Digitalisering, robotisering og kunstig intelligens får stor oppmerksomhet, men gjør seg foreløpig ikke gjeldende i økt produktivitet, ifølge sentralbanksjefen. – Ved å styre prosesser ved hjelp av maskinlæring kan arbeidsoppgaver effektiviseres. Men selv om den teknologiske utviklingen på en del områder ser ut til å gå raskere enn noen gang, er den lite synlig i produktivitetsveksten for økonomien som helhet, sier sentralbanksjef Øystein Olsen. Han holdt torsdag sin tradisjonelle årstale til norske samfunnstopper. Olsen viste til at veksten i produktiviteten har falt både i Norge og hos våre handelspartnere de siste årene. – Den svake veksten i produktiviteten kan gjenspeile at det tar tid før ny teknologi slår bredt gjennom i produksjonen av varer og tjenester, understreket sentralbanksjefen. (©NTB)

Bernt Viggo Matheussen er forsker og prosjektleder ved Universitetet i Agder. Han jobber også som leder for Agder Energis avdeling for kraftteknologi- og utvikling. På arrangementet Klimafrokost som ble arrangert av Norsk klimastiftelse på Grand Hotell i Oslo i dag holdt han en presentasjon av hvordan kraftbransjen kan få mer ut av mindre ved bruk av kunstig intelligens. Matheussen forsker på hvordan kunstig intelligens til å løse en rekke problemer, og han jobber mye med hvordan det kan brukes i kraftbransjen. Han beskriver kunstig intelligens som algoritmer og metoder som ligner på hvordan vi mennesker tenker, lærer og kommuniserer, og han trekker frem flere områder der maskinlæring kunstig intelligens har store muligheter til å bidra i kraftbransjen: Automatisering Prognosering Optimalisering Tidsbesparelser Kausale sammenhenger – Maskinlæring kan etterhvert automatisere alle repetetive oppgaver som mennesker gjør, sier Matheussen. Et av prosjektene han er involvert i går på bruk av maskinlæring til å drive produksjonsplanleggingen på et vannkraftverk. Det er et treårig prosjekt som er støttet av Forskningsrådet – Produksjonsplanlegging går ut på å finne ut av om man skal skru produksjonen på i dag eller om man ikke skal skru den på, sier Matheussen. Dette er en jobb som krever at man forstår situasjonen, og at man tar hensyn til en rekke faktorer. Det kan for eksempel være fyllingsgraden i vannmagasinet, hvordan snøsituasjonen er, hva slags strømetterspørsel som forventes, og mange andre faktorer. – Vi må også forstå flomsituasjoner. Det er også en samfunnsrisiko, sier Matheussen. Noen ganger må vannkraftverkene slippe gjennom vannet uavhengig av om de får betalt for strømmen eller ikke for å hindre eller redusere konsekvensene av flommen. – Alle faktorene må verktøyet kunne håndtere hvis det skal kunne brukes, sier Matheussen. Systemet mates inn med all informasjon som er tilgjengelig, og så brukes nevrale nettverk til dyp forsterkningslæring, – Vi har testet dette på et lite kraftverk, Kvinesdal kraftstasjon, forteller Matheussen. Kvinesdal kraftstasjon er en av tre kraftverk i Kvinesdal kommune. Det er et lite kraftverk som leverer 6 GWh i året, og det utgjør bare 0,07 prosent av Agder Energis totale gjennomsnittlige årsproduksjon på 8200 GWh. Den forsyner omtrent 300 husstander med strøm. Matheussen forteller at de kjører sitt prosjekt på en liten kraftstasjon først, men at erfaringene kan oppskaleres til større kraftverk etterhvert. Seks måneder inn i prosjektet er det allerede på et veldig godt nivå sammenlignet med den vanlige løsningen for å håndtere produksjonsplanleggingen. – Når vi sammenligner maskinlæringsteknikkens evne til å generere den beste løsningen, ser vi at nevralnettet er like god, og av og til litt bedre, sier Matheussen. Selv om resultatet «bare» er like godt, og av og til litt bedre, kan det ha mye å si for produksjonsplanleggingen i fremtiden. Dagens metoder er tidkrevende, men med maskinlæring kan analysene kuttes ned til et sekund eller to. – I fremtiden vil dette med hastighet på beregningene få mer å si. Hvis man trenger en prognose på et sekund eller to kan man kjøre flere tusen beregninger umiddelbart, sier Matheussen. Han mener at teknologien er tilgjengelig, og at arbeidet med maskinlæring først og fremst går på å ta det inn i verdikjeden. Det er likevel mye som fortsatt gjenstår, og forskningsprosjektet skal jobbe videre med å modellere mer komplekse systemer. – Vi synes det har vært en overraskende god start på prosjektet, sier Matheussen. Bernt Viggo Matheussen jobber med å bruke maskinlæring til å styre produksjonsplanlegging på vannkraftverk. Les også: – All produksjon av fornybar energi er åpenbart prisgitt været PODCAST: Nå satser oljebransjen på maskinlæring og digitalisering – Det dreier seg ikke om algoritmene, det dreier seg om dataene – Kraftselskapene bør ta i bruk maskinlæring så fort som mulig

