Startup virksomheten Völur leverer AI-teknologi til slakterier. Ved å kombinere kunstig intelligens med industrikompetanse forbedrer de effektiviteten i kjøttindustrien. Forretningssiden innebærer å bruke de ulike delene av dyrene «smartere» slik at det blir minst mulig matsvinn og at riktig del av dyret blir brukt til riktig produkt på riktig tidspunkt.

Völur ble startet opp av Robert Ekrem, som har industribakgrunn fra Nortura og NorgesGruppen. Han så et potensiale for at slakteriene kunne drive mer effektivt ved å utnytte dyrene bedre. Sammen med David Moriano og Adrian Diaz, som har tekniske bakgrunner , startet han Völur i 2019. Kundene til Völur er store slakterier i Europa og Nord-Amerika, og på kundelisten er blant annet amerikanske JBS USA og franske Cooperel. Ved å benytte AI-teknologi fra Völur kan slakteriene optimalisere produksjonen og slik lage flere riktige produkter av samme mengde kjøtt, som igjen øker inntektene til slakteriene. Völur benytter data fra slakterier og fabrikker, som sier noe om antall dyr, kjøttype, kjøttprosent, samt retningslinjer for produksjon. Ved å bruke de ulike delene av dyrene smartere slik at de ulike kjøttstykkene brukes til det de er mest egnet til , så vil balansen mellom tilbud og etterspørsel bedres, samt øke verdiuttaket av dyret. Völur har med sin løsning klart å bruke ca. 10 prosent færre dyr og fortsatt levert det samme tilbudet i markedet. Völur estimerer at slike resultater kan tilsvare en like stor reduksjon i karbonutslipp, som utslippet til hele den globale flyflåten.

Völur starter med å forstå, transformere og klargjøre dataen de får fra kunden. Dette er ifølge Völur en kompleks jobb, da dataene kommer fra ulike systemer og har ulike formater. Når dataene er klargjort, kan en AI-modell finne fram til den optimale produksjonsplanen. Dette blir deretter gjort tilgjengelig for kunden gjennom Völurs webapplikasjon, og på bakgrunn av Völurs analyser får slakteriene en produksjonsplan over hvilke kjøttprodukter som skal produseres den enkelte dag.

Dagens praksis i mange slakterier at produksjonsbeslutningene gjøres manuelt. Dette er mye jobb og avhenger av kunnskap fra den enkelte ansatte. En slik produksjonsform er tidskrevende og sårbar. Ifølge Völur så bidrar deres løsninger blant annet til at kundene, som i hovedsak er slakterier, får økt leveringsgrad.

Suksesskriterier for videre vekst

AI-teknologien fra Völur må tilpasses hver enkelt kunde, fordi ulike slaktere har ulike dyr og ulike produksjonsprosesser og forretningsregler. Et stort spørsmål ved oppskalering av kundemassen er; «Hvor mye må modellene tilpasses til ulike virksomheter?» Samtidig er det slik at når Völur vet hvordan et slakteri fungerer, så kan de skalere til andre slakterier ganske raskt. En annen forutsetning for å få økt vekst er at slakteriene har tillit til at produktet Völur leverer vil gi dem en forbedret produksjonsprosess. For Völur er det derfor viktig å finne endringene de kan gjøre som ikke er kostbare, og deretter repetere og finjustere disse prosessene.

Teknologivirksomheten OptoScale leverer sanntidsovervåkning av endringer i vekt, velferd og lus til oppdrettsnæringen. AI-verktøyene fra OptoScale gjør oppdrettsvirksomhetene i stand til å ta velinformerte valg basert på presis informasjon om sin fiskebestand. Velinformerte valg bidrar til lavere klimaavtrykk, økt lønnsomhet og bedre fiskevelferd.

OptoScale ble etablert av sivilingeniør Sven Jørund Kolstø i 2016, gjennom hans rolle i investeringsvirksomheten CoFounder. Han hadde erfaring fra oppdrettsbransjen og så at bransjen gjorde mange beslutninger og arbeidsoppgaver manuelt som i liten grad var basert på objektive data. Kolstø så et potensial for å bruke kunstig intelligens, herunder bildebehandling (datasyn), til å samle og utnytte data for å optimalisere beslutninger knyttet til blant annet fôring, veiing og lusetelling. Dette ble starten på teknologivirksomheten OptoScale som har økt omsetning fra snaue 4 million kroner i startåret 2016 til et mål om nærmere 100 millioner kroner i 2024. På kundelisten står store norske virksomheter som SalMar, Lerøy, Grieg Seafood og Cermaq. OptoScale har også kunder i alle de andre store produsentlandene av laks, som blant annet Chile og Canada.

Teknologivirksomheten OptoScale samler inn data om fiskebestanden i den enkelte merd gjennom verktøyet Bioskop som anvender datasyn og bildegjenkjenning. Programvaren er trent til å gjenkjenne lus, sår og til å estimere fiskens vekt. Løsningen gjenkjenner ulike typer lus og antall lus, sårdannelser på fisken samt fiskens vekt og tilvekst. OptoScale gir røkteren sanntidsanalyser og data for utviklingen i den enkelte merd via sin portal. Bioskopet fra OptoScale kan «leases» enten som en mobil sensor som flyttes mellom merder eller monteres i alle merder for full oversikt i sanntid.

Økt lønnsomhet, dyrevelferd og miljøhensyn

Dataene som samles inn, analyseres og tilgjengeliggjøres, bidrar til at avgjørelser som tidligere ble tatt basert på erfaring kan tas basert på objektive data, og arbeidsoppgaver som ble gjort manuelt kan automatiseres. For eksempel bortfaller behovet for manuelle lusetellinger da systemet er godkjent av Mattilsynet til bruk for rapportering av antall lus (og av ulike typer lus). Uten kunnskapen fra systemet må fisk fysisk tas opp og sjekkes for lus. Dette krever manuelt arbeid og det er stressende for fisken. OptoScale forbedrer slik både økonomien og fiskevelferden ved å automatisere en tidligere manuell oppgave.

