555-555-5555

Machine learning:

Et must for fremtidens forsyningssektor

Forsyningssektoren oplever i disse år et eksplosivt stigende behov og højere krav til alle typer af forsyning. Det gælder lige fra større belastning af kloakkerne ved kraftige regnskyl til netflix’ øgede efterspørgsel på fibernettet. Samtidig er der høje krav til forsyningssikkerheden og forventning om lave omkostninger. Hvis forsyningssektoren skal følge med, er de, ifølge Rasmus Hassing, nødt til at tage hul på machine learning.

Af Mette B. D. Thygesen, artikel i GIS i Aktion forår 2017

Rasmus Hassing er direktør for Powel Danmark, der distribuerer og arbejder med Esri’s software til den danske forsyningssektor. Han oplever i disse år en voksende interesse for mulighederne ved machine learning, men samtidig en vis tilbageholdenhed overfor at gå i gang. Måske hænger det sammen med at mulighederne og teknologien stadig er relativt ukendt. Men det er nu, man skal kaste sig ud i det, hvis forsyningsbranchen på sigt skal kunne følge med. ”Forsyningsbranchen er nødt til at gå i gang med machine learning i tæt sammenhæng med GIS, hvis de for fremtiden skal kunne følge med krav om effektivisering.” siger Rasmus Hassing.

Men hvad er machine learning?

Selvom machine learning er et fremtidigt must, erkender Rasmus Hassing, at begrebet for mange er nyt og ukendt. Derfor kan det måske føles uoverskueligt, at skulle sætte sig ind i en ny måde at arbejde på. For hvad er det, og hvorfor er machine learning vigtigt, når man nu i mange år har koncentreret sig om at digitalisere og udnytte styrkerne ved GIS?

Rasmus Hassing forklarer, at ved klassisk computerprogrammering, der koder man regler, som computeren derefter sorterer og arbejder ud fra. I modsætning til dette, er det ved machine learning computeren selv, som udvikler algoritmer, efterhånden som den bliver trænet af et menneske.

Måske har man prøvet at bruge ansigtsgenkendelse, når man sorterer feriebilleder på sin computer eller på sin smartphone. Her er det netop machine learning, som er i spil. Når computeren foreslår, at ansigtet på billedet er kusine Fridas, og man klikker nej, fordi det er moster Odas, så træner man computeren til genkende Frida og Oda bedre fra hinanden ved næste sortering. I takt med at computeren bliver trænet, udvikler den avancerede algoritmer, som den arbejder ud fra.

Det smarte ved machine learning er, at jo mere man træner computeren, des flere og bedre beslutninger tager computeren selv og det kan man ikke programmere med klassisk regel-programmering. Og det er netop dette, som man kan, og ifølge Rasmus Hassing; bør, udnytte i forsyningssektoren.

Computeren skal trænes til beslutninger

I forsyningsbranchen vil machine learning for eksempel være brugbart i forbindelse med asset management, hvor assets forstås som alle de komponenter, der udgør forsyningsnettet og som jævnligt skal vedligeholdes og udskiftes.

Rasmus Hassing forklarer: ”Beslutningen om hvad der skal udskiftes hvornår, skal tages et sted på skalaen mellem ’hele tiden’ og aldrig. ’Hele tiden’ er for dyrt og unødvendigt, og ’aldrig’ vil på sigt give ødelagte og nedslidte komponenter. Så det at udregne, hvornår det er hensigtsmæssigt at udskifte komponenterne, er af stor økonomisk betydning for forsyningsselskaberne, og her kan machine learning effektivisere og forbedre beslutningerne.”

Computerens evne til at se mønstre gør, at computeren kan tage mange og kvalificerede beslutninger om henholdsvis udskiftning og ikke-udskiftning af komponenterne på baggrund af al den data, som den får at arbejde med. Der vil også være beslutninger, hvor computeren er i tvivl, og her skal et menneske så tage manuelt stilling til beslutningen. Men hver gang et menneske tager stilling, udvikler computeren algoritmerne, og bliver på den måde bedre til at tage næste beslutning.

