All posts by : Ida Storm Jansen

Helt ny tilgang krævede helt ny viden

Ubiqisense havde en ambition om at gøre løsningen både hurtigere og mere præcis, fortæller Klaus Grouleff. ”Vi havde nogle forskellige ideer og var begyndt at afsøge området for convolutional neural networks, men der var nogle udfordringer.”

Hidtil havde Ubiqisense nemlig modificeret en færdig softwarepakke og tilpasset modellerne efter deres egne behov, supplerer hans kollega, Development Specialist Kim Andersen. ”Men nu var der ikke flere parametre, vi kunne skrue på.” For at forbedre løsningen yderligere måtte de gå nye veje, og det var det, AI Denmark-forløbet skulle hjælpe med.

I de indledende samtaler anbefalede tre eksperter fra Alexandra Instituttet uafhængig af hinanden at skifte til et maskinlæringsframework, der er bedre egnet til computervision. I AI Denmark-forløbet lavede instituttet en bred afsøgning af arkitekturer for at finde den stærkeste kandidat, fortæller Kim Andersen.

Paradokset: præcis genkendelse ved fuld anonymitet 

Ubiqisense’ udfordring er nemlig ret speciel: For at løse opgaven, skal præcisionen være
høj, så man ved, nøjagtigt hvor mange mennesker, der befinder sig præcist hvor. Samtidig
er det både et etisk og juridisk krav, at den information, der kommer fra sensoren, er anonymiseret, og at man ikke ved, hvem det er, der befinder sig i lokalet.

Denne specielle udfordring havde gjort det vanskeligt for Ubiqisense at finde den rigtige
løsning, fortæller Kim Andersen: ”Der findes løsninger, der kan finde alle mulige meget
karakteristiske objekter på billeder – fra elefanter og tigere til kager.” Men det er noget helt
andet end at tælle mennesker anonymiseret og med høj præcision, og derfor hjalp Alexandra Instituttet med at afdække, hvordan opgaven bedst kunne løses.

Præcisionen fordoblet og hastigheden højnet

I løbet af AI Denmark-projektet fik Ubiqisense afklaret, hvad de skulle gøre for at højne hastigheden og øge præcisionen på deres sensorer. I et efterfølgende kort forløb med Alexandra Instituttet implementerede virksomheden anbefalingerne med et rigtigt godt resultat, fortæller Kim Andersen.

”Vi har halveret antallet af fejl og dermed fordoblet vores præcision,” slår han fast. ”Og så har vi fået afsøgt en masse og sparet tid i forhold til, hvis vi skulle have gjort det selv.” Han mener, at det har gjort en stor forskel for Ubiqisense at få viden og værktøjer, der gør dem i stand til at arbejde videre selv.

Stort udbytte af sparring og læring

For Kim Andersen har AI Denmark-forløbet skabt stor værdi i forhold til at tilegne sig ny viden. ”Det, jeg lægger mest vægt på, er, at jeg lærte en masse,” understreger han. ”Det var en unik mulighed for få noget viden med tilbage i stedet for bare at hyre et konsulentfirma, få opgaven løst og så være på bar bund igen bagefter,” siger han.

Ifølge ham kan især mindre virksomheder få meget ud af et AI Denmark forløb. ”Det er en fantastisk mulighed i et firma, hvor der ikke er så mange at sparre med,” påpeger han. Han værdsatte Alexandra Instituttet som en sparringspartner, han lærte meget af, bl.a. fordi instituttet har mange forskellige eksperter ansat.

Forbedret produkt skal spare ressourcer i en ny verden

Den nye viden er allerede på vej ind i Ubiqisense’ produkt, fortæller Klaus Grouleff. Han glæder sig til, at kunderne kan drage fordel af at få mere valide data og bedre analyser, så de i fremtiden får lettere ved at træffe beslutninger om deres bygninger.

Efter corona-epidemien er der tiltagende fokus på at udnytte kvadratmeterne bedre, fortæller han. ”Vi vendte tilbage til arbejdspladser, der var fuldstændig forandrede: Nogen arbejder hjemme, og nogen kommer på kontoret, men du ved ikke rigtigt, hvornår.”