OptoScale bidrar også til å optimalisere beslutninger knyttet til fôring gjennom kontinuerlige estimater på fiskens vekst og tilvekst. Sanntidsinformasjon om tilvekst gjør at presisjonen i utfôringen øker og potensiell overfôring (svinn) reduseres. Mer optimal fôring er både kostnadsbesparende for oppdretteren og det er bedre for klimaavtrykket i produksjonen. Videre vil et mer presist og oppdatert bilde av størrelsen på fisken forbedre beslutninger om når en lokasjon bør starte slakting, hvilke merder som bør prioriteres når (også sett opp mot utfordringer som lus og sår). Denne informasjonen kan i seg selv bidra til at oppdretter får en bedre pris for fisken. Det ligger også en potensiell gevinst i at oppdretter blir i bedre stand til å rapportere slaktevekt til slakteri, og slik redusere kostnader i slakteridelen av verdikjeden.

Teknologivirksomheten Consigli bruker kunstig intelligens og matematisk optimering til å optimalisere prosjektering og anbudsprosesser, både for byggherre og entreprenører. AI-tjenesten de leverer reduserer risiko, kostnader og miljøavtrykk i prosjektene. På kundelisten er medlemmer av Byggenæringens Landsforening og Nelfo, norske kommuner som Bergen kommune og store eiendomsaktører som Entra.

Grunder av Consigli, Janne Aas-Jakobsen har vært en del av bygg- og eiendomsbransjen i 25 år, og hun så et potensial for å bruke teknologi til å skape bedre kvalitet og lønnsomhet i bransjen, og i 2020 ble Consigli etablert. [1] I 2023 består Consigli av 32 ansatte, fordelt på 16 nasjonaliteter. De ansatte er en kombinasjon av matematikere, fysikere, AI-eksperter og ingeniører som har inngående kjennskap til bygg- og eiendomsbransjen. Hovedkontoret ligger i Oslo, men virksomheten har i 2023 også etablert seg i England.

Reduserer kostnader og miljøavtrykk

Consigli bruker kunstig intelligens på store mengder data som er lagret over mange år for å prosjektere bygg mer optimalt. Consigli bistår blant annet bygg- og eiendomsbransjen og kommuner med prosjektering av elektriske systemer, samt ventilasjon, varme og sanitær (VVS). Kunden gir informasjon til Consigli om hvilke krav de har til bygget som skal prosjekteres, slik som arkitekttegninger eller arkitektmodell og kravspesifikasjoner, og Consigli bruker kunstig intelligens og matematisk optimering til å innfri kravene fra kunden og myndighetene . Dette bidrar til at alle komponenter, som for eksempel rør og ledninger, blir plassert på optimal måte og man kan bruke færre komponenter for å få det til. I mange byggeprosjekter gjøres prosjektstyringsavgjørelser manuelt. Consigli estimerer at ved å bruke deres AI-verktøy fremfor mer tradisjonelle prosjekteringsmetoder så reduseres antall komponenter og horisontale føringer med 20 prosent. Nylig reduserte Consigli 360 belysningsarmaturer fra et prosjekt. Mange medlemmer av Byggenæringens Landsforening og Nelfo bruker Consigli som teknologi- og kunnskapsleverandør for å forbedre sine arbeidsprosesser og leveranser med AI.

Bruker språkmodeller til å optimalisere anbudsprosesser

Consigli bidrar også til å redusere risiko i forbindelse med anbudsdokumenter ved å søke etter tekst som kan skape problemer i et prosjekt. Det kan for eksempel være uklare formuleringer, henvisninger til byggestandarder som er utgått eller uoverensstemmelser i ansvarsbeskrivelser. Ved å bruke språkmodeller (NLP), både hyllevarer og egenutviklede, samt kunnskap fra bransjen om hva som er risikomomenter i slike dokumenter så finner modellen hva som er risikomomentene i anbudsdokumentene og kunden får en oversikt over disse. En anbudsforespørsel kan være på alt fra 5 til 300 dokumenter, og ved å bruke denne tjenesten kan kunden redusere tidsbruken på å lese gjennom disse dokumentene betydelig.

Fotnote 1: Proptech-nykommer henter 19 millioner og får tungvektere på laget: «Kan snu opp ned på hele næringen» (shifter.no)

Kunstig intelligens bidrar til at kunder får bedre tjenester og produkter og at produksjonen av fornybar solenergi øker. Løsningene gir mer effektiv produksjon og økt effektivitet i kraftsystemet. Slik bidrar Solcellespesialisten til overgangen fra fossile energikilder til fornybar solenergi både i inn- og utland.

Solcellespesialisten er et kreativt utspring av smart bruk av IT, data, maskinlæring og etter hvert kunstig intelligens mer bredt. De leverer og installerer solcelleanlegg til næringsbygg, eneboliger og hytter. Virksomheten har i flere år utviklet avanserte digitale tjenester som utnytter store mengder data og kunstig intelligens. Per i dag er det mye pilotering, men også løsninger i drift som benytter kunstig intelligens til kostnadseffektivisering og kvalitetsforbedring. De har tre områder i dag med konkrete gevinster; droner med datasyn for å overvåke solcelleanlegg som er i drift, automatisering av arbeidsoppgaver og bedre samspill med kraftnettet når lokalt overskudd av solkraftproduksjon skal mates inn i kraftsystemet.

Virksomheten har i flere år benyttet droner med termokamera for å overvåke solcelleanlegg. Gjennom bildesyn og med kunstig intelligens gjøres automatiserte bildeanalyser og avviksoppfølging ved å avdekke unormal varme i solcellepaneler, som kan være indikasjoner på skadede komponenter, bl.a. etter lynnedslag.

Ved å bruke generativ kunstig intelligens har Solcellespesialisten utviklet en løsning som automatiserer nettmeldinger til nettvirksomhetene når ny produksjon skal inn i kraftsystemet. Solcellespesialisten sparer om lag ett årsverk med den installasjonsaktiviteten de har i dag. Samtidig reduserer de omfanget av repetitive arbeidsoppgaver for sine ingeniører.

