Kunstig intelligens

Utviklingen innenfor kunstig intelligens (KI) og digitalisering går i rekordfart. For statens som eier er det viktig at selskapene i statens portefølje utnytter innovasjonskraften og mulighetene for økt verdiskaping som ligger i KI og annen avansert digital teknologi.

I dette kapittelet deler forskningsleder i Sintef, Signe Riemer-Sørensen, sine perspektiver om KI og fremtidens selskaper som skal gjennom det grønne og digitale skiftet.

Innovasjon Norge, Investinor, Kongsberg Gruppen, NRK og Posten Bring deler også erfaringer fra sitt arbeid med KI.

Kunstig intelligens for fremtidens selskaper som skal gjennom det grønne og digitale skiftet

Signe Riemer-Sørensen, forskningsleder Sintef

2023 ble året da alle fikk eierskap til kunstig intelligens (KI), primært gjennom lanseringen av ChatGPT. Amerikanske Open AIs banebrytende oppfinnelse vil kunne endre spillereglene for ulike bransjer og næringer. Nå har mange innsett at vi ikke kan planlegge for fremtiden og det grønne skifte uten å inkludere KI.

Generativ KI

Det som er på alles lepper nå er i stor grad generativ KI, altså populære språkverktøy som ChatGTP og bildegenerering som Dall-E og Midjourney. Ved utgangen av 2023 hadde 1,6 milliarder mennesker verden over registrert seg som brukere av ChatGPT for å kunne stille spørsmål og få hjelp med tekst. Selv om teknologien er relativt ny (ca. 2015) er det tilgjengeliggjøringen som har gjort KI til allemannseie. Før var KI kun tilgjengelig gjennom kode og dermed mest interessant for programmerere og programvareutviklere. Med språkmodeller kan hvem som helst kommunisere med KI via språk. Dette har medført en eksplosjon av nye tjenester. Opptak av møter kan konverteres til referater med bare få tastetrykk, mens no-code programmering gjør det enklere å hente verdi ut av organisasjonens data. Åpne verktøy som gjør det mulig å lage deep-fake videoer av personer som sier eller gjør ting de aldri har gjort, kan misbrukes til både svindel og svekking av demokratier. Alle disse tjenestene åpner for nye muligheter, men det blir også vanskeligere å vurdere troverdigheten av innhold på digitale medier fordi hvem som helst kan lage falske bilder og lyd.

ChatGPT er en ganske stor modell som består av flere deler. Den første delen er en språkmodell som kalles GPT, det står for generative pre-trained transformer. Den predikerer det mest sannsynlige neste ord i en setning basert på statistikk, ikke logisk tenking. I versjon 4.0 har den 300 milliarder parametere til å beskrive all den tekst den er trent på. Den andre delen er trent i samspill med mennesker og skal produsere meningsfulle svar i en «samtale». I tillegg finnes det en moderasjonsdel som skal forhindre ChatGPT i å komme med uhensiktsmessige utsagn.

KI har en pris

Populariteten av store generative KI modeller kommer med en pris. Ett KI-genert bilde krever like mye strøm som én telefonopplading, og en chatbot kan bruke 10 ganger så mye energi som et ordinært internettsøk. I januar 2023 er det estimert at ChatGPT brukte like mye strøm som 11 000 norske husholdninger. Det kan være greit å huske på at KI ikke er én ting, men en samlebetegnelse for mange ulike typer modellene. Og heldigvis krever de ikke alle samme mengde energi som de store generative modeller. Mindre KI modeller kan spesialiseres til å løse enkle oppgaver som for eksempel å se etter benbrudd i et røntgenbilde.

Bruker vi KI riktig, kan det hjelpe samfunnet med å spare dyrbare ressurser. Det vi må begynne å snakke om er bruken av KI i industrielle sammenhenger – altså industriell KI. Som verktøy vil industriell KI hjelpe oss med å ta beslutninger basert på data, i stedet for menneskelig intuisjon.

Norges utslipp

Mesteparten av Norges klimabelastning kommer fra energiproduksjon, forarbeidning og prosessindustri, samt logistikk. Som en stor eier i norsk næringsliv har staten et særlig ansvar for å stille tydelige forventninger til selskapene om bærekraft. Noen utslippsreduksjoner kan oppnås med restriksjoner og reguleringer, og noe med teknologisk utvikling, men samtidig må alle bidra til å redusere vår påvirkning og utslipp på kort sikt, og tilpasse oss en verden i endring. Her kan industriell KI bidra.

