Tre måter å bruke prediktiv KI – fra tre store industribedrifter

Ingen kan spå fremtiden. I hvert fall ikke helt. Men med smart bruk av data og teknologi kan man si noe svært sannsynlig om ting som ennå ikke har skjedd.

Kongsberg Discovery kan oppdage grunnstøting blant skip opptil førti minutter før det skjer. Glitre Nett jobber for å forutse risikoen for strømbrudd, basert på data om trær, vær og master. Equinor sparer over en milliard kroner på å fikse turbiner før de ryker.

Dette er verken magi eller magefølelse, men prediktiv kunstig intelligens.

– Prediktiv KI analyserer eksisterende data for å kategorisere eller forutsi noe, sier Anders Løland, forskningssjef ved Norsk Regnesentral.

For de store tungvektere i norsk industri har prediksjon lenge vært blant de viktigste måtene å jobbe med teknologi for å ta bedre beslutninger, redusere risiko og forbedre prosesser – i tilfeller der det ikke er rom for feil.

Da kan det være snakk om alt fra robotisering, altså hvordan maskiner opererer autonomt eller delvis assistert av mennesker, til prediktivt vedlikehold av kostbare maskiner.

Her deler Equinor, Glitre Nett og Kongsberg Discovery sine erfaringer med prediktiv KI i praksis:

Equinor: Sensorer som lytter – og milliarder spart

Equinors mest modne bruksområde er tilstandsbasert overvåking av roterende utstyr – pumper, kompressorer, turbiner – på offshore- og landanlegg.

Med seks til syv tusen sensorer som kontinuerlig lytter til utstyret, har selskapet klart å fange opp svake signaler som varsler om feil lenge før de ville blitt synlige for et menneske.

– Til sammen er det snakk om gevinster på opp over 1,2 milliarder norske kroner. Det er morsomt at det tikker inn små og store funn kontinuerlig. Det er jubel i rommet når et tidligvarsel gjør at vi kan utbedre feil raskt og unngå driftsforstyrrelser, sier Patrick Blomquist, seniorrådgiver for data science i Equinor.

I Equinor skiller de ikke mellom prediktiv KI og andre former for kunstig intelligens. I stedet er fokuset på «industriell KI» og «kontor-KI» hvor både prediktiv og generative KI er en del av verktøykassen i begge domener.

– Grunnen til at vi skiller mellom disse to begrepene handler om å sette fokus på problemene vi skal løse mer enn at teknologiene skal sette føringene for bruk.

Det viktigste når det kommer til industriell KI handler om å skape løsninger som kan gjøre en serie med oppgaver repetitivt mange ganger, med den samme høye graden av presisjon.

– For å få til det er det viktig at vi samler inn data for det formålet vi skal bruke den prediktive modellen til.

– Vi ønsker å ha så enkle modeller som overhodet mulig. Vi må forstå hvordan modellen oppfører seg. Hvis vi ikke gjør det, kan vi heller ikke bruke den på en forsvarlig måte i høy-risiko-industrier.

De samme prinsippene ligger også bak andre deler av Equinors arbeid med prediktiv KI, som arbeidet med å tolke seismikk.

– Innenfor undergrunnen har vi utviklet en dyplæringmodell sammen med Norsk Regnesentral. Det gjør at vi nå kan lese seismikk rundt ti ganger raskere enn tidligere, sier Blomquist.

Gevinsten handler primært om at ekspertene kan redusere tiden brukt på å lese av store strukturer, og heller kan konsentrere seg om de mindre og mer krevende delene av den seismiske tolkningen.

Glitre Nett: Når 150 trær er alt du har

Et nettselskap sin kjerneoppgave er å sørge for at folk har strøm. Derfor kan ikke Glitre Nett ta lett på ruskevær. I verste fall kan én enkelt hendelse koste selskapet rundt 150 millioner kroner å rette opp igjen, i tillegg til inntektstap og andre konsekvenser.

Målet er å bruke prediktiv KI for å forutse strømutfall og forstå hvor nettet er mest sårbart langs linjene.

Utfordringen er at det finnes enorme mengder informasjon om trærne, samtidig som antallet trær som faktisk har ført til utfall er lavt.