Solcellespesialisten optimaliserer energiproduksjonen fra sine kunders anlegg inn i kraftsystemet. Slik hjelper de nettvirksomhetene med å fase inn ny fornybar kraft på en kostnadseffektiv måte. Løsningen predikerer produksjon og etterspørsel, samt nettets kapasiteter, og tilpasser produksjonen til forutsetningene på det enkelte sted. Slik bidrar Solcellespesialisten til økt nettutnyttelse og økt effektivitet i hele kraftsystemet.

Solcellespesialisten har også utviklet sitt eget ERP-program , et virksomhet- og ressursplanleggingssystem, som samler store mengder data om deres installasjoner og legger grunnlaget for virksomhetens implementering av kunstig intelligens. Infrastrukturen har lagt til rette for datavektorer gjennom hele prosessen slik at kunstig intelligens kan optimalisere ressursbruken, planlegging og produktutvelgelse. Ifølge Solcellespesialisten antas det at kunstig intelligens kan bidra til en effektivisering på dette området som kan øke produksjonen med 10-30 prosent, uten ekstra ressursbruk. Samt at systemet teoretisk sett kunne bidratt til 50-140 millioner kroner i økt omsetning for Solcellespesialisten i 2023 på dagens ressurser, med en antatt økt fortjeneste. Ifølge Solcellespesialisten er mulighetene store og blir kontinuerlig utforsket videre.

SpareBank 1 SMN anvender både maskinlæring og generativ kunstig intelligens både til å forbedre og effektivisere produkter og arbeidsprosesser. SpareBank 1 SMN ser allerede at spesifikke arbeidsoppgaver kan effektiviseres med opp mot 40 prosent og har en konkret innsparing på chatbots på 16 mill. kroner årlig.

SpareBank 1 SMN er lokalisert i Midt-Norge og er del av SpareBank 1 alliansen. De har alltid hatt en aktiv holdning til ny teknologi, og begynte for snart 10 år siden å anvende kunstig intelligens, men aktiviteten på området gikk fra ett smalt område for spesialister til bruk i bredden i november 2022 med lanseringen av ChatGPT og generativ AI mer generelt. 

Gjennom samarbeid med blant annet det Trondheimsbaserte oppstartsselskapet Strise.ai benyttes maskinlæring til å gi et bedre beslutningsgrunnlag knyttet til bankens kunder (know your customer, KYC). Løsningen effektiviserer og forbedrer arbeidsprosessene knyttet til bankens kunder. Relevante data samles inn om kunden, kobles sammen og visualiseres med grafteknologi hvor relevant informasjon og beslutningsgrunnlag presenteres for den ansatte. Systemet kan flagge kunder hvor det er behov for nærmere undersøkelser av kundens relasjoner, politisk eksponering, medieomtale mv. og hjelper slik banken til å ta avgjørelser. Mennesker må fortsatt ta avgjørelsene, men de får bistand til å forstå komplekse sammenhenger og helheten samt avdekke potensielle svakheter og risikomomenter ved nye kundeforhold.

Det gjøres mye på svindeldeteksjon (anti money laundering, AML). Systemer og algoritmer kan avsløre svindel direkte og predikere hvor det sannsynligvis har eller kan skje svindel. Både løsningene mot AML og KYC bidrar til at banken overholder gjeldende lover og regler, og slik også reduserer risiko knyttet til brudd på disse med påfølgende økonomiske konsekvenser. Viktig å presisere at mennesker fortsatt absolutt er en del av prosessene selv om stadig mer er automatisert og drevet av AI.

SpareBank 1 SMN benytter maskinlæring for å gjøre klassifiseringer i nettbanken. Klassifiseringen bidrar til å øke kvaliteten på produktet nettbank. Konsernet benytter også kunstig intelligens fra tredjeparter som Semine. Der benytter SpareBank 1 SMN kunstig intelligens for å automatisere prosessen for inngående fakturaer, og bidrar til å redusere repetitive oppgaver, feil og ressursbruk i regnskapshuset ved hjelp av kunstig intelligens. Dette er nok et eksempel på en tjeneste som er forbedret med kunstig intelligens.

Generativ kunstig intelligens benyttes for å effektivisere egne arbeidsprosesser i SpareBank 1 SMN. De har hatt kjørende algoritmer i flere år, men hvor det foreløpig handler om å tilpasse og sette opp gode systemer og produkter som også overholder gjeldende regler og retningslinjer. Banken var en av de første bankene som tok i bruk en chatbot mot kundene basert på avanserte språkmodeller hvor de ser innsparinger på om lag 16 mill. kroner årlig. Chatboten er derimot ikke generativ ut mot kunde. Store språkmodeller i bruk for idégenerering og markedsføring er områder hvor vi utforsker bruken i dag, da dette er prosesser som ikke involverer sensitive data i like stor grad.

Enterprise versjonen av Microsoft Copilot (tidligere Bing enterprise), GitHub Copilot mv. er tatt i bruk på noen områder og bistår de ansatte med økende antall oppgaver. Systemene brukes i lukkede miljø og med noen begrensninger for å sikre ansvarlig bruk og forhindre brudd på personvern, GPDR og annet relevant lovverk. Man ser allerede potensielle besparinger på opp mot 40 prosent på enkelte arbeidsoppgaver.

SpareBank 1 SMN jobber kontinuerlig med maskinlæringsmodeller både i egen regi, sammen med store teknologiselskaper og i samarbeid med blant annet NorwAI som er et senter for fremragende forskning på feltet kunstig intelligens ledet av NTNU. Potensialet både på effektivisering av arbeidsprosesser, redusering av risiko, flere og bedre produkter og kundeopplevelser vurderes som stort.
 

Equinor bruker kunstig intelligens til å unngå kostbar driftsstans i olje og gassproduksjonen. I sommer sparte AI-verktøyet Omnia. Equinor for 300 millioner kroner, da verktøyet oppdaget en feil tidlig ved Kårstø prosessanlegg.