Vi setter alle pris på levestandarden vår og foretrekker reduksjoner i klimabelastningen som ikke påvirker denne nevneverdig. Altså situasjoner der vi rett og slett kaster bort ressurser uten å få noe igjen. Det kan være når vi lar lastebiler stå på tomgang på anleggsprosjekter, eller når vi bygger datasentre som sliter med å bli kvitt varme mens vi alle har elektriske panelovner hjemme. Eller når vi lager maskiner der deler skiftes ut unødvendig, eller transporterer pakker som ikke er stablet hensiktsmessig. Mye av denne sløsingen med ressurser kan forhindres med industriell rettet hybrid KI, men enn så lenge er denne langt fra like utviklet som ChatGPT og Sora. Det vil kreve en innsats å få det til å fungere i praksis.

La oss se på noen eksempler der hybrid KI kan hjelpe til med å senke utslipp i kategoriene vist på figuren.

Eksempler fra energisektoren

For å erstatte olje og gass trenger vi fornybare energikilder. Men disse kildene er ofte avhengige av været, og svinger mye i produksjonen alt etter som det er sol eller vind. Det skaper en utfordring fordi vi ikke har tilstrekkelig batterikapasitet til å lagre den overskuddsenergien som produseres. Dermed må vi hele tiden balansere produksjon og forbruk. Det er ikke til å unngå at det å øke fleksibiliteten også øker kompleksiteten, det vil si det blir mer komplisert å administrere og styre effektivt, for både energiprodusenter og forbrukere.

KI-lignende teknologi blir nødvendig for å håndtere denne økende kompleksiteten. I Norge har vi over 1 000 vannkraftreservoarer og rundt 600 elvekraftverk. Det er umulig for en person å avgjøre hvilke av disse som trenger å øke eller redusere produksjonen i løpet av de neste minuttene for å kompensere for svingninger i vindkraftproduksjonen. Med hjelp av en KI-assistent blir dette mulig. På et større nivå har Norge et komplekst nettverk med 11 000 km med høyspenningskabler. Kapasiteten til hver kabel påvirkes av mange faktorer, som konfigurasjonen av nettet, belastningen, og eksterne forhold som temperatur, vind og fuktighet. Vi kan bruke maskinlæring og klassisk optimalisering for å finne gjennomførbare konfigurasjoner, men også som beslutningsstøtte for endringer og oppgraderinger av infrastrukturen for å tilpasse oss til det grønne skiftet.

Forstørr bilde

Energieffektivisering og bedre klimastyring i bygg

I moderne bygg spiller effektiv forvaltning av energi en stadig viktigere rolle. Også her kan KI hjelpe oss med å identifisere spill av energi og gi bedre temperaturstyring. I mange kontorbygg benyttes semi-automatiske systemer for temperaturstyring og klimaanlegg. Det er vanlig å installere varmepumper, ventilasjon, klimaanlegg, varmeovner og lignende. Noen styres sentralt og noen lokalt. Hvis disse er installert uten samkjøring risikerer man at de motarbeider hverandre. Vi kan bruke læringsbaserte modeller til å identifisere individuelle enheters forbruksmønster, slik at eventuelle konflikter mellom enheter kan avdekkes, og unødvendig energiforbruk kan reduseres. I tillegg kan overvåking av enhetene bidra til å oppdage vedlikeholdsbehov.

Virkelighetens verden

Det er dessverre ikke rett frem å benytte KI til energibesparelse. Industrielle anlegg og bygg er gjerne kompliserte systemer som er bygget og utvidet over tid. De er sjelden designet for datadrevet drift med få relevante sensorer, og data fra mange ulike kilder. For mange datakilder finnes det lite grad av standardisering og enda sjeldnere på tvers av sektorer, dvs. at det ikke er mulig å «importere» KI fra andre sektorer.

I tillegg er noen systemer sikkerhetskritiske og vi må stille mye høyere krav til modell-troverdighet. Fordelen med industrielle systemer og bygg er at vi allerede har en masse forhåndskunnskap som kan bidra til å gjøre KI robust og troverdig slik at vi kan få hjelp i det grønne skiftet.

Hvordan hybrid kunstig intelligens kan hjelpe oss

Vindturbiner er en viktig kilde til fornybar energi. Men de koster også mye ressurser og store naturinngrep å installere. Når disse først er på plass, er det derfor avgjørende å maksimere deres levetid. Vi kan bruke dataovervåkning for å oppdage eventuelle feil, men det hadde vært enda bedre om vi kunne si ifra om problemer før de fører til skader på turbinen. Dette er spesielt viktig i områder tilgangen til turbinen er vanskelig eller bør minimeres av hensyn til både værforhold og bruk av turbinen.