”Med vores løsning får du data, så du kan se, hvordan din bygning bliver brugt. Og med den viden kan Ubiqisense’ kunder udnytte bygningerne bedre og spare på udgifterne, men også sænke forbruget af energi og andre ressourcer. Det er til gavn for både klimaet og miljøet. Faktum er nemlig, at driften af bygninger ifølge Det Internationale Energiagentur står for 27% af CO2 globalt, og at det derfor er et helt centralt område at optimere på,” forklarer han.

”På tværs af vores største kunder ser vi for eksempel en gennemsnitlig belægningsgrad på 34% på mødelokaler. Og det betyder jo, at to tredjedel af mødelokalernes kapacitet ikke bliver udnyttet,” fortsætter han. ”Alt imens kører lokalernes ventilation, opvarmning og elektricitet for fulde gardiner. Potentialet for at reducere energi og udledninger fra bygninger er enormt, og det bliver vi nødt til at tappe ind i, og uanset om folk har faste pladser, kan det gøres på en GDPR-sikker og privatlivsbevarende måde,” afslutter han. 

AI Denmark-projekt beviste teknisk ladsiggørlighed 

Men det, at resultaterne kun afveg let fra hinanden, var både godt og skidt, fortæller hun. For på den ene side er det interessant, at et kort AI Denmark-forløb er nok til at bygge en løsning, der kan måle sig med Google. På den anden side er der ikke meget pointe i at skabe en ny løsning, der ikke leverer markant andre resultater end den gamle. 

Dén problematik illustrerer både, hvad en PoC kan, og hvor dets begrænsning ligger. En PoC tester udelukkende, om en idé teknisk kan gennemføres. Det er først i næste udviklingsfase, nemlig i prototypen, at konceptet valideres. Her tester man, hvad man får ud af at bygge produktet.

Fire gode læringer om kunstig intelligens 

Imidlertid har Tina Rogers allerede beskæftiget sig med at validere AI-løsningen. Det kom der fire gode læringer ud af, som fortjener at blive gengivet her. 

1. Husk, at AI ikke bør være et mål i sig selv. Det er resultatet, der tæller. 

Selvom Alexandra Instituttets AI-løsning kun var en PoC, der ville kunne forfines, lod det ikke til, at AI-løsningen var markant bedre til at finde Historie-artiklerne end Google. Med andre ord havde processen ændret sig, men resultatet forblev nogenlunde ens. 

2. Spørg brugerne, om AI-løsningen er værd at ændre vaner for 

Fordi resultaterne var nogenlunde ens, var der ikke den helt store værdi for journalisterne i forhold til en vaneændring. Således manglede Bonnier den sidste krog for at få brugerne til at gøre noget nyt. 

3. Tjek, om værdien af AI overstiger omkostningerne 

Uanset om en AI-løsningen skulle færdigudvikles internt eller eksternt, er det en investering. Og Bonnier mente ikke, løsningen sparer så mange journalistarbejdstimer, at det ville tjene udviklingsudgifterne hjem igen som tidsbesparende internt værktøj. 

4. Se, om AI-projektet kan gentænkes til en bedre business case 

Men kunne løsningen blive et værdiskabende eksternt værktøj til abonnenterne? Her stødte Tina Rogers på et nyt problem: Fordi historieformidling har ændret sig meget, ville det kræve human-in-the-loop for at sortere artikler fra, der er blevet overhalet af nyere forskning. Og det ville igen gøre projektet stort og urentabelt. Desværre. 

5.: Undersøg, om datagrundlaget er godt nok 

Alligevel synes Tina Rogers, AI Denmark-forløbet var vellykket. 

– Vi fik erfaring med AI og fik kvalificeret en mulig use case. Hvis løsningen rigtig skal flyve, skal vi digitalisere resten af arkivet. Og dét er et helt andet projekt, understreger hun. 

Dén problematik vinder genklang hos Rasmus Larsen, Alexandra Instituttets AI Specialist på projektet. – Vi ser tit, at organisationer har potentialet til at udnytte digitalisering, men ideerne bliver bremset af datagrundlaget. 