Det internasjonale energikonsernet Equinor har hovedsakelig virksomhet innen olje og gass og er den største petroleumsaktøren på den norske kontinentalsokkelen. Virksomheten bruker kunstig intelligens på en rekke områder slik som seismikktolkning og brønnplanlegging. Det er størst verdipotensial knyttet til driften på sokkelen, og Equinor har derfor investert mest i kunstig intelligens tilknyttet driftsoperasjoner.

Bruker maskinlæring til prediktivt vedlikehold

Equinor bruker AI-verktøyet Omnia.Prevent for prediktivt vedlikehold. AI-verktøyet er en programvare som overvåker tilstanden til tungt roterende utstyr, og i første omgang har Equinor fokusert på roterende utsyr som pumper, kompressorer og turbiner. AI-verktøyet er trenet til å identifisere feil så tidlig som mulig, slik at Equinor kan gjøre tiltak for å unngå nedetid, som her vil si at produksjonen av olje og gass stopper opp. 

Bruk av kunstig intelligens og maskinlæring til å prediktere feil innebærer flere fordeler for Equinor fremfor å bruke tradisjonell tilstandsovervåkning. Maskinlæringsmodeller kan fange opp feil som vil være umulig å oppdage for mennesker. Dette skyldes at de kan trenes til å finne mønster og sammenhenger i enorme datamengder som mennesker ikke er i stand til å analysere på samme måte. I tillegg muliggjør AI at man kan skalere utstyrsovervåkningen til å omfatte mange utstyrstyper på samtlige produksjonsanlegg på en svært kosteffektiv måte.

Klarer Equinor å minske nedetid for produksjonen, sparer de mye. En hendelse sommeren 2023 på prosessanlegget på Kårstø er et eksempel på dette. Der oppdaget AI-verktøyet Omnia.prevent en feil på en viktig gasskompressor ved at det gikk en alarm på en turbin til kompressoren. Dette var en reell alarm og turbinen ble byttet ut. AI-verktøyet gjorde til at alarmen gikk, som igjen førte til at feilen ble oppdaget tidlig og ble raskt håndtert. Dette førte igjen til at man fikk byttet turbinen på en planlagt og langt mer effektiv måte enn om feilen hadde ført til driftsstans. Dette er den mest alvorlige feilen som er oppdaget av AI-verktøyet og det er estimert at den raske oppdagelsen sparte Kårstø og Equinor for 300 millioner kroner. Omnia.prevent systemet har imidlertid oppdaget rundt 400 reelle feil, hvor flere av dem kunne ha utviklet seg til reelle hendelser. [1]

Erfaringsdata og språkmodeller bidrar til læring og det grønne skiftet

Equinor bruker også store språkmodeller til å optimalisere drift og vedlikehold på installasjoner. Olje- og gassindustrien samler inn enorme mengder skriftlig data fra sine operasjoner slik som hendelsesrapporter og erfaringsdata. Disse dataene blir brukt til å trene opp en egen språkmodell, som anvendes i operasjonell planlegging, for å trekke inn relevant sikkerhetsinformasjon fra tidligere hendelser og tilgjengeliggjøre den når en tilsvarende jobber planlegges. Når Equinor planlegger for en spesifikk operasjon, som for eksempel boring eller vedlikehold, så henter modellen ut historisk data fra tidligere hendelser som er relevant for den operasjonen som skal gjennomføres. Dette gjør igjen at Equinor kan lære av tidligere operasjoner, og erfaringsdata blir systematisert slik at virksomheten kan dra nytte av dem. Språkmodellen er multispråklig slik at ansatte i Equinor kan lære av relevante erfaringer fra Nordsjøen i forbindelse med operasjoner i for eksempel Brasil.

Den operasjonelle planleggingsløsningen har også blitt videreutviklet til bruk med fornybare energikilder som havvind, og testes nå ut på verdens største offshore vindpark Dogger Bank. For Equinor er det å implementere AI-teknologi viktig for å kunne gjennomføre det grønne skifte og gjøre investeringer innen havvind lønnsomme.

Fotenote 1: Denne peaken sparte Kårstø for 300 millioner kroner  - Digi.no

Sports- og friluftskjeden XXL har siden 2020 brukt ulike AI-tjenester for å redusere virksomhetens kostnader. Sportskjeden kjøper hovedsakelig AI-tjenester i form av hyllevarer fra leverandører, men har også selv utviklet en maskinlæringsmodell for å gi kunder produktanbefalinger på virksomhetens nettside.

XXL er en sports- og friluftskjede med 91 varehus i Norge, Sverige, Finland og Østerrike. De har også Nordens største sportsbutikk på internett. Klikker du deg inn på hjemmesiden til XXL vil du få produktanbefalinger til hvilke produkter du burde kjøpe. Produktanbefalingene på hjemmesiden er basert på data om kundeadferd og XXLs selvutviklede maskinlæringsmodell.

XXL kjøpte tidligere tjenesten med produktanbefalinger av en ekstern leverandør, men sports- og friluftskjeden har etter hvert bygget opp egen kompetanse på hvordan gi best mulig målrettede produktanbefalinger til sine kunder. Sports- og friluftskjeden har utviklet en egen maskinlæringsmodell (nevralt nettverk) for produktanbefalinger da dette tillater at de kan bruke anonymisert informasjon om egne kunders kjøpshistorikk, dvs. data som ikke kan deles med eksterne leverandører. Ved å bruke sin egen modell for produktanbefalinger basert på kjøpshistorikk, har XXL fått bedre resultater enn da tjenesten ble levert av en ekstern leverandør og denne informasjonen ikke inngikk. Dette konkrete tiltaket bedret omsetningen til XXL med cirka 2 prosent.

