Sannsyn, som er en del av Antire, har jobbet med maskinlæring og kunstig intelligens (KI/AI) siden 2013. Gjennom årene har vi gjort flere hundre prosjekter i de fleste bransjer og hos noen av Norges mest kjente private og offentlige virksomheter.

Felles for de fleste prosjektene er at de involverer få folk, og tar kort tid. Vanligvis går det 1–2 måneder fra start til implementering og produksjon. Prosjektene strekker seg aldri lenger enn et halvt år. KI-løsningene løser konkrete oppgaver, som gir stor verdi og betaler seg raskt tilbake.

Maskinlæring og KI har fulgt Moores lov når det gjelder utvikling, med en fordobling i kapasitet cirka hver 18. måned. De seneste par årene har utviklingen imidlertid skutt fart, med en fordobling i kapasitet hver 3–4 måned. Det betyr at KI-løsningene vi leverer gjør mer og har større verdi for kundene.

Prosjektene kan tilgjengeliggjøres på flere måter, for eksempel som selvstendige apper, dashboards og løsninger som er integrert i kundenes ERP-systemer. Verdien er avhengig av bruk. Derfor er det viktig at de har godt grensesnitt og er enkelt tilgjengelig for alle som skal bruke dem. Om kundene ønsker kan de selv legge til egne faktorer i etterkant.

Under presenterer vi fire konkrete KI-prosjekter som vi har utviklet den seneste tiden.

1. KI hjelper av Norges største kraftprodusenter med å balansere strømmarkedet og spare store beløp
2. Presis og rimelig blokkering av svindel-SMS-er hos ledende mobiloperatør
3. KI gir halvering av strømforbruk i mobile basestasjoner
4. Finner optimal plassering for hydrogenfabrikker og vindmøller i løpet av minutter i stedet for dager

Kunde: en av de største kraftaktørene i Norge

Utfordring: I Norge handles strøm på to måter. Den finansielle handelen om fremtidig strømleveranse (fremtidskontrakter/derivater) foregår på Euronext, mens Nord Pool har balansemarkedet. Poenget med balansemarkedet er å sikre at det er balanse mellom kraftproduksjon og strømforbruk. 

I det norske kraftsystemet, som er en del av det nordiske og europeiske kraftmarkedet, må produksjon og forbruk av strøm til enhver tid være i balanse. Elektrisitet kan ikke lagres i stor skala, så ubalanse mellom produksjon og forbruk må håndteres umiddelbart. Kraftsystemet overvåkes kontinuerlig og sørger for at det finnes reserver tilgjengelig for å justere ubalanser i sanntid.

Dette balansemarkedet består av ulike typer reserver som aktiveres over ulike tidsskalaer som kan aktiveres automatisk eller manuelt, avhengig av hvor raskt ubalansen må håndteres. Aktørene i markedet, typisk kraftprodusenter og store forbrukere som kan ha fleksibelt forbruk, tilbyr kapasitet i disse markedene, og blir kompensert for å stille denne tilgjengelig. For selskaper som driver med kraftproduksjon, trading eller forvaltning av industriell last, er balansemarkedet både en mulighet og en risiko – der presise prognoser og automatiserte beslutningssystemer kan gi store fordeler.

Når det oppstår ubalanser i systemet – for eksempel ved at forbruket plutselig overstiger produksjonen – kan tradere tilby oppregulering, altså økt produksjon eller redusert forbruk, for å bidra til balanse. Tilsvarende, dersom det er for mye kraft i systemet, kan de tilby nedregulering ved å redusere produksjonen eller øke forbruket. Riktig timing og presis forståelse av markedsmekanismene er avgjørende for å sikre lønnsomhet og stabilitet i kraftsystemet.

Løsning: Vi utviklet en avansert beslutningsstøtteplattform for balansemarkedet som kombinerer maskinlæring med fysiske flytmodeller – det vi kaller en digital tvilling av kraftsystemet. Modellen er utviklet i tett samarbeid med traderne, og skal være et nyttig verktøy for traderne – ikke en erstatning for dem. Ved å unngå overtrening og sikre forståelige prediksjoner har vi skapt en løsning der mennesker og maskiner jobber sammen.

Modellen er satt sammen av en rekke maskinlæringsmodeller som sammen simulerer kraftsystemet det nordiske markedet er en del av. Modellene bygges for å være en veldig god samarbeidspartner til traderne som sitter og følger dette markedet. 

Resultat: Plattformen er under kontinuerlig utvikling og gir traderene et viktig verktøy i deres verktøykasse. Første versjon av modellen er konstruert for å gi traderne nyttig informasjon, og bedre innsikt enn konkurrentene sitter med. Det ligger i planene at plattformen skal kunne ta selvstendige tradingbeslutninger når det ikke er tradere på jobb. Dette fordrer ikke bare et veldig fokus på å levere svært gode prediksjoner, men også et veldig fokus på risikostyring og håndtering. 

Ved å være riktig posisjonert i dette markedet kan kunden, en av de største kraftaktørene i Norge, tjene mye penger, eller, vel så viktig, unngå å tape store penger på å ikke kunne levere innmeldt kraft.

