- Kontakt oss
-
Søk
Skriv inn søket i feltet over
Kunstig intelligens (KI), eller artificial intelligence (AI) på engelsk, refererer til et bredt spekter av teknologier som sammen gir maskiner evnen til å etterligne menneskelig intelligens. KI-systemer er utviklet for å lære, tilpasse seg og ta beslutninger basert på data.
Et eksempel på dette er en Iphone sin smarttelefonassistent Siri eller Google Assistant som kan svare på spørsmål du stiller.
Maskinlæring er en underkategori av kunstig intelligens som handler om at datamaskiner lærer fra data. Istedenfor å bli programmert med spesifikke regler for hvordan de skal utføre en oppgave, lærer de ved å analysere mønstre i dataene.
Et eksempel på dette er finner du gjerne i spam- eller søppelpostmappen i e-post-innboksen din. Her lærer e-posttjenester seg å kjenne igjen spam ved å analysere mange eksempler på ekte e-poster og spam-e-poster. Resultatet blir at det e-posttjenesten tror er spam, aldri havner i innboksen, men går rett til søppelposten din.
For Lerøy sin del kan maskinlæring bidra med å gjenkjenne lus, predikere priser, slaktevolum og mer.
Maskinlæringsoperasjoner er en praksis som kombinerer maskinlæring med DevOps (Development Operations) for å effektivt utvikle, distribuere, og vedlikeholde maskinlæringsmodeller. Det handler om å automatisere og optimalisere hele livssyklusen til maskinlæringsprosjekter, fra dataforberedelse og modelltrening til distribusjon og overvåking.
Et eksempel på en maskinlæringsmodell er når det kommer et forslag om å se en bestemt film rett etter du er ferdig med en annen. De fleste strømmetjenester bruker maskinlæringsmodeller til å kontinuerlig oppdatere en anbefalingsalgoritme basert på brukernes visningshistorikk og preferanser.
Et praktisk eksempel er Lerøys maskinlæringsmodell som predikerer fremtidige laksepriser basert på historiske sesongvariasjoner og prisdata. I et MLOps-rammeverk gjennomgår denne modellen alle faser i sin livssyklus: fra utvikling og testing til implementering, kontinuerlig overvåking og oppdatering. Denne strukturerte tilnærmingen sikrer at modellen forblir nøyaktig og relevant over tid, selv i et dynamisk og skiftende marked.
Generativ kunstig intelligens skiller seg fra tradisjonell maskinlæring ved at den ikke bare analyserer og forutsier basert på data, men også kan skape nytt innhold, som tekst, bilder, musikk eller video basert på lært informasjon. Disse systemene kan skape noe nytt som ligner på det de har lært fra.
Et fremtredende eksempel er chatboten ChatGPT (lenke). Den kan føre naturlige samtaler, svare på komplekse spørsmål og bistå med oppgaver som skriving eller programmering.
– Når vi får disse dataene tilgjengelig så kan vi bruke dem til å forutsi hva som skjer fremover. Det blir et hjelpeverktøy for beslutningstaking, sier Satheshkumar, eller Sathesh som de fleste kaller han.
Jobben med å få opp disse systemene slik at man kan utnytte dataene er en del av Lerøy sitt satsingsområde «Digital transformasjon», ledet av IT-avdelingen. Her jobber de tett på ledelsen og andre avdelinger i Lerøy, hvor ett av målene er å bli mer datadrevet gjennom forbedring og ved å utnytte ny teknologi i Lerøy.
– Jeg jobber med å gjøre data tilgjengelig. Jeg samler inn og organiserer informasjon slik at andre enkelt kan finne, forstå og bruke den.
Gjennom oppkjøp har Lerøy fått eierskap til ulike digitale systemer.
– Å få kontroll over disse dataene og kunne ta beslutninger basert på dem er essensielt for Lerøy. Fokuset mitt er å få enda bedre kontroll over dataene, slik at vi kan ta beslutninger basert på dem fremover, forteller han.
At han skulle spesialisere seg innenfor kunstig intelligens og maskinlæring, så han aldri for seg. Hvert fall ikke da han mot slutten av bachelorgraden tok et fag i maskinlæring.