Effektiviserer med å kjøpe AI-teknologi fra leverandører

Maskinlæringsmodellen for produktanbefalinger på hjemmesiden til XXL er den eneste av AI-tjenestene som XXL har utviklet selv. Sportskjeden kjøper imidlertid flere ulike AI-tjenester (hyllevarer) fra ulike IT-leverandører. Årsaken til at de i stor grad kjøper tjenester fra andre er at utvikling av AI-tjenester ikke er XXL sitt kjerneområde, og at virksomheten har hatt stor nytte av å bruke eksiterende hyllevarer. Kjøp av AI-tjenester fra eksterne leverandører bidrar til å optimalisere XXLs drift ved å kutte i virksomhetens kostnader.

Et eksempel på en hyllevare som XXL bruker er den generative språkmodellen ChatGPT, som er utviklet av OpenAI. Systemutviklere hos XXL bruker Chat GPT som assistent for å kvalitetssikre koder og redusere leveransetiden. Sports- og

friluftskjeden forventer at dette gir en effektiviseringsgevinst på 10-15 prosent på alle kodeleveranser i løpet av 2024. XXL bruker foreløpig generative språkmodeller som Chat GPT i begrenset omfang, for eksempel til enkle oversettelser og mindre juridiske avklaringer.

XXL jobber også med å hente ut AI effektiviseringsgevinster innen innholdsproduksjon og kundeservice.

Schibsted ligger langt fremme i Europa når det gjelder å satse på kunstig intelligens i mediebransjen. Konsernet har blant annet et eget AI-akademi for å bidra til kunnskapsdeling og øke kunnskapen blant ansatte om AI-teknologi.

Schibsted er et internasjonalt mediekonsern med hovedkontor i Oslo, som i hovedsak driver med aviser, trykking og annonseformidling. [1] Schibsted består av 60 virksomheter som er helt eller delvis eid av konsernet. Noen kjente virksomheter som inngår i konsernet er VG, Aftenposten og Finn.no. Schibsted består av mange virksomheter og har desentralisert sine produkter og teknologimiljøer. Siden Schibsted består av mange virksomheter som er lokalisert ulike steder, så har de sentralt styrket sitt strategiske fokus på AI gjennom; Schibsted Futures Lab og AI Enablement program.

Schibsted setter søkelys på AI gjennom egne AI-team
Schibsted Futures Lab og AI Enablement program fungerer som støttefunksjoner til konsernets virksomheter når det gjelder problemstillinger knyttet til AI-teknologi. Schibsted Futures Lab undersøker ulike typer fremvoksende teknologier , ikke nødvendigvis for å bruke eller å produsere selv, men for å vite hvordan virksomhetene i Schibsted skal forholde seg til teknologiske innovasjoner som kan komme til å påvirke dem. AI Enablement Program driver Schibsteds AI-akademi, og har som formål å bidra til kunnskapsdeling og øke kunnskapen blant ansatte om AI-teknologi. Programmet sørger også for et rammeverk for å sikre ansvarsfull bruk av AI i konsernet, samt at det hjelper de ulike virksomhetene med å få inn AI-tjenester der det kan være gunstig for å øke kvalitet og effektivitet.

t eksempel på bruk av AI i Schibsted er VG’s egenutviklet transkriberingsapp JOJO. Appen brukes av VG’s journalister for å transkribere intervjuer. Dette produktet ble utviklet av VG, da de så en mulighet for å effektivisere den manuelle transkriberingsprosessen. Appen fra VG er bygget på OpenAI’s Whisper, en talegjenkjennings- og transkripsjonsprogramvare som bruker kunstig intelligens [2]. Det er VG som har utviklet appen, men Schibsteds sentrale AI-team har også bidratt med kunnskapssparing og rådgiving i forbindelse med utvikling av appen.

Fotnote 1: Shibsted selger nå ut media og avisdelen, og skal konsentrere seg på markedsplassene (som Finn). Se for eksempel omtale på  e24

Fotnote 2: VG gjør transkriberings-app tilgjengelig for flere (journalisten.no)

Hotellselskapet Strawberry utnytter kunstig intelligens (AI) både i drift ute på hotellene og i hovedkontortjenestene. Ute på hotellene brukes AI for å støtte de ansatte og redusere omfanget av manuelle repetitive og administrative oppgaver slik at mer tid kan brukes på å sikre enda bedre gjesteopplevelser. Ved hovedkontoret brukes AI for å øke hastigheten og kvaliteten på prisingen, redusere manuelt arbeid. Ved enkelte avdelinger ser de allerede effektiviseringer på opp mot 20 prosent.

Covid-19 pandemien var spesielt tung for hotellbransjen og gjorde at effektivisering og forbedring av egne arbeidsprosesser ble aktualisert. I tillegg til å bytte alle sine interne datasystemer fokuserer Strawberry på hvordan kunstig intelligens kan bidra til å effektivisere driften gjennom å redusere behovet for manuelle repetitive og administrative oppgaver slik at deres ansatte kan fokusere enda mer på å sikre gode kundeopplevelser.

Covid-19 pandemien var spesielt tung for hotellbransjen og gjorde at effektivisering og forbedring av egne arbeidsprosesser ble aktualisert. I tillegg til å bytte alle sine interne datasystemer fokuserer Strawberry på hvordan kunstig intelligens kan bidra til å effektivisere driften gjennom å redusere behovet for manuelle repetitive og administrative oppgaver slik at deres ansatte kan fokusere enda mer på å sikre gode kundeopplevelser.

Strawberry ser like fullt det største potensialet for AI ved hovedkontoret, og hvor de allerede ser enkelte avdelinger med effektivisering på opp mot 20 prosent. Gevinstene i dag og framover ansees som størst inn mot inntektssiden og finans. AI bistår med oppdatering av dokumenter på natten og har medført innsparinger på inntil to timer hver morgen. Den kunstige intelligensen bistår med automatisering av prising i henhold til markedet (etterspørselen) og selskapets strategier. Slik har selskapet eliminert en kjedelig og repetitiv manuell arbeidsoppgave, hvor den ansatte nå i større grad kan bruke tid blant annet på å kontrollere prisforslag generert av roboten. De bruker også AI til å analysere salg og prognoser for framtidig etterspørsel. De ansatte kan nå også i større grad frigjøre tid som blant annet brukes på strategiarbeid.

