Digitale systemer

Digitale system og datavitenskap

Digitalisering åpner mange kunnskapsdører og gir oss nye måter å forstå og jobbe med både gamle og nye problemstillinger. Her kreves det tverrfaglig tilnærming som sikrer hele verdikjeden i dataflyten, fra innsamling og kvalitetssikring helt frem til hvordan en skal dra nytteverdien av dataene og hvordan en interagerer med disse. Under følger en oversikt over viktige tema for vår forskningsgruppe.

Dataprosessering

Effektiv dataprosessering er spesielt viktig når ressurstilgangen er begrenset. En slik problemstilling viser seg for eksempel når en samler inn store mengder data i krevende omgivelser med begrenset tilgang på prosesserings- og nettverkskapasitet. God dataprosessering er også selve grunnsteinen når en ønsker videre analyse med for eksempel maskinlæring. Innsikt starter med gode data.

Visualisering

Visualisering av data påvirker hvilke data som fanger oppmerksomheten vår og hvilke beslutninger vi gjør. God visualisering kan gjøre vanskelige problemstillinger håndterbare, påvirke oss i riktig retning og lette hverdagen vår. Visualisering er derfor en viktig bestanddel i digitaliseringsprosesser. For prosjekt der en ønsker analyse av flere typer data på tvers av kompetanseområder har vi utviklet et avansert analyseverktøy, Enlighten, som letter arbeidet. Under ser du et eksempel fra prosjektet EPOS-N, European Plate Observing System Norge, som viser verktøyet i bruk.

Brukerdrevet design

Visualisering av data kan være et godt verktøy for beslutningsstøtte. Hvis visualiseringer skal brukes som et støtteredskap i arbeidskontekster, må man ta hensyn til informasjonsbehov, bakgrunner og mål for arbeidet som utgjør den enkeltes kontekst, i tillegg til hvilke data som er tilgjengelig for visualisering. En god måte å nå frem til nyttige visualiseringer er gjennom brukerdrevet design. Et eksempel på en brukerdrevet designprosess vi har jobbet med er visualiseringer av pasientdata for klinikere i nettbasert kognitiv atferdsterapi, for å identifisere pasienter som trenger oppfølging, og prioritere arbeidsinnsatsen mellom pasientene.

Kunstig intelligens og maskinlæring

Kunstig intelligens og maskinlæring gjør det lettere å hente ut ny kunnskap der klassisk analyse kommer til kort. Maskinlæring bidrar til å finne mønster og sammenhenger i store og komplekse datasett. Forskjellige datasett og anvendelsesområder krever forskjellige typer maskinlæringsalgoritmer, og det er viktig å kjenne til begrensninger som ligger til grunn og nøyaktighet av resultater. Vi er opptatt av tverrfaglige tilnærminger og nært samarbeid med brukere for å sikre best mulig resultater og nytteverdi. Ansvarlig kunstig intelligens er spesielt viktig når en jobber med personer og persondata, og implikasjonene av valg en gjør i utviklingen av algoritmen må evalueres fra forskjellige perspektiver. Å kunne forklare hvorfor maskinlæringsalgoritmen kommer frem til resultatene gir større tillit til prosessen og kan minske brukerterskelen – såkalt forklarbar KI (XAI). Vi jobber inn mot forskjellige markeder, der prosjektporteføljen inkluderer for eksempel prosjekter inn mot transport, olje og gass, akvakultur, helse og fornybar energi.

Et eksempel på bruk av maskinlæring inn mot akvakultur er et prosjekt vi har utført for en kunde for telling av lakselus i merd. Her har vi brukt såkalte dyplæringsmodeller, der en bruker flere lag med nevrale nettverk for å lokalisere laks og detektere og telle lakselus ved hjelp av videoovervåking. God kontroll på forekomsten av lakselus er viktig for å vurdere hvilke tiltak en skal sette inn når.

Dyplæringsmodeller er også brukt i analyser av signaltidsserier, for eksempel prognoser. En vanlig brukt modell er recurrent neural network (RNN). I et av våre prosjekter har vi utviklet en koder-dekoderarkitektur basert på RNN i vindhastighetsprognoser, som viser lovende resultater for korttidsprediksjon. Dette kan for eksempel bedre lønnsomheten til vindparker hvis en kombinerer nøyaktige vindprogn