett eksempel, det er mye som kan behandles automatisk.

– Et annet eksempel er at krav til antihvitvasking blir strengere og strengere. Veldig mye av det handler om å detektere når det er noe rart som skjer. Maskiner vil ha mye større kapasitet til å følge med på store mengder aktivitet enn det mennesker har. Mennesker er veldig dårlige til å følge med på kjedelige ting. Det er en typisk oppgave som maskiner kan ta over, og er bedre rustet til å gjøre. De er ikke uoppmerksomme eller har dårlig tålmodighet. Det kan spare oss for jobber vi ikke liker og ikke er gode til, sier hun, og fortsetter:

– Poenget er ikke å gå inn i en hvilken som helst bransje og ta ut menneskene og putte inn roboter i stedet. Det handler mer om å se på hvilke prosesser som foregår, og så prøve å gjøre dem bedre eller mer automatiske, mer informerte, mer sømløse og så videre.

Samtidig er det mange problemstillinger å være obs på når en tar i bruk KI på disse måtene. Hvis det for eksempel er feil og mangler i dataene når algoritmen skal behandle en lånesøknad, eller instruksjonene ikke er tilstrekkelig presise, kan utfallet bli helt feil – og få store konsekvenser for dem det angår. Skal en få fordelene av KI, må det derfor brukes ansvarlig, med en utredning av konsekvensene, og under oppsyn av mennesker som er kritiske til de forslagene og resultatene systemet kommer med. 


Maskinlæring: Slik lærer maskinen

Maskinlæring innebærer å lage en såkalt «modell» som trenes til å behandle data på en bestemt måte for å oppnå et mål. Å trene modellen betyr kort sagt å få den til å oppnå målet stadig bedre basert på de tilgjengelige dataene – enten det er snakk om å oppdage et hackerangrep eller å forutsi morgendagens vær. Det finnes flere måter å trene opp modellen på. Dette er hvordan Strümke forklarer de tre vanligste: 

Veiledet læring:

– Se for deg at du er ute og går med en toåring, og så ser dere et par hunder og et par katter. Du peker på dem og sier «voff» eller «mjau». Så ser barnet en hest, og sier «voff». Da sier du nei, det er ikke en voff. Dette er veiledet læring. Du veileder systemet, som er barnet. Barnet prøver å gjette, og får noen tilbakemeldinger underveis, med belønning og tommel opp når det er riktig, og tommel ned når det blir feil. Da vil barnet veldig snart lære forskjellen på hund og katt, og endre atferden sin. Veiledet læring er den vanligste metoden og den som er enklest å få til. 

Ikke-veiledet læring:

– Si at du gir barnet en bønsj med bilder av dyr, og ber barnet om å sortere dem. Barnet vil sannsynligvis klare å sortere hundene i en haug, slangene i en annen, og bjørnene i en tredje. Hver haug er forskjellig, og du kan komme inn etterpå og se at der er hundehaugen, der er slangehaugen, der er bjørnehaugen. Barnet har selv klart å se mønstre, uten å vite hva hun så etter, men mønstrene var sterke nok til at hun klarte lage kategorier. Du stod ikke der og sa noe, men barnet – systemet – klarte å finne mønstrene selv. Det kalles ikke-veiledet læring. 

Forsterkende læring (reinforcement learning): 

– Den siste formen er reinforcement learning, eller forsterkende læring som det kan kalles på norsk. Dette er kort sagt å lære seg å sykle. Du må bare prøve forskjellige ting. Miljøet er dynamisk. Det går kanskje ikke an å forklare hvordan du skal gjøre det, og noen ganger går det skeis. Du må finne ut selv hva du har lyst til å prøve, og plutselig får du det til bedre og bedre. Det skjer i et åpent miljø og du – agenten – må ut og finne dataene sine selv, og må selv velge hva som er verdt å prøve. For eksempel skjønner du fort at det er verdt å prøve å sette seg på setet. 


Kom i gang: Disse spørsmålene bør du stille

Det er lett å tenke at maskinlæring er noe som er forbeholdt kun de største virksomhetene med flest ressurser. Det er ikke nødvendigvis sant. 

Samtidig understreker Strümke at selv om maskinlæring kan bidra til å løse mange problemer, er det ikke alltid den mest hensiktsmessige løsningen. Ikke alle trenger å bli et IT-selskap. Hun råder til å starte med å oppsøke konsulenter, undersøke mulighetene og se etter tilgjengelig hyllevare. Hvis dette ikke finnes, eller det blir alt for komplisert å få det til å passe med systemene deres, må dere enten droppe det eller virkelig gjøre investeringer i både kompetanse og infrastruktur. 

– Det viktigste er at man vet hva man vil gjøre, og får det til å passe inn i de systemene man har fra før. Så kan en se om det fungerer, og eventuelt skalere opp. En trenger ikke endre forretningsmodellen bare fordi en vil gjøre litt databasert modellering. 

Finner du ut at dette er noe dere skal prøve på, råder hun til ikke å være redd for å stille spørsmål. 

– Jeg tror at mange går rundt med følelsen av at «dette burde jeg vite mer om». Når du da står overfor å faktisk ta i bruk maskinlæring på en eller annen måte, tør du ikke stille spørsmål – fordi du tenker at du burde visst mer, sier Strümke, og fortsetter: 

– Jeg forsker på dette, men hvis du kommer til meg med en maskinlæringsmodell vil ikke det si at jeg nødvendigvis forstår den. Du bør alltid be om mer info – det er ikke flaut. Hvis du kommer på en seilbåt og begynner å trekke i tauene, viser det bare at du har peiling, og vil finne ut hvordan ting henger sammen. Det er ikke sånn at en bare går rundt og vet hvordan alle verdens modeller fungerer.

Det er hovedsakelig tre spørsmål du bør stille i en slik situasjon, råder hun: 

3 spørsmål du bør stille om KI-systemet:

  1. Hvilke data går inn? Hva er disse dataene, hva beskriver de, hvilken struktur har de? Er det tekst, er det bilder? Dette vil du vite for å kunne snevre inn hvordan modellen kan fungere, men også for å vite hva du kan forvente å få ut av dataene. 
  2. Hva skal den gjøre? Hva skal komme ut? Er det en predikert pris, kategorisering av godkjent og ikke godkjent, eller skal den estimere en størrelse? 
  3. Hva slags modell er det? Det finnes mange kategorier av maskinlæringsmodeller, som fungerer på ulike måter. Hva er det konkret som gjøres med dataene, fra de går inn i modellen til du får et resultat i den andre enden? Hvis du får et svar her som du ikke skjønner, så har du i alle fall et ord du kan gå og søke opp. 



– Alle kan stille disse spørsmålene, enten du står der og er redd for å bli erstattet med en robot, eller du sitter på styrerommet. Hvis du ikke vet svarene på dette, kan du ikke ta gode beslutninger eller oppføre deg på en informert måte.