AI/kunstig intelligens
Supersoftware finder den bedste løsning
- juni 23, 2022
Jakob Langdal
Principal Cloud Architect
Dataopsamling, maskinlæring og kunstig intelligens er på alles læber i de her år. Men det er ikke lige nemt at implementere teknologierne for danske SMV’er.
Et nyt værktøj, der går under navnet Brownie Bee, og som er udviklet af Novo Nordisk i samarbejde med Teknologisk Institut og Alexandra Instituttet, skal hjælpe produktionsvirksomheder med at få værdi ud af deres data, uden at de skal forstå de komplicerede teknologier og matematikken bag.
Værktøjet er nemt at gå til og kan hjælpe med at optimere en næsten hvilken som helst proces. I projektet har en række virksomheder brugt det til optimering af overfladebehandling og bremseklodser samt til at forbedre medicin.
Brownie Bee er blandt andet blevet testet af virksomheden RadiSurf, der udvikler overfladebehandlinger, som gør det muligt at samle metal og plast uden brug af lim. Med Brownie Bee har de fået hjælp til at optimere den proces og har forlænget levetiden af deres coating med 140 procent.
Det har især overrasket RadiSurf, hvor hurtigt de kom frem til en konklusion. Førhen har de måske kørt systematiske studier med op til 100 forsøg for at nå en konklusion. Med Brownie Bee er de nået frem til en konklusion efter 20-30 forsøg. Med Brownie Bee udnytter de, at computeren tænker for dem, og den tænker samtidig mere kreativt. Det giver en nemmere og kortere proces.
Lovende potentiale
Den faglige kerne i værktøjet er udviklet af Novo Nordisk – og her har Alexandra hjulpet med at gøre værktøjet lettilgængeligt. Det er netop der, at værdien ligger, fordi det betyder, virksomhederne kan bruge værktøjet, uden at de skal forstå teknologierne.
Softwaren i Brownie Bee kombinerer metoder til forsøgsplanlægning, herunder fx Design of Experiments, med moderne maskinlæring. Der ligger derfor velafprøvet matematik bag algoritmen, der allerede har bevist sit værd.
Potentialet for danske virksomheder er så lovende, at værktøjet over de næste tre år skal gøres endnu mere brugervenligt. Målet er at udbrede det til flere produktionsvirksomheder, som så kan styrke deres digitaliseringsgrad og konkurrenceevne.
"Det er netop der, at værdien ligger, fordi det betyder, virksomhederne kan bruge værktøjet, uden at de skal forstå teknologierne."
hot topic
Vores mest læste indlæg
Teknologisk Institut tester løbende Brownie Bee i en række udviklingsforløb med danske virksomheder, samtidig med at Alexandra Instituttet hele tiden optimerer brugerfladen.
Brownie Bee-projektet er støttet af Industriens Fond, og man kan læse mere om det her.
bliv klogere på tech
Relateret viden
Udnyt realtidsdata til at forudsige og forbedre driften i kommunen
For kommuner, byplanlæggere og arkitektvirksomheder kan det være særligt interessant at måle på grønne kørselsmønstre, eller på hvordan byrum bliver brugt ved at forholde sig til data om bevægelsesstrømme. Og der bliver hele tiden bedre mulighed for at indsamle data om vores virkelighed fra de ting, der bevæger sig rundt om os, og som vi bevæger os rundt imellem. Det betyder, at vores ageren i den fysiske virkelighed hurtigt bliver omsat til data, der giver os et realtidsoverblik.
Er talegenkendelse kun noget for unge, hvide mænd? Det synes vi ikke.
De store techselskaber koncentrerer sig om deres kernemålgrupper, når de skal udvikle sprogmodeller, der fungerer fra tekst til tale. Derfor fungerer talegenkendelsen bedre, hvis du er en ung, hvid mand fra København, men ikke hvis du er kvinde, sort, oppe i årene eller taler dialekt.
Overlad regnestykket til AI – ikke beslutningen
Mængden af information, som en kunstig intelligens kan rumme og regne på, er uden sammenligning med den beskedne mængde, vi mennesker kan overskue. Det ved de fleste, og især dem der har taget AI i brug.
Forklaringer som vejen til bedre modeller
Når vi taler om forklarlig kunstig intelligens, så er omdrejningspunktet tit, hvordan vi får forklaret computerens beslutningsproces, så alle kan forstå det. Det er dog ikke kun i teknologiens møde med slutbrugeren, at forklaringer har værdi. Når vi udvikler ny teknologi, kan forklaringer illustrere, hvordan en model vægter data i sin beslutning, og herunder hvad der måske vægtes uhensigtsmæssigt. Den information kan så bruges til at justere sammensætningen af den data, vi træner på og selve træningsprocessen, så vi kan forbedre vores model.