Det er viktig å forstå at KI ikke er magi og dersom vi anvender det blindt og ukritisk på data, vil vi sannsynligvis feile. Du har kanskje hørt at ChatGPT hallusinerer? For å motvirke hallusinasjoner, trenger vi hybrid KI som kombinerer data med fysiske prinsipper for å sikre nøyaktige og robuste prediksjoner. Slik tilnærming bør utvikles så den kan anvendes på alle typer systemer fra mekaniske vindturbiner, elektriske kretsløp og kjemiske reaksjoner. For vindturbiner vil dette muliggjøre planlegging av vedlikehold, noe som kan bidra til å minimere unødig bytte av deler og trafikk inn til turbinen.

En dating-plattform for stein?

Det tredje største bidraget til CO₂-utslipp kommer fra transportindustrien. Det er mange områder innen transport hvor vi kan benytte KI, og transport av stein er kanskje ikke det første du tenker på? De fleste bygg- og anleggsprosjekter er avhengig av stein. Samtidig er stein en ikke-fornybar ressurs. Når de først er knust til småstein, vokser de ikke sammen igjen. Stein har mange ulike egenskaper, og velger man feil type stein vil det gi dårligere resultat og for eksempel kortere levetid på veien som bygges. Ofte kjenner man ikke kvaliteten på stein før arbeidet starter, så i stedet for å bruke lokale stein som uansett må fjernes fra anleggsplassen, kjøper man stein utenfra med kjent kvalitet. Forestill deg at du kunne forutsi kvalitetsmålene for lokal stein ved hjelp av maskinlæring. Det ville gjøre det mulig å bygge en dating-plattform mellom stein og behov, slik at man kan planlegge bruken av masser både lokalt og regionalt og ikke per prosjekt. Dette krever kombinasjonen av tung kompetanse på geofysikk, logistikk og maskinlæring. Men tanken kan tas enda videre. Enda bedre data og rask datadreven modellering av undergrunnen kan også brukes til å forutsi skredfare.

En grønn og digital omstilling

Eksemplene viser at det er mange områder hvor KI kan spille en rolle for å effektivisere og minimere spill av ressurs. Men det krever tilgang til data. Derfor hører man noen ganger begrepet tvilling-transformasjon. På noen områder må vi gjennom en digital transformasjon for å få en grønn transformasjon. Men de er ikke likestilte. Den grønne transformasjon er den viktigste, men også den som har kommet kortest. For næringslivet kommer endringene gjennom lover, reguleringer og krav om rapportering av bærekraft. Da må virksomhetene bli bedre til å måle og dokumentere, samt ta avgjørelser som faktisk er basert på data. På samme vis som KI tar beslutninger basert på data.

KI og sikkerhet

For å kunne bruke KI til grønn omstilling, må vi også tenke på sikkerhet i selve KI-systemet. Ifølge EU’s regulatoriske regelverk for kunstig intelligens, AI Act, kreves det en særlig vurdering før høyrisiko-bruk av KI systemer. Det gjelder for eksempel sikkerhetskritiske systemer som infrastruktur og transport. Leverandøren må vise at KI-en overholder de obligatoriske kravene til datakvalitet, dokumentasjon og sporbarhet, åpenhet, menneskelig tilsyn, i tillegg til nøyaktighet og robusthet. For utvalgte kategorier av systemer vil det også være nødvendig med en uavhengig vurdering og tredjepartssertifisering. Dette kommer i tillegg til forsvarlig håndtering av data, beskyttelse mot cyberangrep og håndtering av sårbarheten som oppstår når hele den digitale infrastrukturen avhenger av elektrisitet og dataoverføring.

KI vil være avgjørende i overgangen til null-energi-samfunn. Det vil ikke løse alle utfordringer, men det kan gjøre mange små forbedringer som til sammen kan gi tilstrekkelig effektivisering fram til grunnforskning gjør teknologiske gjennombrudd. Men det krever at vi fokuserer våre ressurser og kombinerer kunnskap med datadrevne metoder slik at vi utvikler algoritmer som kan brukes i mange ulike sammenhenger. Lykkes vi med dette, noe jeg håper og tror vi gjør, vil det gi oss et mylder av løsninger på fremtidens og klodens dilemmaer.

