Lille julaften 1969 ble Norge et oljeland – men aldri noe nytt Kuwait, en oljenasjon som overlot til andre å tjene på ringvirkninger av utvinningen. Statlige grep her hjemme, derimot, gjorde AS Norge til storleverandør av varer og tjenester til oljesektoren.
Med klok håndtering av industriens nye verdifulle ressurs – store mengder data som lar seg analysere – kan vi igjen skape nye verdier og arbeidsplasser på hjemmebane.
Stikkord er stordata og maskinlæring, sistnevnte en gren innenfor fagfeltet kunstig intelligens.
Les også: Veien til digital verdiskaping
De store datasettenes inntog
Stordata betyr datamengder som er så store eller komplekse at de ikke kan analyseres med vanlig databehandling.
Fem forhold har skapt slike datasett:
Datamaskiner har fått økt regnekraft. Fremskritt er gjort innen datalagring og datakommunikasjon. Vi har fått stadig flere apparater for datafangst. Pluss et ��kende antall «standardidentifikatorer»: alt fra bilers autopass-ID til RFID-koder for varer.
Les også: Stille helserevolusjon i gang
Hold på eierskapet
Til å finne sammenhenger i slike data, utvikles det algoritmer – beskrivelser av regneoppgaver – for maskinlæring. I store datasett gjenkjenner algoritmene mønstre mennesker ikke kan se. Nordmenn flest produserer i dag informasjon som analyseres slik.
Mot å få gratis tjenester tilbake, som Facebook og Google-søk, gir folk fra seg data om vanene sine til store teknologiselskap. Her tygger maskinlæringsalgoritmer seg gjennom dataflommen. Ut kommer informasjon, eksempelvis om ulike gruppers handlemønster. Denne selges til tredjeparter. Slik omgjøres norske forbrukerdata til verdier og arbeidsplasser i utlandet.
Nå blir det viktig å forhindre at norske industridata går samme vei. For om eierskapet til og bruken av disse forblir i Norge, kan det delvis bli riktig at data er «den nye oljen».
Les også: Gi fastlegen tilgang på smartklokken
Oppkobling mot hjemlig «gullgruve»
Våre bærende næringer – olje- og gass, fornybar energi, prosessindustri og sjømat – besitter nemlig store datamengder som kan gi ny virksomhet i Norge. Vel å merke såfremt denne informasjonen kobles til en annen hjemlig «gullgruve». Nærmere bestemt all fagkunnskapen disse næringene har bygd opp gjennom tiår.
Mye av innsikten er nedfelt i matematiske modeller: likninger som på idealisert vis beskriver ulike biter av virkeligheten. Koblet til slike regneverktøy, blir maskinlæring et ekstra kraftfullt forbedringsverktøy.
Derfor har de mye å tilføre hverandre, eksperter på matematisk modellering og spesialister på stordata/kunstig intelligens. Dette gjør det mulig og naturlig å bygge opp kompetansemiljøer innenfor maskinlæring her til lands – i industri- og energiselskap, hos programvareprodusenter og i forskningsmiljøer.
Les også: Helsedata kan bli det nye arvesølvet
«Økosystem» for datadeling
Slik kan Norge bruke stordata og kunstig intelligens til å styrke eksisterende næringsliv og samtidig skape nye kunnskapsbaserte tjenester og arbeidsplasser.
For å få full uttelling av en slik satsing, bør hver næring dele data internt. Det vil si: utveksle informasjon i tråd med «spilleregler» som ikke tjener bare de store aktørenes interesser. Utvikling av slike «økosystem», som gir både små og store selskap fordeler av å dele data, er i dag et eget fagfelt.
Et grovt bilde av hva alt dette vil si i praksis, lar seg tegne ved å se på muligheter som maskinlæring åpner innen vannkraft.
Les også: Roboten som kan berge matbransjen
Hjelp til økt driftssikkerhet
I vannkraftverk er driftssikkerhet alfa og omega. Om en slitasjeskade skulle oppstå på en turbin, er det derfor viktig å vite hvilke driftsbetingelser som har bidratt til å utløse den. Dette for at tilsvarende nye skader skal kunne forebygges.
Maskinlæringsalgoritmer vil kunne se sammenhenger mellom ulike typer skader og loggførte fra data fra turbinens liv, eksempelvis målte vibrasjoner. Men skader på turbiner inntreffer sjelden. Skal algoritmen klare jobben sin, vil den derfor trolig trenge data fra alle norske vannkraftverk.
Likevel kan antallet skader bli for lavt til at algoritmen klarer å lage generaliseringer. Da er matematiske modeller gode å ha. I vannkraftbransjen finnes modeller som beskriver hvordan ulike ytre forhold påvirker turbiner. Varieres disse forholdene i regneverktøyet, kan algoritmen finne fellestrekk ved de betingelsene som resulterer i skader på de simulerte turbinene.
Les også: Ser norsk arbeidsliv i kortene med statistikk og maskinlæring
I det unge olje-Norges fotspor
Følges denne resepten, kan maskinlæring bli en ny norsk næring, slik leverandørvirksomhet ble det i oljesektoren.
Artikkelen sto første gang i Dagens Næringsliv fredag 9. november 2018 og gjengis her med DNs tillatelse.