I dag, mandag 15. januar, arrangerer BI seminar om nye aktører og forretningsmodeller i petroleums- og kraftbransjen. Der kom blant annet tidligere Fast-gründer John Markus Lervik for å fortelle om sitt nye selskap Cognite og hvordan de jobber med data for Aker BP og resten av olje- og gassbransjen. Lervik mente at bransjen var preget av mange silo-baserte teknologier, løsninger og organiseringer, og at det går utover olje- og gassbransjens muligheter til å utnytte alle mulighetene som nå byr seg innen «big data», maskinlæring og dataanalyse. Det ble også bakgrunnen for selskapet han startet for å forsøke å takle problemstillingen. – Vi startet Cognite for et år siden. Vi startet med en krevende kunde, Aker BP, og så har vi etter det bygd team og teknologi, sier Lervik. Som en del av et overblikksbilde viste han til hvor mye verden har forandret seg i favør av IT-selskapene, og dro frem en slide der han viste hvordan de internasjonale oljegigantene tidligere toppet listen over verdens største og mest verdifulle selskaper, for så å bli erstattet av IT- og programvareselskaper. – Oljebaronene har blitt erstattet av teknologiguttene fra Silicon Valley, sier Lervik. Selskaper som Google, Facebook og Amazon har revolusjonert sine markeder. De har stort sett rettet seg mot forbrukermarkedet og har laget skalerbar teknologi som håndterer millioner av brukere med tilhørende datamengder på en kostnadseffektiv måte. Nå tror Lervik at tiden er inne for at denne typen innovasjoner også kommer for fullt inn i industrien, olje- og gassbransjen og det generelle B2B-markedet. – Vi tror at det vil skje veldig mye av det samme innen B2B. Når vi går inn i olje og gass så er det enda mer komplekst, men det kommer til å skje her også, sier Lervik. Før han holdt sin presentasjon, innledet BIs egne forelesere Atle Midtun og Jon Lereim med å blant annet gi skryt til bransjen for å klare å kutte kostnadene dramatisk ute på oljefeltene. Lervik støtter dette, men kommer likevel med et lite stikk til bransjen. – Mye av det er jo bare på å skvise underleverandører. Det er ikke på fundamentale endring av hvordan man jobber, sier Lervik. Han mener at bransjen nå må ta grep og bruke mulighetene som byr seg, og at disse mulighetene er store takket være en voldsom teknologisk utvikling i konsumentmarkedet (B2C). – Det er mye som kommer fra konsumentverdenen, og dette må også inn i industrien, sier Lervik. Det står ikke på at bransjen ikke vil eller at det ikke investeres i avansert digitalisering med big data. – Det er veldig mange piloter og case studies, men det har ikke kommet så mye som har blitt tatt ordentlig i bruk, sier Lervik. Lervik mener at flaskehalsen ikke ligger i verken viljen eller teknologiene, men at det er datagrunnlaget som skaper problemer. – Det dreier seg ikke om algoritmene, det dreier seg om dataene, sier Lervik. Han viser til at mange toppledere har et litt for enkelt syn på hva som må til. Alt for mange tror at problemet mer eller mindre løser seg selv hvis man ansetter en haug med folk som titulerer seg selv som data scientists. Det holder ikke, ifølge Lervik. – Algoritmer og maskinlæring er ubrukelig uten tilgang på data, sier Lervik. For Google og Facebook er det relativt enkelt. De har stort sett tilgang til det de trenger av data i form av «likes», søk og tilhørende informasjon når brukerne bruker tjenestene deres. Slik er det ikke for olje- og gasselskapene. – For et oljeselskap er dataene strødd «all over the place», sier Lervik. Lervik peker på at det er en stor utfordring at dataene ligger i mange forskjellige applikasjoner. – Hvis man ansetter data scientists må de bruke 90 prosent av tiden sin på å hente ut dataene. Man får ikke tak i dataene fordi de sitter i mange forskjellige siloer, sier Lervik. Og det er her Lervik tror at hans selskap har funnet en viktig nisje som han håper og tror blir en avgjørende brikke i bransjens digitalsiering og bruk av store datamengder. – Det Cognite gjør er noe så enkelt som å koble seg på applikasjoner og koble dataene sammen, sier Lervik. I seg selv er det ikke superavansert, men det blir fort store datamengder som skal håndteres. – På Ivar Aasen er det omtrent 100.000 sensorer. På Johan Sverdrup blir det to til tre gangeren, sier Lervik. Det betyr ikke at problemet er løst. Tvert imot. Selv om sensorene er der, er de i alt for liten grad knyttet opp mot utstyret de måler data fra. – Kanskje bare 50-60 prosent av sensorene har en id som er koblet til utstyret, sier Lervik. Dermed blir det umulig å gjøre dataspørringer der man raskt lager en rapport med data fra alle sensorer som er i bruk på en spesifikk teknologi eller løsning. – Det Cognite gjør er å produktifisere koblingene slik at dataene er tilgjengelig 24/7, sier Lervik. Han mener at dette er en jobb som uansett må gjøres, og at de store gevinstene kommer når man har gjort denne jobben. På spørsmål om hvor store mengder det er snakk om, viser han til datamengden de opererer med allerede nå i dag. – Det er over tusen milliarder datapunkter som ligger der fra før, og så kommer det ca 800.000 nye hvert sekund, sier Lervik. Les også: Kraftselskapene bør ta i bruk maskinlæring så fort som mulig