AI og maskinlæring i praksis – en realistisk tilnærming
Nå står vi midt i en stor AI-hype. Alle snakker om AI (artificial intelligence) eller KI (kunstig intelligens) om du vil. Det er rundt oss i hverdagen allerede og mange selskaper hevder de har knukket koden. Ifølge dataingeniør og full stack utvikler Stefan Eikland i Simenergi, er sannheten noe helt annet.
Bygging av AI-modeller – steg for steg
– Det er egentlig ganske få som har dette implementert. Du må ta dette steg for steg. For oss i Simenergi er viktig å rigge oss riktig. Og det viktigste nå er å etablere et felles kjernesystem for produktene våre slik at modellene vi lager kan brukes på tvers av disse, sier Eikland.
Simenergi utvikler verktøy som beregner energibruk og inneklima i alle typer bygg. Med de etablerte programmene Simien og Energiportalen i produktporteføljen sitter vi allerede på mye data.
Datakvalitet og behandling – grunnlaget for suksess i maskinlæring
Eikland, som har utdannelse i kunstig intelligens og maskinlæring fra UiT, understreker viktigheten av riktig håndtering av store datamengder for å sikre kvaliteten på sluttproduktet. Maskinlæringsmodeller yter best når de mates med mye god data.
– Fordelen for oss er at vi sitter på veldig mye data allerede, både fra det offentlige og brukergenererte. Jo flere kunder som bruker produktene våre, desto mer får vi vite om u-verdier, tykkelse på vegger, isolasjon, varmetap, fornybare energikilder, osv. Kombinerer vi dette med matrikkeldata, kartdata, strømforbruk og for eksempel værdata i tillegg, får vi etter hvert et ganske godt grunnlag for maskinlæringsmodellene våre, fortsetter han.
Eikland poengterer at det likevel er ganske mange steg frem før data kan kjøres gjennom en maskinlæringsmodell.
– Har du ikke massert eller behandlet dataene dine godt nok før du putter dem inn i modeller vil du heller ikke få gode svar eller gode resultater. For å unngå «shit in – shit out» må vi rigge dette først og så trene modellene, sier utvikleren.
Implementering av AI innenfor reguleringsrammer
– I tillegg handler det om å behandle dataene riktig slik at vi holder oss godt innenfor personvernreglene og den kommende «AI-acten» som reguleres i EU. Fordelen for oss i Simenergi er at vi er ute etter informasjon om bygningskroppen og teknisk utstyr og ikke personopplysningene til menneskene som oppholder seg i bygningene. Uansett skal vi ha gode rutiner for dette før AI-modellene setter i gang å jobbe, poengterer han.
Ny software: Bedre beslutningsgrunnlag for kundene våre
Målet vårt er eksempelvis å utvikle enda mer presise standardverdier i produktene våre. Det betyr mer nøyaktige målinger av energibruk og et sikrere beslutningsgrunnlag for kundene våre. Enten det er en boligeier som vurderer nye energitiltak i huset sitt eller en bank som skal klassifisere utlånsporteføljen sin og rapportere på klimagassutslipp. Et annet mål er å spare tid for brukeren. Gode standardverdier vil gjøre produktene både enklere og raskere å bruke.
AI og maskinlæring for effektivitet og brukervennlighet
AI og maskinlæring gir oss også muligheten til å utvikle ny software som kompletterer vår eksisterende produkter. Bildegjenkjenning av fasader kan si noe om utstrekningen og bruken av solcelleanlegg, varmepumper eller hva slags materiale det er på veggene. Det er data dagens offentlige kartløsninger ikke har i dag.
Fantasiens rolle i teknologisk utvikling
Stefan er glad for at han har fått muligheten til å dyrke sin store lidenskap i Simenergi.
– Å ha en fot i begge leire er veldig inspirerende. Få domenekunnskap innen faget og samtidig jobbe med noe av det kuleste innen teknologi som KI og webutvikling, er jo drømmen for sånne som meg, sier han og fortsetter. – Det fascinerer meg at det finnes verktøy i dag som kan gjøre produktene våre ufattelig mye bedre. Og på en mer effektiv måte enn vi mennesker kunne gjort. Det er kult og gir meg mer tankekjøtt, sier han.
Kreativ Bruk av maskinlæring
I bacheloroppgaven sin på skolen brukte han «Random Forest» klassifikasjon. Denne maskinlæringsmodellen består av ulike beslutningstrær som hjelper datamaskiner til å ta avgjørelser ved å bryte ned et problem i mindre og mer overkommelige steg. Metoden brukte han for å for å finne ut om en bruker hadde samme musikkpreferanse som en annen. En slags dating-app basert på musikalske preferanser.
– Det er kun fantasien som setter begrensninger for hva du kan gjøre. Og det er gøy. Dessuten får du brukt hue, for man må finne løsninger underveis. Å se transformasjonen fra et excellark til vektorer, eller følge dataene på veien fra ide til løsning, er veldig spennende for meg, avslutter Eikland.