Kunstig intelligens bidrar ikke til redusert arbeidskraftsbehov, hverken ute på hotell eller ved hovedkontoret. Oppgaveinnholdet i den enkelte stilling endres derimot i en retning hvor mer tid kan brukes på å øke kvaliteten på både egne arbeidsprosesser og på tjenesten selskapet selger.

Nortura bruker kunstig intelligens i store deler av virksomheten. Per i dag benyttes AI i alt fra mindre initiativer i pilotfase til forskning og helt konkrete case i drift. Foreløpig ser de gevinster og et stort potensial knyttet til bruk av maskinlæring og datasyn til å øke presisjonsnivået i vurdering av kvaliteten på kjøttstykker. Forbedringer øker effektiviteten i produksjonen av ferdige produkter.

Nortura er en stor industriaktør med over 24 produksjonsenheter som tar imot 260 000 tonn kjøtt og egg hvert år. Virksomheten er eid av bøndene og er del av en kompleks verdikjede for matproduksjon. Nortura har en lang rekke initiativer hvor kunstig intelligens spiller en sentral rolle. Nortura er i en fase hvor teknologier og løsninger testes i konkrete case, i tillegg til at de har egne ressurser som forsker på hvordan AI kan bidra til å skape verdi for både virksomheten og deres eiere.

Nortura bygger og tilrettelegger for en etterrettelig infrastruktur for å kunne ta i bruk nye KI-løsninger. Utskiftningene av infrastrukturen kommer i kjølvannet av et større cyberangrep i 2016. Overgangen til skyløsninger og en mer moderne infrastruktur betraktes som en viktig forutsetning for at virksomheten skal kunne ta AI i bruk framover i ulike deler av virksomheten. Nortura legger slik til rette for å lykkes framover på AI-området.

Per i dag testes og brukes Microsoft Copilot og generativ AI i effektivisering av interne arbeidsprosesser og beslutningsstøtte generelt, og spesielt inn mot markedsføring. Anvendelse av maskinlæring og datasyn er et pilotprosjekt Nortura har gående hvor formålet er å øke verdien for leverandører. Maskinlæring og bildegjenkjenning kan gjenkjenne kvalitet på ulike typer kjøtt som vil effektivisere produksjonen av ferdige produkter. Prosjektet er i en pilotfase. Nortura ønsker å rulle ut tjenesten til flere produksjonsenheter etter hvert som mer data og erfaringer samles inn.

Drive Mobility, eid av Norges Bilbransjeforbund (NBF) og 35 andre bilbransjeaktører i Norge, har lansert en ny felles digital bransjeplattform for håndtering, kjøp og salg av biler. Målet er at den digitale plattformen som blant bruker kunstig intelligens skal effektivisere salgsprosessen for norske bilforhandlere.

Drive består av to deler: Markedsplattformen Drive.no og forhandlerplattformen Drive Dealer. Drive.no er en markedsplass for profesjonelle bilaktører/forhandlere. Her vil privatpersoner både kunne kjøpe seg en bil fra forhandlervirksomheter, samt få verdivurdering av bilen sin eller legge den ut for salg til forhandlernettverket til Drive. Markedsplattformen skal etter planen lanseres i starten av 2024.

Drive Dealer ble lansert i august-september 2023, og per første kvartal 2024 er målsettingen at cirka 200 bilforhandlere skal ha tatt i bruk forhandlerplattformen. Forhandlerplattformen er et prosessverktøy for bilforhandlere til å håndtere bilen før den kommer ut for salg på Drive.no eller andre plattformer. Her håndterer forhandleren prosesser som er nødvendig for å gjøre en bil klar for salg på en markedsplass, slik som for eksempel forkalkyle, takst, rekvisisjon og tilstandsrapport. Verktøyet hjelper bilforhandlere å håndtere bilporteføljen sin samt å effektivisere arbeidsprosessene knyttet til salg av biler.

Maskinlæring fører til effektivisering og nøyaktighet

I Drive Dealer er det integrert et prisverktøy som hjelper bilforhandlere med å velge riktig pris til biler som skal kjøpes inn eller selges videre til kunder. Prisverktøyet er basert på nevrale nettverk og egenutviklete maskinlæringsmodeller. For å predikere riktig pris er maskinlæringsmodellen trenet på svære datamengder, nærmere bestemt alle priser på alle bruktbiler som er solgt i Norge i de siste par årene. I bilbransjen har det vært vanlig å sette pris på bruktbiler manuelt. Istedenfor å gjøre dette manuelt bruker prisverktøyet i Drive Dealer kunstig intelligens. Ved å bruke maskinlæring på enorme mengder data effektiviseres prosessen med å velge riktig pris i markedet, og prisen blir mer nøyaktig da den er basert på store datamengder. Ved å bruke prisverktøyet til DRIVE får bilforhandleren også tatt vekk sårbarheten ved at det er noen få ansatte i virksomheten som sitter på kunnskap om hva som er «riktig prising» av en bil, samt at man minsker sjansen for menneskelige feil.

Drive har blitt etablert etter inspirasjon fra Wayke i Sverige (se faktaboks), og er et initiativ for å effektivisere og kutte i kostnader, men også for at bilbransjen selv skal ta kontroll over egne data og skjebne i en tid der viktigheten av data blir stadig større.

Kan få ytterligere effektiviseringseffekter med bruk av generativ AI

Fremover ser DRIVE for seg at generativ AI vil kunne bidra til ytterligere effektivisering av bilbransjen. Eksempler på dette er at verktøy for generativ AI kan brukes til å generere bilder av biler som skal selges. Å bruke kunstig intelligens til dette istedenfor å ta bildene selv vil spare virksomheter for både tid og penger. Et annet potensiale ved generativ AI er å bruke «prompts» for å dirigere modellen til å produsere annonsetekster. På dette området er DRIVE fortsatt i startfasen, men ser store muligheter for effektivisering og kostnadsbesparelser de kommende årene.

Schneider Electric har økt effektiviteten i egen virksomhet og oppnådd viktige kvalitetsforbedringer i produktene og tjenestene ved hjelp av kunstig intelligens.