Der hvor machine learning især kommer til at gøre en stor forskel i fremtiden, er når datamængderne bliver meget store og forskelligartede. For eksempel vil man, i forbindelse med asset management, kunne inddrage den viden, som vi har i vores GIS-data i dag; såsom alderen på komponenterne, komponenternes materiale, placeringen osv. Men derudover vil man også kunne inddrage data fra fugtigheds- og temperaturmålere, belastning af jorden og åben information i form af borgeres opdateringer på sociale medier om kloakker, der løber over og lignende.

Når datamængderne bliver så store og varierede, er machine learning et nødvendigt redskab til at finde mønstre og tage beslutninger. Hver gang computeren tager beslutninger, sparer man tid på manuelle analyser og udregninger, og hvis man også evaluerer på, hvor god beslutningen var, kan computeren tage endnu bedre beslutninger næste gang.

Forsyningsbranchen udvikler sig meget stærkt i disse år

Forandringerne i forsyningsbranchen går lige nu enormt stærkt. Inden for alle områder går udviklingen hurtigere og mere eksplosivt, end det har gjort i mange år. Rasmus Hassing fortæller, at de danske forsyningsselskaber er enormt dygtige, men samtidig er de pressede.

Forsyningssikkerhed er vigtig for os alle, og i Danmark er vi vant til et meget højt niveau af forsyningssikkerhed. Det ændrede klima stiller mere voldsomme krav ved spidsbelastninger, og den teknologiske udvikling kan pludselig ændre sig markant. Dette ses for eksempel ved Netflix og lignende services, der trækker meget store mængder data, og som over få år har ændret vores forbrug af tv og skabt stor efterspørgsel på fibernet.

De nye og højere krav betyder, at vi bliver nødt til at udnytte teknologi mere og bedre. Rasmus Hassing fortæller: ”Langt størstedelen af de danske forsyningsselskaber bruger Geografiske Informationssystemer (GIS), som en grundlæggende teknologi. Derfor er det oplagt også at udnytte mulighederne i machine learning.”

Nødvendig investering, men svært at komme i gang

Rasmus Hassing oplever stor interesse fra forsyningsselskaberne, når han fortæller om machine learning. Samtidig fornemmer han dog også, at det er svært at komme i gang med den nye måde at tænke på. Det kræver investering af tid og penge at komme i gang, og derfor er løsningen nok, at man skal begynde i det små. Som Rasmus uddyber. ”Man skal nok begynde i et hjørne. Teste mulighederne, øve sig og efterhånden udbrede det i virksomheden, når man bliver fortrolig med teknologien.”

Selve udviklingen og brug af machine learning i forbindelse med forsyning, er stadig forholdsvis nyt. Som Rasmus konstaterer: ” I Skandinavien er vi nogle af dem, som er med i front, idet at vi er med her i den spæde begyndelse. Efterhånden tager udviklingen fart, men hvis man tør kaste sig ud i det nu, kan man være med i opstartsfasen og derved få indflydelse på, hvor teknologien skal bevæge sig hen.”

Blokeringerne er især menneskelige

Rasmus Hassing har flere års erfaring i at arbejde med digitale forandringsprocesser, blandt andet fra sine år som konsulent hos Implement Consulting Group. Han fortæller: ”Den menneskelige faktor i it-projekter er ofte afgørende, og bliver tit glemt. Man bliver bekymret for at begynde forfra i nye systemer, og for hvad forandringerne ellers kan føre med sig. Derfor er det vigtigt at huske den menneskelige faktor og at begynde i det små”

Men der er meget at vinde, ved at prøve det af. Rasmus fortæller: ”Når løsningerne bliver lettere at bruge, er der samtidig nogle nye, som kommer i gang med at bruge dem. Det er ofte folkene i marken, der bliver glade for at processerne bliver enklere og nemme. Samtidig siger erfaringerne, at selvom det er effektiviseringer, så bliver medarbejderne ikke overflødige, men får derimod mere spændende opgaver.”

Hvis man er interesseret i, hvordan man kommer i gang med machine learning er man altid velkommen til at henvende sig til Powel for at blive klogere på mulighederne: ”Og så skal vi hjælpe til med at udbrede de gode historier, så man kan overføre dem til sin egen organisation. På den måde kan vi sammen blive klogere på, hvor og hvordan vi kan udnytte mulighederne i machine learning.”