– Det var vanskelig, og jeg kom aldri helt inn i det, sier Sathesh.
Men da han senere fikk presentert en masteroppgave om det, ble han både motivert og engasjert til å gi det en ny sjanse.
– Jeg så at det var mye flere bruksområder enn jeg først trodde. Jeg tenkte at dette her er kult, dette her er spennende!
Med kunstig intelligens og maskinlæring i sekken, havnet han inn i medisinfeltet. Etter et år som forsker, startet han på doktorgraden.
– Enkelt fortalt skrev jeg om og forsket på kunstig intelligens i medisinsk bildebehandling.
I samarbeid med forskere ved radiologisk avdeling på Haukeland Universitetssykehus utviklet han ulike maskinlæringsmodeller for medisinsk bildebehandling. Modellen ble brukt på ulike pasienter med ulike medisinske tilstander som ryggsmerter, lunge- og gynekologiske kreftformer. En ellers tidkrevende oppgave leger ville gjort manuelt kunne de nå få svar på, på sekunder. Resultatene i doktorgradsavhandlingen hans viste forbedringer i nøyaktighet og arbeidsflyt, sammenlignet med da det ble gjort manuelt. Etter doktorgraden var veien banet for han, skulle han til USA hvor han i samarbeid med Haukeland sykehus skulle jobbe ved Mayoklinikken. Men til tross for den prestisjefulle jobben som ventet, klarte han ikke slå seg til ro med avgjørelsen.
– Det ble en veldig medisinsk spesifikk retning, sammenlignet med min utviklerbakgrunn hvor jeg kan fokusere på å skape noe fra start til slutt, Jeg ønsket å jobbe med å produsere verktøy som kunne tas i bruk i reelle settinger og ikke kun i forskningssammenheng, sier han.
Det var under et tilfeldig møte på vei hjem fra hans daværende jobb at han virkelig fikk øynene opp for Sjømatselskapet. En tidligere kollega fortalte om hvordan Lerøy jobbet med digital transformasjon og mulighetene som fantes på IT-avdelingen der. Lykken skulle ha det til at de var på jakt etter en med hans bakgrunn, og etter et vellykket intervju ble en ny vei lagt for han.
Sathesh jobber også med bruksområdene for generativ AI internt i selskapet. En av prosjektene han jobber med her er en nylig lansert HR-assistent. Her kan ansatte stille HR-relaterte spørsmål og få et ferdig generert svar basert på hva de spør om.
– Det gjør informasjonen lettere tilgjengelig. Det gjør at ansatte sparer tid på å lete etter informasjon, sier han.
Kunstig intelligens er et felt som raskt utvikler seg, følger man ikke med går man glipp av viktig informasjon og oppdateringer. En viktig del av jobben hans er derfor å følge med på utviklingen. At mange er skeptiske til utviklingen og hva den har å si for deres arbeidshverdag er ikke noe nytt for Sathesh, han er opptatt av at vi må se mulighetene som ligger i teknologien.
– Det skal ikke erstatte oss, men vi bør lære å bruke det som et verktøy for det kan gi oss en stor verdi, presiserer han.
Prosjektet han har brukt mest tid på går ut på å sette opp et maskinlæringsoperasjons-miljø for å kunne forutsi lakseprisene. Maskinlæringsoperasjoner (MLOps) refererer til praksisene og verktøyene som brukes for å utvikle og distribuere maskinlæringsmodeller på en effektiv og skalerbar måte.
Prosjektet er et tverrfaglig samarbeid med analyseavdelingen som er sluttbrukerne av programmet, det er også de som sitter på kunnskapen om hvilke data som er relevante for å kunne sette lakseprisene. Etter innspill fra analyseavdelingen har Sathesh inkludert data som valutakurser, feriedager i ulike land og mange flere faktorer som samlet er med på å bestemme lakseprisene.
– Disse modellene er svært gode til å identifisere mønstre som kan være vanskelig for mennesker å oppdage, og derfor kan de brukes som et verdifullt verktøy i beslutningstaking.
Det er viktig å overvåke modellene over tid for å sikre at ytelsen forblir høy. Hvis den avtar, må modellene trenes opp på nytt, dette er en essensiell del av hvordan maskinlæring fungerer, forklarer han.