Schneider Electric er en stor global virksomhet med kontorer flere steder i Norge. Virksomheten har 180 års erfaring med elektrifisering, automatisering, digitalisering og bærekraft. De senere årene har virksomheten utnyttet kunstig intelligens i økende grad for å effektivisere egne prosesser, men også for å levere bedre produkter og tjenester til sine kunder. Schneider Electric bruker AI i dag i analyseverktøy for markedsutvikling, chatbots og prediktive drifts- og supportløsninger, i simuleringsverktøy som identifiserer eventuelle svakheter i produktutvikling, samt i styring og energioptimalisering i bygg, støtte til administrative oppgaver og støtte til programvareutvikling. Bruk av AI forenkler tidkrevende oppgaver og reduserer usikkerhetsmomenter, spesielt rundt kundehåndtering og markedsutvikling. Schneider Electric har spart betydelige kostnader, både i form av mer produktive beslutningsprosesser, færre feil og redusert nedetid i produksjonen.

Konkrete eksempler på hvordan AI gir Schneider Electric gevinster finnes også. Innenfor bygningsautomasjon benyttes AI til termisk modellering, overvåking og styring av varme, ventilasjon og kjøling, energioptimalisering og elektrisk belastningsfordeling. Etterspørsel etter elektrisk kraft og forsyning i microgrids håndteres av AI. Videre automatiserer AI kvalitetskontroll og visuell inspeksjon innenfor industrien. Også for datasentre gir AI drifts- og kostnadsoptimal kjøling basert på prediktiv analyse av live sensordata og smarte alarmer. Kjøps- og salgsbeslutninger innenfor fornybar energi assisteres ved hjelp av AI. Løsninger ut mot virksomhetens kunder har resultert i kostnadsbesparelser gjennom optimalisering av energiforbruk, redusert nedetid som følger av løsningenes evne til å forutse ulike scenarier og gjennom å legge til rette for bedre beslutninger basert på en dypere innsikt enn tilfellet ville vært uten AI.

Moelven Industrier har testet ulike AI-løsninger for å effektivisere egen drift. Ett av områdene hvor konsernet bruker AI-løsninger er innenfor Moelvens divisjon «Timber» eller trelast. Tørking av tømmer er en energikrevende prosess innen trelast, som det også tar lang tid å bli erfaren innen som operatør . Å forbedre tørkeprosessen er derfor viktig for Moelven, da tørkingen er svært viktig for kvaliteten til tømmeret som videreforedles til blant annet panel, vinduer og gulv.

AI-verktøyet Moelven benytter til tørking utnytter erfaringer og kompetansen fra eksperter på området kombinert med relevante tidsseriedata på eksempelvis temperaturer og luftfuktighet. Dataene har deretter blitt kontekstualisert av teknologivirksomheten Cognite AS, og operatørene ved Moelven har fått et instrumentbord som tilgjengeliggjør relevante data fra tørkeprosessen for å sikre både driften og kvaliteten. Systemet trekker fram potensielle årsaker til driftsstans og bidrar til å redusere nedetiden ved å gi operatøren viktig støtte og informasjon for beslutning og tiltak. Operatøren kan også opprette merknader og gi tilbakemelding til modellen for å forbedre modellens ytelse over tid. Oppsummert bidrar løsningen til at operatøren kan bruke mindre tid på å finne og analysere grunnen til avvik og nedetid, som igjen forbedrer prosessen med tørking av tømmeret.

Cognites dataplattform har i tillegg effektivisert prosessen med å generere rapporter for operatørene som igjen kan bidra til økt kvalitet og innsikt i produksjonen. Der operatører tidligere måtte bruke mye tid på å innhente data fra ulike deler av produksjonslinjen, sette disse sammen i dataprogrammer for så å analysere dataene, så er nå prosessen automatisert gjennom digital datainnsamling og kunstig intelligens. Ikke bare samler løsningen inn data, men den benytter kunstig intelligens for å peke på viktige sammenhenger og resultater basert på disse dataene. Løsningen er estimert å spare Moelven om lag tre timer per rapport som genereres.

Moelven Industrier har per nå ikke en AI-strategi, men har testet ulike løsninger for å effektivisere egen drift. Moelven ser viktigheten og mulighetene AI gir for konsernets drift framover, og arbeider derfor med å få på plass en AI-strategi i løpet av 2024.

Bragd Kompetanse er en arbeids- og inkluderingsvirksomhet som hjelper folk som er utenfor arbeidslivet med arbeidsforberedende trening (AFT) og varig tilrettelagt arbeid (VTA). Virksomheten har 111 ansatte og er blant de største på AFT og VTA i Innlandet. Bragd kompetanse hjelper blant annet folk som er utenfor arbeidslivet med kurs i hvordan skrive CV og søknader. I forbindelse med dette har virksomheten utforsket mulighetene generativ AI, herunder ChatGPT gir.

Bragd Kompetanse ser at ChatGPT kan gi arbeidssøkende innspill til hvordan skrive CV og søknader, samt være en sparringspartner på hva man burde forberede seg på til et jobbintervju. Man kan for eksempel få en liste over hvilke punkter som burde inngå i en CV eller hva som er «vanlige spørsmål» å få i forbindelse med et jobbintervju. Bruken av Chat GPT er på et eksperimentelt nivå i Bragd Kompetanse, og i skrivende stund er det et utvalg av jobbveiledere og arbeidssøkere som har tatt det i bruk. Bragd Kompetanses erfaring er at de arbeidssøkende som har tatt Chat GPT i bruk, opplever at det har vært et nyttig verktøy for dem i arbeidssøkerprosessen.

Nettvirksomheten Linja AS er lokalisert på Nord-Vestlandet. Linja AS har hatt ulike pilot-prosjekter for å undersøke hvordan AI kan utnytte kapasiteten i eksisterende strømnett bedre, vedlikeholde det, samt minske kostnadene ved utnytting og vedlikehold av nettet. Det grønne skiftet og en økende etterspørsel etter fornybar energi bidrar til at kapasiteten i strømnettet blir presset, og Linja har og utforsker ulike AI-løsninger for å møte utfordringene det byr på.

