På Internett kan du se deepfake-videoer av Kamala Harris som ser helt ekte ut. Du kan bestille en skreddersydd jobbsøknad av ChatGPT og få hjelp til å oversette en tekst til alle verdens språk. Ved første øyekast kan det virke som om kunstig intelligens kan hjelpe oss med alt mulig.
Men, for oss som jobber i og med industrien er bruken mer komplisert, og dermed per i dag begrenset. Draghi-rapporten slo alarm om Europas manglende innovasjonsevne. Som den tidligere europeiske sentralbanksjefen påpekte: «med verden på vei inn i en KI-revolusjon, har ikke Europa råd til å bli sittende fast i gårsdagens teknologi og industrier.» Det har heller ikke norsk industri.
.jpg)
Den gode nyheten er at vi, gjennom samarbeid mellom industri og forskning, nå finner løsninger for å kombinere det vi vet gjennom fysiske modeller, med det vi kan måle. Den dårlige er at vi ikke på langt nær har gode nok data.
Krever 100 prosent nøyaktighet
Vi mennesker forstår ting som tyngdekraft, vekt og forskjellen på ulike fysiske ting intuitivt. En stein er en stein og en trebit en trebit. For at en datamaskin skal kunne lære det samme som oss, må vi bruke sensorer som kan måle vekt og materialsammensetning, og gjøre dette om til digitale signaler.
Frem til nå har vi tilegnet oss mye av kunnskapen i industrien fra fysikkbaserte modeller, samt empiri fra eksperimenter. Modellene er mangelfulle, fordi prosessene vi jobber med er uhyre kompliserte. Når vi produserer silisium i Elkem, krever de kjemiske prosessene opp mot 2000 grader. Per i dag har vi ikke sensorer som kan fortelle oss nøyaktig hva som skjer inne i ovnen i sanntid.
Se for deg en tallrekke der vi kjenner til tallene 1, 2 og 3, men mangler tallene i midten, før vi får ut 8, 9 og 10. Før kunstig intelligens kan brukes i smelteovner, må vi ha hele tallrekken, fordi modellene må være 100 prosent presise. Slik må det være, siden produksjonsfeil kan føre til utslipp, forstyrrelser på strømnettet eller i verste fall fare for liv og helse.
Hangarskipet er i Oslo: Har alene minst like stor slagkraft som hele Luftforsvaret
Kombinasjon av datamodeller og KI
Gjennom prosjektet GreenBox har Elkem, Sintef og flere andre industri- og forskningspartnere gått sammen med et mål om å utvikle nye teknologier for datafangst og avansert prosesskontroll. I overgangen til fornybar energi øker behovet for kritiske råmaterialer, og i tiden fremover vil vi trenge mangedoblet produksjon av silisium til vindturbiner, elbiler, strømnett og batterier.
.png)
Dagens produksjonsprosesser er energikrevende og kan ha store utslipp. Vi har derfor mye å hente på å muliggjøre mer effektive og klimavennlige metoder for produksjon. Bruk av kunstig intelligens vil være et nyttig verktøy inn i dette arbeidet, men ikke alene.
I prosjektet jobber vi med det vi kaller hybrid-modellering. Istedenfor å gå rett på kunstig intelligens alene, kombinerer vi de dataene vi kan måle i sanntid, med kunnskapen vi har fra før.
Slik kan vi fortelle maskinene hvilke begrensninger som finnes, og la dem regne på dette sammen med dataene som kommer fra sensormålinger. Vi trenger altså både nye data fra målinger, modeller med fysikkbaserte beregninger og ansatte som kan overvåke og kontrollere prosessene.
Langt unna en revolusjon
Denne måten å bruke ny og innovativ teknologi på er pionerarbeid, hvor vi er avhengige av tett samarbeid mellom leverandører av sensorer, næringsliv for testing, og forskningsinstitutter for kunnskap om den siste teknologiske utviklingen. Fordi vi tester samtidig som vi måler og forsker, kan vi lykkes med fremskritt raskere enn om vi alle jobber hver for oss.
Vi kan også hjelpe hverandre med å videreutvikle de faktiske regnemodellene. I dag drives utviklingen av kunstig intelligens fremover av stor tilgang til data. Vi mener det er behov for mer forskning på alternative modellarkitekturer som kan gi oss bedre og mer effektive algoritmer, og dermed bruke mindre energi.
Bruk av kunstig intelligens i industrien er mulig, men per i dag er vi langt unna en revolusjon. Draghi-rapporten er tydelig på at det trengs bedre samarbeid på tvers av forskning, akademia og industri. Det bør og kan vi gjøre noe med. Først da vil vi kunne omsette forskningsresultater og teknologiutvikling til industri- og økonomisk utvikling.
Utvikler «nanorør-spaghetti»: Lader elbilen på sekunder