Én vei inn – Bruk av kunstig intelligens for effektiv veiledning

«Én vei inn» er en digital inngang til det næringsrettede virkemiddelapparatet som gir bedrifter og privatpersoner tilgang til riktig offentlig hjelp raskere. Det næringsrettede virkemiddelapparatet består av en rekke statlige, regionale og kommunale aktører og virkemidler som skal bidra til økt verdiskaping i næringslivet. Gjennom Én vei inn kan kundene få raskt svar på hvor i virkemiddelapparatet de kan få hjelp på veien videre. Samtidig bidrar Én vei inn til at aktørene i virkemiddelapparatet til enhver tid kan jobbe med relevante og riktige kunder.

Arbeidet med Én vei inn ledes av Innovasjon Norge i tett samarbeid med de andre virkemiddelaktørene. Arbeidet startet som et pilotprosjekt i 2022. Siden den gang har flere og flere virkemiddelaktører blitt en del av samarbeidet.

Bruk av kunstig intelligens (KI) står sentralt i utviklingen av Én vei inn. KI bidrar både til effektivitet i saksbehandlingen og til likebehandling av kunder. Hvilket svar kundene får skal ikke avhenge av hvilken rådgiver som er på jobb den dagen, og god maskinstøtte er nyttig for å sikre det. Regelstyring og KI gir rådgiverne bak Én vei inn en enklere arbeidshverdag, og det arbeides kontinuerlig med å utforske nye muligheter for bruk av KI.

Én vei inn mottar et bredt spekter av henvendelser daglig. For å sikre rask responstid har det vært viktig å identifisere mønstre og likheter i de ulike henvendelsene, og lage regelsett basert på disse. I dag finnes det regler som foreslår når en henvendelse skal til førstelinjetjenesten for næringslivet i kommunene, skattefradragsordningen Skattefunn eller et regionskontor hos Innovasjon Norge.

For eksempel vil maskinen automatisk forslå et svar når den identifiserer at en henvendelse bør videre til lokal hjelp i kommunen. Dette gjelder typisk kunder som ikke har startet bedrift, og som trenger hjelp til å videreutvikle idéen sin. Hvis en henvendelse treffer et sett med kriterier, får rådgiveren automatisk opp et forslag på et svar til kunden. Deretter må rådgiveren selv vurdere om svaret skal benyttes eller ikke. Det automatiske svaret er testet på ulike brukere, og inneholder en kombinasjon av tips om aktuelle kurs og henvisning til relevante aktører. I tillegg brukes generativ KI til å lage en kort tilpasset innledning til svaret som kunden får. Innledningen løfter frem unike elementer ved kundens henvendelse, og har som mål å bidra til at kundene føler seg forstått, samt at det sparer rådgiver for tid knyttet til en slik formulering.

Fremover vil fokuset i utviklingen av Én vei inn blant annet være å bruke KI til å foreslå andre virkemiddelaktører og bruke maskinlæring for å fange opp mer komplekse mønstre enn det dagens regelsett klarer. På sikt vil vi vurdere om dette kan legge grunnlaget for helautomatiserte henvisninger. Foreløpig er KI og maskinlæring gode verktøy som gir forslag til rådgiverne bak Én vei inn.

Generativ KI brukes også til å lage en kort oppsummering av kundens henvendelse og hvilken bransje kunden tilhører for å effektivisere rådgiverens arbeid. Når rådgiveren har lest gjennom en henvendelse kan den KI-predikerte bransjen enten godkjennes eller endres, og vi får dermed også gode data som vil gi oss trender om bransje.

Én vei inn skaper en felles digital hukommelse i virkemiddelapparatet slik at kundene ikke må gjenta seg til de ulike virkemiddelaktørene. Det betyr i praksis at kundene bare må fylle ut informasjon en gang, og at henvendelsen deretter sendes direkte til relevant aktør, sammen med annen relevant informasjon som er hentet fra ulike registre (dersom kunde har gitt samtykke til deling). I dag deler vi disse henvendelsene med nesten halvparten av alle Norges kommuner og flere nasjonale aktører, og flere vil følge fremover.

Kunstig intelligens kan gi mer presise investeringer i morgendagens næringsliv

Investinor investerer i morgendagens næringsliv. Det er liten tvil om at kunstig intelligens (KI) vil spille en viktig rolle i fremtiden, og Investinor har derfor arbeidet systematisk med å integrere KI-løsninger i investeringsprosessen vår.

Tilnærmingen er todelt. Eksternt vil stadig flere selskaper i porteføljen og investeringsuniverset til Investinor bruke KI til å skape nye produkter og tjenester. Det skaper spennende investeringsmuligheter for selskapet. Internt brukes KI for å fatte bedre og mer effektive investeringsbeslutninger. For å oppnå dette har Investinor vært opptatt av å innføre KI i et kontrollert tempo. Det første skrittet har vært å høste de lavthengende fruktene.

