– Enten det er kollisjon, grunnstøting, brann, strømbrudd eller annet, skjer det en hendelse på et skip, så må situasjonen granskes. Det er en svært omfattende jobb, og ekstremt kostbart for selskapet som må frigjøre eller hente inn ressurser for å granske hendelsen, forteller Aras Koplanto.
Han er manager of Data and AI i Advania og har bygget AI-løsninger innenfor en rekke bransjer. Enten de trenger AI-agenter, maskinlæring eller regelbaserte modeller, han er opptatt av AI må løse et behov i virksomheten for å få en reell verdi.
Da gjelder det å begynne i riktig ende.
Les også: Slik velger du riktig AI-verktøy
– Løsningen lærte fra hver case, så den ble bedre jo mer den ble brukt. Deretter ble dette sjekket av menneskene som ellers ville gjort denne jobben manuelt. Vi er ikke der at vi kan stole på modeller for å ta beslutninger, vi trenger fortsatt en human-in-the-loop når vi bruker kunstig intelligens, forklarer Aras.
– Et vellykket AI-prosjekt vil alltid begynne med å identifisere hvor behovet i virksomheten er størst, og hvor AI kan gi mest mulig verdi. For dette skipsselskapet så vi en konkret verdi i å redusere kapasitet og ressurser brukt på innhenting av data og gransking av hendelser på skipene deres, sier han.
Ved en skipshendelse er det enorme datamengder som må gjennomgås for å avklare hva som har skjedd. Flere tusen radarbilder, lydopptak fra dekk, og videoer fra kameraer ombord må granskes og settes i sammenheng. Vanligvis krever denne jobben at opptil 15 personer jobber med dette i flere dager, å automatisere arbeidet ville dermed føre til store besparelser.
– Ledergruppen i selskapet var ikke overbevist om at dette var noe som kunne gjøres ved hjelp av kunstig intelligens, men de endret mening da de så hvordan løsningen kunne fungere i praksis, forteller han.
Les mer: AI er ikke teknologi, men løsningerAras og teamet utviklet en løsning som kunne analysere radarbilder av skipet og områdene rundt i en sekvens. Ved hjelp av kunstig intelligens kunne de regne ut fart, retning og posisjon i forhold til omliggende skip, land og andre objekter. Kombinert med andre data og innsikt fra skipet selv kan løsningen gi selskapet en godt begrunnet teori om hva som skjedde.
– Løsningen lærte fra hver case, så den ble bedre jo mer den ble brukt. Deretter ble dette sjekket av menneskene som ellers ville gjort denne jobben manuelt. Vi er ikke der at vi kan stole på modeller for å ta beslutninger, vi trenger fortsatt en human-in-the-loop når vi bruker kunstig intelligens.
Løsningen er multimodal, altså den er bygget opp som en kombinasjon av generativ AI, computer vision og klassiske maskinlæringsmodeller som er integrert for å arbeide sammen. Denne arkitekturen gjør det mulig å kombinere styrken i flere typer AI, der generativ AI håndterer språk eller innholdsgenerering, computer vision analyserer visuelle data, og tradisjonelle maskinlæringsmodeller sørger for presise prediksjoner og beslutningsstøtte.
– Jeg elsker å løse kompliserte problemer med AI, spesielt de gangene vi klarer å takle flere utfordringer med én løsning, avslutter han.
Har du en utfordring du ønsker å avklare om AI kan løse? Er du klar for en uforpliktende prat med Aras eller en annen av folka bak AI i Advania?
Ta kontakt med oss i dag! Vi vil gjerne utforske hvordan akkurat du kan få verdi fra AI.