Men det er jo også én af grundene til, at AI Denmark er sat i verden Her kan SMV’er få deres første erfaringer med AI. Og én af de erfaringer handler typisk om, at der skal overraskende meget data og digitalisering til for at komme helt i mål med AI. Men det skal ikke holde ideerne tilbage, understreger han. 

I dag er løsningen i brug hos kunderne

Måske hørte du AI Denmarks podcast med tech-journalist Anders Høgh Nissen, Niels Toft Wendelbo fra JJW Arkitekter og Rune Wehner fra Alexandra Instituttet fra januar 2023? Her talte de om deres AI Denmark-samarbejde, der undersøgte, hvordan sensorer og kunstig intelligens kunne hjælpe arkitekterne og deres kunder med at udnytte bygningsmassen bedre.

I dag er sensorerne i brug hos JJW Arkitekternes kunder, hvor de skaber værdi, fortæller Martin Oddershede. Løsningen er ude hos kunderne i tre måneder, hvorpå kunden får en slags tilstandsrapport, der viser et gennemsnitligt forbrug på ugebasis, potentialet for besparelser og forslag til bedre udnyttelse af arealerne. 

Aktuelt hjælper sensorløsningen en boligforening med at undersøge, hvor meget og hvordan fælleslokalet bliver brugt. ”Sidst løsningen var ude hos en boligforening, fandt vi ud af, at der ikke nødvendigvis var en sammenhæng med aktivitet og temperatur, og at lokalet kun blev benyttet i under halvdelen af dagtimerne,” eksemplificerer Martin Oddershede. Derfor anbefalede arkitekterne at styre lys og varme med ny teknologi og at tilbyde lokalet til frivillige foreninger eller kommunen.

Liebhaverløsning med læring og lidenskab

For JJW Arkitekter er sensorløsningen en ekstra service til kunderne, der hverken er tabsgivende eller profitabel. For der er et højere formål med sensorløsningen, nemlig læring og bæredygtighed. ”Vi ser det mere som en læring,” siger Martin Oddershede. 

”I bygningsreglementet stilles der en række krav til blandt andet energiforbrug, altså det byggetekniske, men vi synes også, at brugeradfærd er ret interessant,” fortæller han. Dette spor er til dels beskrevet i bygningsreglementet, men i langt mindre grad end det byggetekniske, understreger han.

I det byggetekniske spor skal rådgiverne bl.a. beregne det forventede energiforbrug, men hvis brugerne bruger huset på en anden måde end forventet, er det langt fra sikkert, at resultatet fra energirammen er reelt, påpeger han. ”Det er derfor, vi gerne vil undersøge, hvordan det, vi bygger, i virkeligheden bliver brugt,” fortæller han.

Kan bedre benyttelse overflødiggøre nybyggeri?

Der er i dag heldigvis stort fokus på klimapåvirkningen fra materialerne i et byggeri, fremhæver han. ”Men hvis vi ved, hvordan brugerne bruger bygningerne og indretter dem bedre, behøver vi måske slet ikke bygge så meget nyt.” 

Den holdning er ikke bare hans egen, men tegnestuens erklærede formål med sensorløsningen iflg. deres hjemmeside. Det er tankevækkende, at JJW Arkitekter ikke bare sætter spørgsmålstegn ved behovet for nybyggeri, men endda tager skridtet fuldt ud og udlejer teknologi til deres kunder, der gør dem i stand til at kvalitetstjekke det produkt, arkitekterne har leveret. Det aftvinger respekt. 

Både godt for bæredygtigheden og bundlinjen

AI Denmark-forløbet sker i tæt samarbejde med PlusPack, som er en kunde, TriVision har arbejdet sammen med i mange år. I dag har TriVision omkring 20 visionsystemer installeret ved PlusPack. 

TriVisions systemer anvendes generelt i flere led i fødevarekæden. Mange systemer bruges af emballageproducenter som PlusPack, og lidt længere nede i fødevareværdikæden kontrollerer TriVisions systemer de færdige og fyldte emballager. For Ole Neckelmann er det aktuelle projekt særligt interessant.

