Digitalisering er nøkkelordet og buzzordet i energibransjen nå om dagen, og det gjelder både olje- og gassdelen av bransjen, samt kraftbransjen. Som en del av det kommer maskinlæring og kunstig intelligens for fullt, og det skjer i stor grad med hjelp fra IT-selskaper som utvikler og integrerer de siste og mest spennende teknologiene. Et av disse IT-selskapene er konsulentselskapet Acando. De arrangerte i dag et frokostseminar om kunstig intelligens, maskinlæring og noe som kalles FPGA. enerWE tok turen innom for å høre litt om hvordan dette kan brukes i energibransjen. Robert Engels er Acando’s programleder for kunstig intelligens og maskinlæring. Han har lengre erfaring enn de fleste på dette området, og er en entusiast som sysler med det meste innen utforskende bruk av IT. Som eksempel kan det nevnes at han allerede tilbake i 2009 lagde sin egen helelektriske motorsykkel. Som en del av sin presentasjon tar Engels en gjennomgang av hvordan maskinlæring er bygget opp, og viser til noen interessante eksempler på bruk i for eksempel elbiler. Et av områdene som maskinlæring har kommet langt på, er på bildegjenkjenning og Engels viser til et prosjekt i regi av Mercedes der man brukte maskinlæring og kunstig intelligens til å gjenkjenne ansiktsutrykk og bruke det. – Vi kan kjenne igjen når føreren har panikk, for så å hjelpe de til å bremse, forklarer Engels. Bakgrunnen for en slik tilnærming er at folk som får panikk i det en farlig situasjon oppstår, rett og slett kan bli så redde at de fryser og ikke klarer å trykke på bremsen. Et litt mer morsomt eksempel på hvordan en slik teknologi kan brukes, er å ta futten ut av hissige bilister. – Er føreren litt sint? Da kan vi kanskje ta litt kraft bort fra motoren, sier Engels. Så spørs det kanskje om noen er interessert i å betale ekstra for en funksjonalitet som tar fra deg autoriteten din når du føler størst behov for å uttrykke den. Nettopp bilen er er et av de områdene der maskinlæring har imponert mest, og det er ingen tvil om at de har kommet langt innen for eksempel selvkjørende biler. Likefullt er det et godt stykke som gjenstår, og noe av det må nok gjøres med en annen tilnærming enn i dag. – En Tesla i Tyskland er sensordreven, men den har ingen begrep om lovverket, sier Engels. Når Teslaen kjører langs veien fanger den for eksempel opp hvor fort det er lov til å kjøre på veien. Den har imidlertid ingen forståelse av lovverket for hva som er lov og ikke lov å gjøre på veiene, og det er en mangel. – Teslaen skjønner ikke at Tyskland ikke har en hastighetsbegrensning på autobahn, sier Engels. Den skjønner derfor ikke at det kan komme en bil bakfra i 300 km/t. For å få til en slik forståelse må det bygges opp en egen bakgrunnskunnskap i maskinene, og så langt har utviklingen foreløpig ikke kommet. Rent teknisk mener imidlertid Engels at det ikke er noe i veien for for eksempel å bygge en digital kunnskapsmodell av Norsk lovdata slik at maskinene kan ta med seg dette i sin kunstige intelligens. Etter en mer generell gjennomgang av hvordan maskinlæring fungerer, og hva det kan brukes til, tok Espen Tallaksen ordet. Han jobber i Bitvis, et datterselskap som Acando kjøpte 1. oktober i fjor. Espen Tallaksen i Acando’s nyervervede datterselskap Bitvis forklarer hvordan FPGA gir høy ytelse samtidig som strømforbruket er lavt. – Vi driver med to ting: embedded software og FPGA, sier Tallaksen. Embedded software er spesialisert programvare som kjører på dedikert maskinvare. FPGA (Field-Programmable Gate Array) er en slags omprogrammerbar prosessor. Den er et alternativ til CPU og ikke minst GPU-er. – En FPGA er et slags fleksibelt kretskort. På et kretskort skal man ut og inn av diverse komponenter. I en FPGA er alle koblinger interne og