En tidkrevende oppgave for ventureinvestorer er å systematisere investeringsmuligheter. Årlig får Investinor 400-500 henvendelser fra selskaper og fond. Tidligere måtte den enkelte investeringsmedarbeider hente nøkkelinformasjon om mulige nyinvesteringer fra presentasjoner, regneark og møtereferat, og deretter lagre informasjon i en database for videre prosessering. I dag er dette overlatt til en KI-assistent. Dette frigjør tid og ressurser til viktigere oppgaver.

Et felt hvor Investinor virkelig opplever at KI kan skape verdi, er som verktøy for å effektivisere våre strategiske prosesser. Her jobber vi bredt.

Investinor ønsker å rette direkteinvesteringene mot selskaper som befinner seg i den såkalte Serie A-fasen. Slike selskaper har typisk utviklet et produkt som har fått positive tilbakemeldinger i markedet, og nå trenger ekstern kapital til videre vekst og utvikling. Men hovedtyngden av selskapene som kontakter Investinor i løpet av et år, befinner seg på et tidligere stadium i utviklingen enn dette. Mange er nyetablerte, og vil normalt stå overfor flere år med kapitalkrevende utvikling før de kan lansere et produkt i markedet. For investorer er det vanskelig å vite hvilke selskaper som vil komme seg velberget gjennom «dødens dal». Men ved hjelp av KI kan Investinor identifisere selskaper som vi mener har gode forutsetninger for å bli et fremtidig Serie A-selskap.

Sentralt i dette arbeidet står et egenutviklet KI-verktøy kalt Trønderbrain. Dette verktøyet samler data om relevante selskaper fra blant annet selskapspresentasjoner, nettsteder og nyheter, og rangerer deretter selskapene utfra ulike parametere slik som gründerteam, markedspotensial, konkurransesituasjon, medinvestorer og ESG-profil. Utfra dette gis selskapet en score. Samtidig får investeringsteamet en serie spørsmål som KI-agenten mener er sentrale når man skal gjøre en mer kvalitativ vurdering av «caset».

Denne screeningen gir ikke absolutte svar på hvilke selskaper Investinor bør satse på, men reduserer antall relevante selskaper fra et hundretall til noen titalls. Som et resultat av kartleggingen vet Investinor hvilke selskaper det er verdt å undersøke nærmere.

Investinor investerer ikke bare i selskaper, men også i fond. Da forbudet mot ko-investeringer ble opphevet i 2023 ble investeringsuniverset utvidet med over 400 av Norges antatt beste oppstartsselskaper. Ved å mate Trønderbrain med informasjon om disse selskapene, kan fondsinvesteringene brukes for å gjøre mer presise direkteinvesteringer.

Et annet område hvor datadrevne vurderinger blir stadig viktigere for tidligfaseinvestorer, er innenfor ESG (Environmental, Social, Governance). Ved hjelp av Trønderbrain vurderes og rangeres selskapenes risikofaktorer basert på teknologitype, sektor og andre forhold knyttet til det såkalte fotavtrykket. Men vel så viktig er det å identifisere selskaper som utvikler produkter og tjenester som kan løse ett eller flere bærekraftsproblem (det såkalte håndavtrykket). Disse vurderingene gjøres med utgangspunkt i ESG-rammeverk som SDGs (Sustainable Development Goals) og CSRD (Corporate Sustainability Reporting Directive). I forlengelsen av dette brukes KI-verktøy til å estimere både negativ og positiv påvirkning fra potensielle nyinvesteringer. Selv om disse analysene er langt fra perfekte, er kvaliteten på dem likevel langt bedre enn det som normalt ville blitt gjort på dette stadiet i utvelgelsesprosessen. En annen klar fordel, er at samme metodikk brukes til å vurdere alle selskapene. Dette har stor verdi for investorer som typisk vil forsøke å sammenligne og rangere mange selskaper.

KI er med andre ord blitt et sentralt verktøy for både å effektivisere interne prosesser og for å gjøre Investinors investeringer mer treffsikre. Ved å automatisere manuelle og tidkrevende oppgaver får de ansatte mer tid til å møte mennesker og utføre andre oppgaver som er viktige for å fatte gode investeringsbeslutninger.

Tryggere ferdsel til sjøs

Norge er en havnasjon. Gjennom tusenvis av år har havet gitt oss mat, transport og energi. Havet har vært vår inngangsport til verden. Samtidig er havet en farlig og lunefull venn.