”Det er ret spændende, det hér, for det er jo aluminium, og det er jo ikke bare dyrt; det er også én af de ressourcer, vi virkelig har mangel på i verden,” udtaler han. ”Så i det omfang vi kan undgå at lave dårlige emner, er det virkelig værd at gå efter.”

Stort potentiale i prædiktiv produktionsoptimering

Han er også inspireret af de mere langsigtede potentialer i at arbejde med kunstig intelligens. Hvis teknologien fx kunne se ændringer i kvaliteten på en bestemt produktionslinje, kunne systemet udløse en alarm, før fejlene indtræder. ”For visse fejltyper vil systemet måske kunne forudse, at produktionslinjen inden for 5-10 minutter begynder at producere skrammel,” forklarer han. 

På en given produktionslinje ved PlusPack kører der typisk max. tre forskellige typer emner, så det er et meget begrænset antal opdateringer, der skal laves. Det gør processerne særligt velegnede til optimering med maskinlæring, mener han.

Hjælp til operatørerne

En af vanskelighederne ved kvalitetskontrollen i produktionslinjen er, at operatørerne som regel har rigeligt at lave, og at der er mange potentielle fejlkilder, fortæller Ole Neckelmann. Det er det problem, TriVisions kamerasystemer afhjælper i dag. 

”Vi har lavet et produktionsoptimeringssystem, som hjælper operatørerne med at holde produktionssystemet oppe hele tiden, så du producerer flere gode emner per time, end hvis du ikke havde vores system,” understreger han. ”Og på toppen af det får du også kvalitetskontrol, så du ikke kommer til at levere noget til kunderne af en kvalitet, de ikke vil have.” 

Nu bliver det spændende at se, om den kunstigt intelligente kvalitetskontrol både kan levere den samme effektivitet i at finde de dårlige emner og samtidigt være i stand til at forudse visse fejl, inden de optræder.

Kan se, hvornår frituregryden bliver tændt

Ifølge Kåre Dyvekær har den største gevinst med dataopsamlingen været, at de har fået et bedre overblik over strømforbruget de forskellige steder i parken. 

De har netop indkøbt yderligere 40 intelligente målere, som skal sættes op alle de steder, hvor de har et væsentligt strømforbrug.

“Lige nu er AI’en ikke klogere end os, men vi har fået mod på det. Vi får et dataoverblik, der gør, at vi kan se anormaliteter. I takt med at vi får flere målesteder, så vil vi kunne se, om der er sammenhæng mellem noget tidsmæssigt og hvem, der eventuelt er gode til at spare på strømmen. Det har enormt stor betydning, om du først tænder frituregryden, når du skal bruge den og ikke, når du møder ind. Det fokus har vi ikke haft før, fordi vi ikke har kunnet måle det.”

AI kan måske se, hvor der er brug for vedligeholdelse

Udfordringen med dataopsamling er, at de får en masse signaler ind, som bliver samlet i en stor masse. Det vil derfor kræve, at de får lavet et ‘fingerprint’ eller el-signatur for hvert apparat. Det vil ifølge Kåre Dyvekær gøre, at man kan sætte en måler op på hovedforsyningen til hver kiosk og så sætte AI’en til at analysere, når der sker noget unormalt.

“Kort sagt så kunne AI’en godt se, når noget faldt ud fra normen. Det kunne være et apparat, der var gået på standby, som skulle være tændt. Men jeg kunne godt tænke mig, at AI’en helt ned på apparatniveau kunne detektere, hvis filtret i en emhætte trænger til at blive skiftet, eller hvis et varmelegeme bliver dårligt. Mange af de her vedligeholdelsesting vil man sandsynligvis kunne se i strømforbruget.”

Den kunstige intelligens kan måske også bruges til at forudsige, hvor mange frituregryder eller andre apparater, som de skal tænde, alt efter hvor mange gæster de forventer.

“Jeg tror, at når vi har nok data, så begynder AI’en at kunne gennemskue nogle mønstre, som vi ikke ser og dermed kommer til sin ret. Hvis vi fodrer den med data på vores gæsteantal, så vil den måske kunne sige, at i dag har vi x antal gæster og har brug for følgende installationer.”