Kunde: Stort telekomselskap

Utfordring: Daglig sendes det over 45 millioner SMS-er i Norge. Mange er sendt fra datamaskiner – og store mengder av disse er forsøk på svindel. Så godt som alle har opplevd å få svindel-SMS. I en fersk undersøkelse svarte over 70% at de var forsøkt svindlet. Samtidig er det nulltoleranse for at legitime meldinger stoppes. Dette skaper et krevende behov for presis filtrering for å skille mellom svindel og SMS-er som skal frem, spesielt siden utplukkingen av svindel-SMS-er må skje med så liten forsinkelse som mulig.

Løsning: Vi utviklet en maskinlæringsløsning som i sanntid analyserer og filtrerer SMS-trafikk, basert på mer enn 100 millioner logglinjer daglig. Modellen identifiserer mistenkelige meldinger med høy presisjon og tilpasser seg kontinuerlig nye svindelmønstre. Samtidig sørger modellen for at minimalt med legitime SMS-er stoppes.

Resultat: Vår løsning ble innført og leverte svært gode resultater hos kunden. Telekomselskapet bestemte seg likevel for å skifte ut løsningen med kommersiell hyllevare for å øke IT-standardiseringen i selskapet, selv om løsningen kostet mer enn seks ganger Antires løsning. 

Endringen ga imidlertid såpass mye dårligere resultater, sammen med den høye prisen at Antires KI-løsning ble implementert på nytt. Dette gir betydelig færre svindel-SMS-er hos telekomselskapets kunder samt lavere feilrate. Resultatet er langt større kundetilfredshet. Systemet beskytter mobilbrukerne mot svindel, uten å stanse ekte meldinger.

Vil du vite mer om hvordan du kan utnytte kunstig intelligens og maskinlæring for å skape verdier i din virksomhet? 

Kunde: Telekomoperatør

Utfordring: Basestasjoner for mobilkommunikasjon står for en betydelig del av strømforbruket i telekom. I Norge finnes det rundt 25.000 slike master, og globalt over 13 millioner. Hver stasjon bruker mellom 2.000 og 6.000 kWh i året. Mer effektiv bruk av basestasjonene sparer strøm, penger og miljø. Totalt bruker telekombransjen 2–3 prosent av det globale strømforbruket.

Løsning: Vi utviklet en maskinlæringsbasert prototype som analyserer strømforbruket til basestasjoner og identifiserer besparelsespotensial. Prosjektet handler om å tilpasse strømforbruket til faktisk mobilbruk. Løsningen tar hensyn til faktorer som trafikkmengde, vær, lokasjon, forbruksmønster, og en rekke andre faktorer som spiller inn på om basestasjonen brukes mest mulig effektivt. For eksempel har basestasjoner på vintersportsteder store variasjoner i mobiltrafikk gjennom året. Ved å analysere og predikere behov kan man redusere energibruken uten å gå på bekostning av dekning eller kapasitet.

Resultat: Løsningen har vist at det er mulig nesten halvere strømforbruket i basestasjonene. Det gjør det å optimalisere driften både økonomisk og miljømessig, uten at det går på bekostning av kundeopplevelse eller sikkerhet.

Kunde: Et av Norges største energiselskaper

Utfordring: Hydrogenproduksjon vil være en viktig komponent i fremtidens energimiks fordi hydrogen effektivt lagrer energi og kan produseres med overskuddskraft. Hydrogenproduksjon er mest effektiv når den skjer nær både kraftkilder og forbrukere. Samtidig er det mange hensyn å ta når man skal etablere en hydrogenfabrikk: strømpris, areal, regelverk, logistikk, utslippsmuligheter og lokale interesser. Å finne de beste lokasjonene krever analyser av enorme datamengder. Normalt gjøres denne jobben manuelt. De som gjør jobben sitter timesvis å scroller rundt på karttjenester, bruker hundrevis av timer på å bla seg rundt i diverse dokumentasjon, og er i svært mange møter hvert år med både grunneiere og kommuner. De aller fleste til ingen nytte. 

Løsning: Vi bygget et verktøy som analyserer mer enn 100 faktorer for å identifisere optimale lokasjoner for hydrogenproduksjon – helt ned til områder på 10 x 10 meter. Brukerne kan vekte faktorer, legge inn krav og gjøre justeringer i sanntid i dialog med interessenter. Verktøyet rangerer raskt områder etter egnethet, både i form av nærhet til potensielle kunder, innsatsfaktorer og økonomi. 

Verktøyet kan også brukes i møter med interessenter, uavhengig om det er kommuner eller grunneiere, og man kan raskt identifisere gode områder man kan fokusere på. 

Resultat: Effektiviteten i arbeidet med lokasjonsvurdering har økt med nesten 90 %. Det som før tok dager med manuell klikking i kartverktøy, gjøres nå på minutter. Vår kunde, som er et av de største kraftselskapene i Norge, har også en avdeling som ser på vindkraftproduksjon. Når denne avdelingen så verktøyet hydrogen-gjengen hadde fått, ville de ha en tilsvarende løsning. Dermed bygget vi også en modell som kan beregne forventet årsproduksjon av strøm for vindmøller på forskjellige størrelser, samt forventede kostnader ved utbygging. Kanskje enda viktigere, får man fort identifisert områder som ikke er egnet, og kan dermed fokusere all innsats på de beste områdene for vindkraftproduksjon.

Vil du vite mer om hvordan du kan utnytte kunstig intelligens og maskinlæring for å skape verdier i din virksomhet?