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.