Kongsberg Gruppens forretningsområde Kongsberg Maritime har levert teknologi til maritim industri i flere tiår. Hovedmålet når vi utvikler ny teknologi er å sikre tryggere ferdsel til sjøs. Utvikling av styringssystemer, datamaskiner, moderne elektronikk, satellittnavigasjon, sjøkart og robuste framdrift- og manøvreringssystemer er alle viktige kvantesprang som er gjort fra midten av forrige århundre og frem til i dag for å øke sikkerheten til sjøs.

I dag representerer KI et nytt kvantesprang. I Kongsberg Gruppen bruker vi mye regelbaserte ekspertsystemer. Dette er systemer som har en forhåndsdefinert oppførsel. I tillegg bruker vi dype nevrale nettverk, det vil si en teknologi som prøver å gjenkjenne underliggende forhold i et datasett. Dype nevrale nettverk har også muliggjort generativ KI. Generativt KI-teknologi konsumerer store mengder informasjon og skaper deretter selv tekst, bilder, video og lyd.

Her er fire eksempler på hvordan vi bruker KI i den maritime industrien:

Forhindre kollisjoner

Kongsberg Martime’s løsning for å hindre at skip kolliderer bygger på et system for situasjonsforståelse, «Situational Awareness» (SA), fra søsterselskapet vårt Kongsberg Discovery. Om bord på et fartøy bruker kapteinen og dekksoffiseren kikkert og radar for å se andre skip, land, skjær, bøyer, sjømerker og fiskemærder. Et SA-system, derimot, prosesserer automatisk bilder fra radar og kamera for å oppdage disse objektene. For å lære opp systemet til å gjenkjenne fartøy, land og andre objekter, brukes læringsdata i forskjellige former, både fra radar og kamera som er merket av mennesker, og syntetiske data av realistiske og krevende scener.

Når et skip oppdages i radar eller kameradata, sier det ikke noe om hastigheten eller kursen til fartøyet. For å få til det, må bildedeteksjonen kobles til den fysiske verden. SA-systemet har derfor en funksjon for å «tracke» et antall objekter samtidig, slik at det kan sammenstille en liste med objekter med tilhørende posisjon og hastighetsvektor og dermed fastslå hastighet og kurs. SA-systemet identifiserer land og angir sikre områder. Deretter bruker algoritmene for kollisjonsunngåelse de sikre områdene til å unngå kollisjon og beregne sikker rute til ønsket destinasjon.

Avdekke feil og begynnende svakheter på skip

Innenfor helsevesenet brukes KI til å avsløre sykdom og bidra til gode behandlinger. Tilsvarende kan vi i maritim industri bruke KI til å oppdage begynnende svakheter på utstyr på et fartøy, og få fikset feilen før det går i stykker og før vi mennesker klarer å se det. Dermed kan vi forhindre at feil oppstår til havs, der det kanskje ikke er tilgjengelige reservedeler.

Styring av fartøy med redusert bemanning

En viktig teknologitrend innen maritim virksomhet er ubemannede fartøy eller fartøy med redusert bemanning. Fartøy med mindre bemanning vil bli enklere og dermed billigere å bygge. Samtidig synker operasjonskostnadene. Disse fartøyene forutsetter at vi tar i bruk metoder for bedre situasjonsforståelse, automatisert kollisjonsunngåelse, og klarer å avdekke begynnende svakheter. Ved hjelp av KI gjør vi det enklere å kommunisere med maritime systemer, og vi lager støttesystemer som anbefaler mannskapet hvilke handlinger de skal foreta, enten de er om bord på skipet eller i operasjonssentre på land.

Redusere CO₂-utslipp

Maritim virksomhet står for rundt tre prosent av verdens samlede CO₂-utslipp. International Maritime Organization (IMO), som er FNs organ for regulering av internasjonal sjøfart, har vedtatt at utslippene skal ned til null innen 2050. KI vil være sentralt for å nå dette målet. Ved å ta i bruk intelligente energisystemer for karbonnøytrale skip som minimaliserer energiforbruk og maksimaliserer sikkerhet, vil man kunne optimalisere maritime operasjoner. Et eksempel er vær-ruting, der man automatisk justerer ruten over havet basert på vær, vind, strøm og bølger.

Ved hjelp av KI skal ikke Kongsberg Gruppen erstatte mennesker med maskiner, men vi skal bruke teknologien til å utvikle arbeidsoppgavene og gjøre det enda tryggere å seile på havet. Slik vi har gjort i alle år.

