Amesto NextBridge er et faglig fokusert selskap. Deres ambisjon er å være selve referansen innen datadrevet innsikt. Selskapets prosjekter har et stort spenn – innenfor det smale fagfeltet datadrevet innsikt. Selskapet har blant annet laget AI-strategien til Posten Norge. Norges Idrettsforbund sitt datavarehus og BI-løsning, som holder styr på 700.000 medlemmer, er det Amesto Nextbridge som står bak. I tillegg har selskapet hjulpet Aker Biomarine med å forutse hvor de finner krill i Antarktis.

Case: Dataanalyseverktøy, Elkem

Hva var problemstillingen?

Elkem har store forbrenningsovner og er gode på å samle og lagre data. Da de skulle utvikle en analyseplattform og trengte flere Data Scientists, kom vi inn som en del av et team på fire personer.

Vi ble ledet av en fagekspert på feltet, og det var han som styrte hvilke problemer vi skulle løse. Det kom nye oppgaver hele tiden og vi samarbeidet om løsningene. Et eksempel kunne det være hva slags materialer som skal inn i forbrenningsovnen, komponenter, hvordan skal man sette det sammen, lage «oppskrifter». Det var mange applikasjoner til hver eneste forbrenningsovn, som leverte innsikt på ovnen til de som driftet den. 

Hvordan jobbet dere?

Det er så mange punkter i en produksjonslinje som kan optimeres med bruk av AI, maskinlæring og dype analyser. Det er ikke snakk om 1+2=3, men det er snakk om avanserte matematiske modeller – som ikke alltid er maskinlæring – men metoder som ikke hvem som helst klarer å se med en gang. De ser problemstillingen, og så er det opp til en Data Scientist å finne en måte å løse det på.

Hva gikk løsningen ut på?

Vi leverte etter hvert hundrevis av applikasjoner. Det som var veldig bra, var at teamet styrte hele plattformen, både backend, frontend, produksjonspipelinen – hele løpet. Når brukerne hadde et behov eller det var noe de lurte på, kunne vi derfor levere nye verktøy i løpet av noen dager.

Det var kontinuerlige oppdateringer og utvikling av analyseverktøyene, noe som var bra både for Elkem og oss – for vi hadde alltid noe nytt å bryne oss på.

Hva ble resultatet?

Det siste vi gjorde for Elkem, handlet om kvalitetskontroll. Virksomheten brenner kull, og kjøper kull fra mange leverandører. Da er det gjerne en person sitter og registrer hva slags kull de putter inni ovnen sin. Vi laget et raskt verktøy, basert på bildeanalyse, av hva som skulle inn i ovnen – for å se om det samsvarte med det som var registrert. Det viste seg at det ikke alltid gjorde det.

Resultatet var ikke bare en modell, men en serie analyseverktøy som kan brukes til å automatisere hele prosessen. Dette var noe Elkem hadde en idé om at kunne løses og det ble løst på en måte som var brukervennlig.

Det å levere hele produktet fra start til slutt, viser seg å ha veldig god verdi. Dette gjør Elkem veldig godt. De har gode interne rutiner på datakvaliteten og applikasjonshåndteringen, og involverer brukeren helt fra starten i utviklingsfasen, hvor de setter av et fåtall av eksperter som er med på å vurdere kvaliteten på produktet som leveres.

Det er en viktig faktor for å få disse maskinlæringsalgoritmene til å bli brukt i diverse øyemed.

Hvilken verdi ga det?

Den største verdien for kunden er utvidet perspektivet på tilgjengelighet hva gjelder dataformater og applikasjonsmulighetene for maskinlæring. Kun ved vårt siste bidrag med bildeanalyse, kunne et helt årsverk blir automatisert med høyere treffsikkerhet. Dermed kan bedriften optimalisere ressursbruken og muliggjør mer givende oppgaver for sine ansatte.

Vi har tidligere hatt fokus på strukturert data, men dette prosjektet har åpnet øynene våre for at det finnes mange dataformer som kan brukes i produksjonsøyemed – og det er ikke nødvendigvis komplisert eller feil å ta i bruk.

Dette er en virksomhet som allerede er etablerte på datahåndtering, og har samlet inn data over lang tid. Men terskelen for å ta det i bruk har vært for høy. Lærdommen er at bildedata og andre typer datakilder er like lette å få innsikt i som strukturert data – og det er ikke så komplisert.