Låser opp 50 år med gjemt kunnskap med AI

Bryter ned tradisjonelle grenser mellom programvare og maskinlæring.

Del

DNV GL henter inn og strukturerer store mengder data fra skipsinspeksjoner over hele verden. Foto: DNV GL

– Hos oss ble det gjort noen gode valg om digitalisering for mange år siden. Nå som store datamengder har blitt gullet i IT-bransjen og grunnmuren i kunstig intelligens kan vi virkelig låse opp denne dataskatten, sier Stian Barkbu og Elen Dybesland, i DNV GL.

De leder et av utviklingsmiljøene for software og AI hos selskapet med over 150 års historie bak seg. Helt siden 60-tallet har DNV GL bygget opp et høykompetent softwarehus, og med sin nye forretningsenhet Digital Solutions har DNV GL også blitt et av Norges største IT-miljøer.

Den nye satsningen er et ledd i den lange digitale historien til DNV GL, men hvordan har veien fra stormaskiner på 60-tallet til AI i skyen blitt bygget?

Viktig avgjørelse på 90-tallet

– På nittitallet ble det gjort en beslutning om å lage et eget produksjonssystem for å støtte DNV GLs martime klassetjeneste kalt Nauticus Production System, sier Dybesland.

Gjennom dette systemet har vi over tid hentet inn store mengder data fra designgodkjenning og skipsinspeksjoner verden over. Ved stadig forbedrede IT-systemer kobler DNV GL sine ansatte og kunder sammen på helt nye måter.

– Det er nå vi virkelig kan høste gevinsten fra dataene, forklarer Dybesland.

Fra idé til AI-system på to uker

Kristian Ramsrud, Stian Barkbu og Elen Dybesland i den maritime delen av DNV GL. De ser mange muligheter for folk som ønsker å digitalisere og påvirke en etablert global bransje. Foto: Delta V

– Vi mottar årlig mange tusen plantegninger fra hundrevis av kunder verden over. Ikke overraskende har alle disse kundene sine litt egne måter å utføre plantegningene på. De har sin egen navngivning, egne begreper, metoder, plasseringer av data i plantegningene og andre særegenheter. Kort sagt, forskjellige kunder leverer forskjellige plantegninger og vi må tolke dem, sier Kristian Ramsrud, som leder maskinlæringsaktiviteten i Maritime hos DNV GL.

Den gamle måten kunne være å sette opp én regel per kunde for å håndtere de ulike spesifikasjonene, men det er ikke skalerbart. Ramsrud trekker frem et eksempel på hvordan det i dag kan gjøres raskt og effektivt.

– Å lage kundespesifikke dekodingsregler er ikke holdbart, og vil kreve massivt vedlikeholdsarbeid i fremtiden. Vi satte maskinlæring i gang med å tolke filene kundene leverte inn. Etter to uker var systemet så godt opplært at vi med få softwaretilpasninger av eksisterende forretningsapplikasjoner kunne sette maskinlæringsbasert arkivering og revisjonsidentifikasjon i produksjon, sier Ramsrud.

– Vi har også etablert et oppsett der vi leverer software endringer flere ganger per uke og stadig forbedrer monitoreringen av systemet. Dette gjør at vi kontinuerlig og effektivt kan forbedre både maskinlæringsalgoritmene og softwareapplikasjonene, legger Dybesland til.

Det er denne forskjellen som setter DNV GL langt fremme i digitaliseringsløpet.

– Skal vi bli ledende på det vi gjør må vi digitalisere og løpende vurdere om maskinlæring eller AI kan være en mulighet. Ved å ha et tydelig fokus på gevinst betyr det at både store og små AI-prosjekter vurderes som kandidater til AI- og maskinlæringsprosjekter, sier Ramsrud.

Menneskene er fortsatt viktigst

DNV GLs inspektører gjør viktig datafangst med støtte fra droner og sensorer, men mennesket som er fortsatt den viktigste faktoren. Foto: DNV GL

En av DNV GLs fordeler er et godt fungerende samarbeid mellom softwareutviklerne, ekspertene på maskinlæring og AI og fagekspertene på ulike områder.

– I dag er vi helt avhengige av inspektørene, eller surveyors som vi kaller dem, for å samle inn data. Det er de som går rundt på tusenvis av skip og foretar inspeksjoner, skyter Stian Barkbu inn.

– De får nå hjelp fra droner og skipenes egne sensorer, men til syvende og sist er det mennesket som er den viktigste faktoren ved alle inspeksjonene vi gjør over hele verden. Alt de gjør går inn i våre systemer, og på den måten bidrar de til å øke verdien av våre data for hver dag som går, sier han.

Produksjonssystemet har store mengder data fra tusenvis av prosjekter, tegninger, resultater, inspeksjoner og konklusjoner flere tiår bakover.

– Den rike datahistorikken gir oss en betydelig fordel når vi tar i bruk maskinlæring og AI. Flaskehalsen for mange som jobber med maskinlæring er å gjøre dataene klare for analyse. Våre data er samlet inn av ansatte og kunder over flere tiår. Samtidig har vi sikret at dataene har blitt strukturert slik at de er anvendbare for analyse, sier Ramsrud.

Har startet automatisering av prosessene

Der enkelte selskap setter et script til å håndtere dataene fra en sensor og kaller det digitalisering, har DNV GL satt langt høyere krav til hva de skal inkludere i begrepet digitalisering

– De siste tre årene har det skjedd noe helt annet innen digitaliseringen. Det er å låse opp kunnskap fra data, koblet sammen med godt programmeringshåndverk, innovasjon fra åpen kildekode, samt vår fagkunnskap og gjennomføringsevne. Det er i denne kombinasjonen magien oppstår, sier en entusiastisk Barkbu.

Teknologien er til for mennesket

Mange av DNV GLs ansatte er på steder det ikke frister å dra frem en PC. Foto: DNV GL

DNV GL vil gjøre hverdagen til sine surveyore så effektiv som mulig ved å gi dem verktøy som hjelper dem å planlegge bedre og ta færre unødvendige turer.

– Vi bruker også maskinlæring til å beregne om en planlagt inspeksjon kan gjennomføres i løpet av den tiden et skip ligger til havn. Da slipper våre ansatte å måtte gå tilbake til fartøyet fordi tiden ikke strakk til, forklarer Barkbu.

– Flere maskinlæringsalgoritmer er satt i produksjon. Vår egen helpdesk ruter innkommende henvendelser basert på gjenkjenning av teksten i henvendelsen. En annen algoritme vurderer om en plantegning under behandling har blitt behandlet før, og forenkler dermed saksbehandlernes arbeid. Akkurat nå ser DNV GL på stemmestyring av rapportene.

– Mange av våre ansatte er på steder du ikke har lyst til å dra frem en PC og skrive rapporten i Word. Da ser vi heller for oss at de kan diktere rapporten, eller ta et bilde til automatisk analyse mens de står inne i en tank på en båt.

– For oss er det viktig at dersom en maskinlæringsløsning fungerer, så skal det ut i produksjon så raskt som mulig. I det store bildet, er vi trygge på at vi har fått en god start på en spennende utvikling med mange muligheter for folk som ønsker å påvirke en etablert global bransje, avslutter Dybesland, Barkbu og Ramsrud.