Fra magi til nytteverktøy: NRKs praktiske, etiske KI-verktøykasse

Kunstig intelligens (KI) har potensial til å endre NRKs journalistikk, produksjoner og produkter. Men vi frigjør kun kraften som bor i KI dersom vi evner å bli konkrete – innenfor klare etiske grenser.

Enhver tilstrekkelig avansert teknologi er ikke til å skille fra magi, har den britiske forfatteren Arthur C. Clarke sagt. Generativ KI virker som magi.

For NRK ligger verdien i KI å bli praktisk og konkret.

Det betyr at NRK har fokus på nytteverdi – ikke på løftene som i praksis like gjerne kunne handlet om magi. Vi avmystifiserer teknologien, både ved å forstå behovene som KI kan hjelpe oss med, og truslene teknologien representerer. Deretter prioriterer vi hardt.

NRK har delt inn KI i tolv ulike temaer som vi enten må beherske eller ha et aktivt forhold til:

1. Redaksjonell utvikling med KI
2. KI for TV- og radioproduksjoner: hvor KI kan gjøre idéutvikling, utviklingsprosesser og produksjon både enklere og billigere
3. KI-automatisering av ulike manuelle prosesser
4. Personalisering
5. Utvikling av språkmodeller
6. Metadata
7. KI-verktøy til ansatte
8. Kompetanse
9. KI, juss og risikovurderinger/etterlevelse
10. Etisk rammeverk
11. Sikkerhet
12. KI-tjenester som distribusjonskanaler av redaksjonelt innhold

Kompetanse er et godt eksempel på hvordan hente ut nytteverdi. Skal vi lære opp organisasjonen i bruk av KI, må vi forstå hensikten med det de skal lære. En generell introduksjon til hvordan skrive «prompts» er nyttig for alle – men måten en journalist kan utnytte KI-verktøy kan være annerledes enn hos en redaktør, som igjen er noe annet enn hva en TV-produsent trenger i hverdagen. Enn si en advokat. Eller en utvikler. Vi må bruke sunn fornuft og bli konkrete i møtet med KI.

For journalistikken er verdien av KI-verktøy umiddelbar, og udiskutabel. Fjorårets Brennpunkt-dokumentar «Skyggekrigen» er et godt eksempel, hvor NRKs gravejournalister utviklet et KI-verktøy som kunne avsløre russiske tråleres bevegelser i nærheten av kritisk norsk og nordisk infrastruktur. Og fra tidligere i år, serien «Norge i rødt, hvitt og grått», som dokumenterer den systematiske nedbyggingen av norsk natur ved hjelp av KI-støttede analyser av satellittbilder. Dette er journalistikk som gjør oss klokere.

Slike prosjekter er tidkrevende, og krever spesialisert kompetanse innenfor koding, statistikk og design. Kompetansebehovet er et betydelig hinder for hvor mange slike saker vi klarer å lage i løpet av et år. Det er årsaken til at NRK nå har kraftsamlet et miljø av journalistiske ressurser med kodekompetanse for å lage ulike spesialiserte verktøy som kan tas i bruk av alle NRKs journalister. Et eksempel er arbeidet med å gjøre NRKs video- og lydarkiv søkbart for researchformål, hvor KI gjenkjenner stemmer og transkriberer et arkiv på enorme 40 petabyte.

Dette gjør vi samtidig som vi jobber strukturert med en kontinuerlig videreutvikling av NRKs etiske retningslinjer for bruk av KI.

Med KI er trusselbildet mot NRK og samfunnet blitt langt mer alvorlig, ikke minst med forsøkene på å undergrave tilliten til redaktørstyrte medier. Derfor sier våre etiske retningslinjer at du aldri skal være i tvil om at det er stemmen til den ekte Ingvild Bryn eller Fredrik Solvang du hører, eller deres ekte ansikt du ser på skjermen. Teknologien tillater oss å klone begge. NRKs behov for å ivareta publikums tillit gjør at det er uaktuelt.

Samtidig erkjenner vi at vi hittil bare er i den første bølgen av muligheter og problemstillinger. Dagens løsninger kjennetegnes ved at vi bruker ny teknologi til å håndtere kjente og godt forståtte problemstillinger. Morgendagens problemstillinger vil kunne vise seg å bli langt mer sammensatte, krevende – og spennende.

Vi kan imidlertid ikke håndtere dem på andre måter enn i dag, med sunn fornuft. Mer sofistikerte løsninger vil fremdeles være resultatet av å jobbe praktisk og målrettet innenfor klare etiske retningslinjer.