– Vi har kartlagt rundt to millioner trær langs kraftlinjene ved hjelp av droner, forklarer Bjarne Karlsen fra Glitre Nett.

Men store datamengder hjelper lite når antallet faktiske hendelser er så lavt.

– Hvor mange utfall på grunn av trær og lignende har vi registrert? Hundre og femti. Det er et veldig lite datagrunnlag når du skal forsøke å lære opp en modell til å kjenne igjen mønstre, sier han.

Glitre Netts svar på dette er det de omtaler som «hundremeterskogen». Tanken er å overvåke mindre, avgrensede områder grundig, og bruke innsikten derfra til å bygge modeller som kan brukes videre i resten av nettet.

– Vi er gode på å vedlikeholde skogen og plukke ned trær vi ser er en fare. Vi har gode bilder av mastene, og vi ser bruk for KI til å analysere disse bildene. Men vi klarer likevel ikke å bygge et system som fullt ut overvåker dette på en måte som tar ut hele gevinsten. Det er en stor utfordring, og det er det vi funderer på akkurat nå.

Konseptet bygger på at Glitre Nett ikke kan overvåke hver mast og hver linjestrekning kontinuerlig. I stedet må de finne små områder som kan instrumenteres godt nok til å fungere som referanser for resten av nettet, forklarer han.

– Målet er å lære nok fra disse utsnittene til å kunne si noe presist om risiko, også der historikken er svak.

Kongsberg Discovery: Oppdager feil før det skjer

Kongsberg Discovery utvikler sensorer og systemer som brukes til å overvåke og forstå hva som skjer under vann, til havs, i lufta og i rommet.

For selskapet har prediktiv KI blitt et viktig verktøy for å oppdage feil, følge bevegelser og fange opp hendelser tidligere.

Et av de tydeligste eksemplene er systemer for å overvåke pumper og kompressorer på havbunnen, utviklet sammen med Equinor. Systemet bygger på sensorer som lytter til lyden av utstyret.

Når systemet har lært hvordan utstyret vanligvis høres ut, kan det fange opp endringer i lyden som varsler om feil før utstyret stanser.

– Da kan vi gjøre klart, planlegge og bytte pumpen rett før den feiler, slik at nedetiden blir mye kortere for anlegget, sier Arne Johan Hestnes, SVP Technology i Kongsberg Discovery,

Et større antall slike systemer er allerede installert i Nordsjøen. Når sensorene først er på plass, kan de også brukes til å følge med på aktivitet rundt kritisk infrastruktur.

De kan bidra til bedre situasjonsforståelse rundt kritisk infrastruktur, for eksempel ved å oppdage tråling, fartøybevegelser eller undervannsroboter i nærheten.

Avvik i skipstrafikk

Kongsberg bruker også prediktiv KI til å følge skipstrafikk og oppdage avvikende atferd. Systemet er utviklet sammen med FFI og Kystverket, og bygger på store mengder historiske data om hvordan fartøy vanligvis beveger seg.

Når et fartøy begynner å oppføre seg på en måte som bryter med det normale mønsteret, kan systemet varsle før en hendelse inntreffer.

– Systemet kunne ha oppdaget en kjent grunnstøting hele 40 minutter i forkant, sier Hestnes.

Systemet er nå operativt og overvåker skipstrafikk i flere norske farvann, inkludert i Østersjøen der det har vært flere tilfeller av sabotasje mot undersjøisk infrastruktur.

Skiller mellom droner og fugler

Et tredje eksempel er Kongsbergs radar for dronedeteksjon.

Radaren registrerer bevegelser i luftrommet og hjelper systemet med å skille mellom ulike typer objekter, som droner, fugler, helikoptre og mennesker. Her er KI en sentral del av løsningen, fordi datamengden og hastigheten gjør at systemet må kunne tolke signalene fortløpende.

Felles for flere av systemene er at de skal hjelpe mennesker i oppgaver der datamengdene er blitt for store til å håndteres manuelt.

Det gjelder også robotene til Kongsberg Discovery, som samler inn enorme mengder data, langt mer enn mennesker kan gå gjennom manuelt. Da blir KI nødvendig for å oppdage hva som faktisk har endret seg fra én inspeksjon til den neste.

– En terabyte i timen produserer roboten. Det fungerer ikke med menneskelig analyse lenger.