ekstremt raske. I motsetning til en microprosessor er FGPA maskinvare som kan endres. Den har høy ytelse, og lavt strømforbruk, forklarer Tallaksen. Han forteller at de jobber med en rekke forskjellige prosjekter sammen med sine kunder, og nevner eksempler som fulgeradar på Værnes, Spesialiserte projektorer, kryptering, ground penetrating radard og industriell sveising. Alle eksempler på prosjekter der det dreier seg om å prosessere store mengder data. For energibransjen nevner han også som eksempel et produkt som gjør gassrørinspeksjon. – Vi sjekker ved å sende en dings gjennom gassrørene for å vurdere om det finnes sprekker eller andre problemer, sier Tallaksen. Mens en CPU er veldig fleksibel og kan brukes til omtrent hva som helst, er en FGPA mer spesialisert. Den kan brukes til flere ting, og man kan omprogrammere den for å få den til å kjøre optimalt. Ytelsesmessig for maskinlæring er den på høyden med en GPU (grafikkprosessor). – En CPU er det mest fleksible du kan ha. FPGA og GPU vinner i forskjellig bruk. Sammenligninger viser alt fra ti ganger bedre på den ene til ti ganger bedre på den andre, sier Tallaksen. Hvem som har best ytelse avhenger derfor veldig av hva man bruker den til, men det er et fortrinn som gjør FPGA det soleklare valget i noen situasjoner. – Det er ingen tvil om at energieffektiviteten er mye bedre på en FPGA. Strømforbruket er alt fra to til ti ganger bedre på en FPGA, sier Tallaksen. Når enerWE spør om dette kan være løsningen for det enorme strømforbruket som brukes til mining av Bitcoin og andre kryptovalutaer, får vi til svar at det allerede gjøres. Det at avanserte grafikkort til tider er utsolgt som følge av kryptoentusiaster henger mer sammen med at det er en enklere tilgjengelig teknologi. De som satser stort på kryptomining har enten gått for FPGA eller mer dedikerte ASIC. – Man gikk over til FPGA på mining for ganske mange år siden, sier Tallaksen. Som nevnt er FPGA veldig mye mer energieffektiv enn grafikkprosessoren GPU, og det kan bli et viktig fortrinn for bruk i energibransjen. – Embedded software og FPGA hører egentlig veldig tett sammen, sier Tallaksen. Engels trekker frem et eksempel med droner som brukes til overvåkning av energinettverk. De flyr rundt og sjekker kabler ute i skogen. De blir i dag stort sett styrt av en operatør på bakken som er avhengig av en kontinuerlig internettoppkobling slik at dronene kan styres og informasjonen som samles inn kan analyseres av et sentralt system. Han trekker frem et eksempel med en komersiell tilgjengelig drone som Phantom Dj3. Den har en estimert flytid på ca 23 minutter med det som trengs av kamera ombord. Hvis den skulle gjort avansert prosessering for enten å autoamtisere flyruten eller analysere bildene den tar, så ville den med et godt NVIDIA grafikkort lagt til ås mye vekt og brukt så mye strøm at flytiden ville blitt redusert til noen få minutter. – Med en FPGA kan den fullautomatiseres, forklarer Engels. Det vil gi nødvendig prosesseringskraft, samtidig som vekten og strømforbruket ikke lengre blir et problem. Droner som brukes til å inspisere strømnettet kan bli smartere uten at det går så kraftig ut over strømforbruket og dermed flytiden, hvis man tar i bruk FPGA istedenfor GPU, forklarer Robert Engels i Acando. Som en ekstra gevinst, vil det også kunne åpne for at man sender ut mange droner samtidig, istedenfor å bare styre en og en. – Vi kan sende ut flere droner som en swarm, sier Engels. Det ligger store gevinster i å ha flere små enheter, og en av de er at man da kan få inn så mye informasjon at man ikke får store problemer dersom teknologien skulle svikte på noen. – Hvis du sjekker oljeledninger kan man ha litt svinn underveis og likevel få fullført jobben, sier Engels.