Linja AS er blant annet partner i et stort innovasjonsprosjekt sammen med StormGeo, eSmart Systems og Høgskolen på Vestlandet (HVL) der de kombinerer kunstig intelligens med satellitter for å overvåke strømnettet. Prosjektet startet som en mulighetsstudie i perioden 2018-2020, og er nå et demonstra-sjonsprosjekt i perioden 2023-2025.

Per i dag bruker Linja As mye ressurser på skogrydding hvert år. Til dette bruker de helikopter og Lidar-teknologi [1], som er en god, men dyr løsning. Én motivasjon for å bli med på forskningsprosjektet er der-for å kutte kostnader. I forskningsprosjektet bruker de satellittovervåkning kombinert med fotogjenkjen-ning og kunstig intelligens for å identifisere vegetasjonsutvikling. Satellittbilder gir ikke samme oppløsning som Lidar og helikopter, så i prosjektet brukes kunstig intelligens for å øke oppløsningen. Får Linja god nok bildekvalitet med denne metoden, så vil det gi virksomheten en helt annen frekens på datainnsam-lingen enn de får med eksisterende metode med helikopter og Lidar. [2]

Forskningsprosjektet har tre formål for Linja; få bedre oversikt over risikoen for vegetasjonsrelatert linje-fall, registrere uautorisert bygningsmasse i traseene, samt få oversikt over skader i vegetasjon etter storm, og slik lokalisere risikoområder raskere. Dersom den nye løsningen gir Linja bedre oversikt, så kan nettvirksomheten ta tidligere grep slik at for eksempel ikke trær skaper problemer for strømforsy-ningen hvis de skulle falle over strømlinjen.

Fotnote 1: Lidar er en fjernmålingsteknikk som baserer seg på tilbakespredning av lys (Store Norske leksikon).

Fotnote 2: Nettselskapet Linja kombinerer kunstig intelligens med satellitter for å overvåke strømnettet — EnergiWatch

JM Hansen er en av de største kompetansevirksomhetene innen elektroinstallasjon og automasjon i Nord-Norge. Elektrovirksomheten har sammen med oppdrettsnæringen og teknologivirksomheten Clarify , som har utspring fra teknologimiljøet ved NTNU i Trondheim, utviklet tjenesten FEED.

FEED kombinerer datainnsamling og menneskelig fagkompetanse for å oppnå mer presis fôring. Dette skjer ved at FEED sikrer og sammenstiller data fra sensorikk i og ved merder i oppdrettsanlegg og kombinerer dette med data fra eksterne kilder som Barentswatch, metrologiske institutt og fôrsystemer. Eksempler på data som virksomheten samler inn ved bruk av sensorikk er informasjon om havstrømmer, oksygen og salinitet . JM Hansen innhenter og kvalitetssikrer dataene som innhentes og leverer fra seg analyseklare data til oppdrettsvirksomheter. På kundelisten står virksomheter som oppdrettsvirksomheten Flakstadvåg Laks AS, som holder til på Senja.

Data om vær og vindforhold i sjøen er av stor betydning for hvordan og når oppdrettsvirksomhetene fôrer fisken. Over tid vil FEED ha historiske data som kombinert med kunstig intelligens og bransjens ekspertise kan gi oppdrettsvirksomhetene bedre forståelse for hva som påvirker fôringen, samt et godt beslutningsgrunnlag for å optimalisere fôringen. Analyseklare data fra JM Hansen vil gi oppdrettsvirksomhetene bedre kontroll på fôringen som vil gi økt fiskevelferd og mindre fôrsvinn. Dette vil igjen ha positiv betydning for bærekraft, økonomi og miljøavtrykk i oppdrettsbransjen.

I dagens drift tar ikke Tide Buss i bruk AI-verktøy, men på sikt vil det være aktuelt å se på bruk av kunstig intelligens og kognitive tjenester til blant annet optimalisering av vedlikehold, overvåking, passasjertilbud og sikkerhetsløsninger. [1]

Et mulig bruksområde for Tide Buss er å bruke maskinlæring for prediktivt vedlikehold. Første steg for å få til dette er å samle inn relevant data fra bussene. Relevante data er data som forteller noe om teknisk status på bussen og hvordan den "oppfører" seg. Tides hypotese er at ved å kombinere dataen med ulike typer hendelser (havari, komponenter som streiker, ytelse under forventet osv.), så vil virksomheten ved hjelp av maskinlæring kunne forutse problemer bedre enn i dag. Totalt har Tide mer enn 2 200 busser. Dersom virksomheten kan bruke AI til å identifisere mønster knyttet til svikt i motor og andre mekaniske komponenter som er nødvendig for å drive bussene, så vil det kunne gi gevinster gjennom å optimalisere vedlikehold og brukstiden til bussparken.

Et annet mulig bruksområde er bildegjenkjenning ved bussdepot. Når bussene til Tide ikke er i drift, så oppbevares de ved bussdepot. Ved å bruke datasyn til å automatisk identifisere skader på bussene når de kjører gjennom porten til depotet, vil de både spare arbeidstid og øke hyppigheten på rapporteringen av eventuelle skader på bussene. Med dagens praksis er man avhengig av mennesker oppdager og rapporterer skadene.

Et tredje mulig bruksområde for AI-verktøy for Tide er å bruke maskinlæring for å optimalisere drivstofføkonomien i virksomheten. Å samle inne og analysere data om sammenheng mellom kjørestil og bruk av drivstoff, kan gi innsikt i hvilket kjøremønster som er mest effektivt og redusere kostnadene knyttet til drivstoff.
Tide Buss AS har per nå ikke tatt i bruk AI-løsninger, men vært i dialog med AI-miljøer blant annet knyttet til å ta i bruk datasyn.

Fotnote 1: //www.tide.no/om-tide/presse-og-media/pressemeldinger/tide-inngaar-et-utvidet-strategisk-samarbeid-med-atea/