Mer magisk er det ikke.

Kunstig Intelligens i Posten Bring – kultur for å teste og lære

Digitaliseringen har gitt Posten Bring tilgang til data som muliggjør verdiskaping gjennom bruk av kunstig intelligens (KI) og fremmer en kultur for testing og læring. Det siste året har konsernet jobbet målrettet med å øke kunnskap og forståelse for teknologien på alle nivåer i konsernet.

Det første som har vært viktig å etablere kjennskap til, er at KI er mye mer enn generative KI-verktøy. I motsetning til generativ KI, som skaper nytt innhold, fokuserer andre former for KI vanligvis på å analysere eksisterende data for å tilby nye innsikter eller underbygge beslutningstaking. Eksempler på områder hvor Posten Bring har utviklet KI-løsninger basert på egne data er:

• beregning av leveringstidspunkt for pakker for forbedret kundeopplevelse (ledetid),
• bemanningsplanlegging på terminal ved hjelp av KI-baserte volumprognoser og
• bevaringsaktiviteter - proaktivt identifisere bedriftskunder som står i fare for å avslutte kundeforholdet.

Selv om Posten Bring har stor tro på å skape verdi ved å benytte KI på egne data, er dette et område som krever spesialistkompetanse, og det tar tid å utvikle løsninger. Generative KI-verktøy er derimot tilgjengelige for alle, uavhengig av faglig bakgrunn, og kan bidra til effektivisering og verdiskaping bredt i konsernet.

Spørsmålet var aldri om Posten Bring skulle ta i bruk generativ KI i virksomheten, men hvordan. For å finne ut av dette satte konsernet i 2023 opp et læringsprosjekt med formål om å finne ut hvordan generativ KI allerede ble brukt i konsernet, og hva som skulle til for at nye brukere skulle få verdi av disse verktøyene.

– Målet er å skape mest mulig engasjement og læring for å øke forståelsen hos ansatte for hvordan generativ KI kan gi verdi hos oss. Ved å la brukerne teste og lære seg verktøyene i egen arbeidshverdag, finner vi ofte helt nye bruksområder for generativ KI, sier direktør for KI i Posten Bring, Kirsti Valborgland Fløystøl.

Deltakerne i læringsprosjektet fikk opplæring i retningslinjer for sikker og god bruk av generativ KI, og praktiske tips ift bruk. Oppdraget til deltakerne var å bruke generativ KI mest mulig i daglige arbeidsoppgaver.

Interessenettverk for generativ KI

Erfaringene fra læringsprosjektet førte til at Posten Bring valgte å tilby trygge generative KI-verktøy til alle ansatte. Over 2000 medarbeidere i konsernet har så langt fått opplæring, og av disse har 400 blitt så interesserte i temaet at de har blitt en del av et nyopprettet internt interessenettverk for generativ KI. Formålet med å bygge opp et sterkt og aktivt interessenettverk er å skape kunnskap og engasjement i alle deler av organisasjonen. Medlemmene i nettverket blir ambassadører og ressurspersoner for bruk av generativ KI i sine avdelinger.

For å frigjøre ytterligere kraft av generativ KI jobber Posten Bring fremover med å fjerne hindringer og forenkle prosesser for utprøving og innføring av nye verktøy, gjennomføre nye læringsprosjekter og opplæringsprogrammer som dekker nye verktøy, styrke KI kompetanse hos ledere, samt identifisere og kommunisere trender, nyheter og fremtidsmuligheter.

Ansvarlig KI og samarbeid/nettverk

Etter hvert som Posten Brings KI-satsning skaleres opp, blir det stadig viktigere å sikre ansvarlig utvikling, anskaffelse og bruk av KI-løsninger. Gjennom Posten Brings deltakelse i ENACT-prosjektet utvikles et verktøy for etisk risikohåndtering, noe som er viktig ettersom konsernet legger stor vekt på etisk IT.

For å lykkes med bruk av KI i Norge, er det viktig med gode samarbeid og deling av erfaringer på tvers av ulike sektorer. Posten Bring er pådriver og bidragsyter for nettverk på tvers av virksomheter, som for eksempel Ledernettverk for Kunstig intelligens i Offentlig sektor (LEKIO) og Women in Data Science (WiDS).

Med et solid fundament av pågående prosjekter, engasjement for kontinuerlig læring, og en proaktiv tilnærming til ansvarlig bruk av KI, er Posten Bring godt rustet til å skape ny innovasjon og verdiskaping ved hjelp av KI.