I dag har de fleste hørt om tekniske begreber som fx Internet of Things, maskinlæring og droner. Men hvad er status på disse datadrevne teknologier og brugen af dem reelt set? Her får du en status af Alexandra Instituttets Senior Cyber-Physical Specialist Morten Skov.
På Alexandra Instituttet har vi arbejdet med disse teknologier i mange år og har observeret denne udvikling indefra. I kraft af, at vi er et GTS-institut, hvis formål er at udvikle og bringe den nyeste viden inden for IT-forskning i spil, har vi opnået en ekspertise, som vi forsøger at formidle vidt og bredt.
Det, at vi arbejder med de nyeste teknologier og arbejder på at gøre dem anvendelige, gør, at vi alle er teknologientusiaster. Vi er dog ikke ukritiske over for de konsekvenser, der følger, hvilket jeg vil forsøge at beskrive nedenfor med udgangspunkt i IoT.
IoT – Fra skræddersyede enheder til noget tilgængeligt og forståeligt
IoT kan defineres på mange måder, men vi har her valgt at benytte IoT Agendas definition:
"Internet of Things er et system af indbyrdes forbundne computerenheder, mekaniske og digitale maskiner, objekter, dyr eller mennesker, som er forsynet med unikke identifikatorer og evnen til at overføre data via et netværk, uden at kræve menneske-til-menneske eller menneske-til-computer interaktion."
IoT er ikke bare en sort boks, der er placeret i nærheden af en maskine for at måle en arbejdsproces. Det kan også være alle former for dyr eller mennesker, der er udstyret med en enhed, der overfører data via et netværk.
Prøv DenOffentlige 2
DenOffentlige er nyheder, debat og videndeling uden betalingsmur.
Prøv vores nyhedsbrev og bliv opdateret på Danmarks udvikling og udfordringer hver dag.
Hvis du nu kommer til at tænke på smartphonen i din lomme, er det ikke helt forkert. Vi lever og dør med de oplysninger, vi får fra denne enhed, hvilket faktisk gør os til selv til en IoT-enhed.
Man kan altid argumentere for fri vilje og andre metafysiske begreber, men faktum er, at vi alle er styret af det: når vi færdes i en ny by og kigger på et kort, benytter andre applikationer, eller bare når vi løbende bliver opdateret om begivenheder, der finder sted andre steder.
På Alexandra Instituttet forsøger vi at anskue IoT fra en anderledes vinkel, hvor vi forsøger at anvende metoden IoT Prototyping in Production til at bevæge os væk fra de black box enheder til noget, som folk kan se og forstå. Vi forsøger at gøre IoT-konceptet mere tilgængeligt og forståeligt ved at benytte hyldevare-komponenter som Raspberry Pi og Arduino kombineret med billige sensorer og open-source software.
Vi har brugt konceptet i forskellige opsætninger, der spænder fra artikel- og gasmålinger over en 5-dages periode til sporing af menneskestrømme over 5 måneder. Der er selvfølgelig afvejninger; denne fremgangsmåde er ikke så energibesparende som specialdesignet hardware, sensorerne er måske ikke så præcise, og man kan ikke forvente, at opsætningen holder i årevis, men fra en softwareudviklers perspektiv ser vi dog dette som en logisk konsekvens af en fleksibel udviklingsproces, hvor vi hurtigt og billigt kan producere resultater og itererer på disse.
Metoden er ikke altomfattende, men kan i høj grad forbedre processen med at implementere en datastyret organisation, ved at man kan holde omkostningerne nede, mens man evaluerer de foreløbige resultater.
Maskinlæring – Lad algoritmerne udføre det kedelige arbejde
Maskinlæring er et andet centralt element i arbejdet hen imod en datadrevet kultur og defineres således af Tech Emergence:
"Maskinlæring bruges til lære computere at handle som mennesker og til at forbedre deres læring over tid på selvstændig måde ved at fodre dem med data og information i form af observationer og erfaringer fra den virkelige verden."
Det centrale for maskinlæring er basalt set at beregne sandsynligheden for en begivenhed, omend ved hjælp af en avanceret formel. Dette er centralt for mange af de nye løsninger, vi ser i dag, såsom billedgenkendelse og forståelse af indhold i tekster.
Hvis du nu tænker, "Jeg var vild med Terminator-filmene, og nu er vi her", kan vi forsikre dig om, at vi ikke er der ... endnu.
Maskinlæringsalgoritmer er generelt gode til opgaver, som mennesker ikke er, enten fordi opgaverne er kedelige eller langsommelige, som når man skal lægge store talmængder sammen. Ligesom computere generelt er langt hurtigere til at regne end mennesker, er maskinlæring hurtigere til at genkende objekter i store mængder af billeder. Men der er forhindringer, når det kommer til brugen af maskinlæring.
To af de mest seriøse er adversarial attacks, hvor algoritmen bliver narret til at levere et resultat, der ikke er synligt for det menneskelige øje, og specification gaming, hvor algoritmen kortslutter processen for at opnå et bestemt mål. Find dem på nettet, det er meget interessant og til tider sjov læsning.
Vi arbejder i høj grad med maskinlæring, og da noget af det kan være ret nørdet, vil jeg fremhæve tre eksempler.
Det første er et samarbejde med FieldSense, et dansk firma, der hjælper landmænd med deres logistik, hvor vi har designet en algoritme, der kan identificere markgrænser ved hjælp af satellitbilleder. Et godt eksempel på en opgave, der kan udføres af et menneske, men som er kedeligt og der opstår let fejl, da vi mister fokus.
Ved at udnytte de offentligt tilgængelige satellitbilleder kan man træne en algoritme til at detektere markgrænser automatisk.
Det andet eksempel er et samarbejde med Sign2Me, hvor vi har arbejdet på at genkende tegnsprog for at opnå bedre kommunikation mellem brugerne af tegnsprog og dem, der ikke forstår tegnsprog.
Tegnene genkendes ved hjælp af en smartphone, som oversætter dem til tale, og herved forbedres kommunikationsmulighederne mellem disse to grupper af mennesker.
Dette er et godt eksempel på, hvordan teknologien kan anvendes på en måde, som kan have stor indflydelse på menneskers hverdag og ikke kræver en stor investering fra brugernes side.
Det tredje og sidste eksempel kommer fra vores lab, hvor vi i øjeblikket arbejder på at udvikle metoder til bedre at forstå træningen af maskinlæringsalgoritmer.
Hvis dette lyder kompliceret, så husk definitionen: maskinlæring fungerer ved at man fodrer en algoritme med data og kigger på resultaterne. Dette kan gøre det lettere at forstå, hvad der foregår og dermed undgå nogle af de ovennævnte faldgruber.
Droner – Visualisering af gasudslip, udvikling af "selvbevidsthed" og etik
Den sidste teknologi, der nævnes her, er droner. De fleste kender droner som disse hvide kasseformede ting, der flyver rundt og optager film til DRs Danmarkshistorie eller som årsag til at lukke Heathrow Lufthavn for en dag.
Men de kan bruges til andet, så lad os få en definition fra forskere ved Syddansk Universitet:
"En drone er en IoT-enhed, der bevæger sig i flere dimensioner."
Som med alle de andre teknologier, der er nævnt her, kan droner være en acellerator for både godt og ondt. Men faktum er, at de fleste droner i dag bruges til at optage video eller tage billeder, hvilket kan være irriterende og have etiske konsekvenser, men de er næppe ondsindede af natur.
Der ligger også en begrænsning i, at droner skal styres af en pilot. Det er rigtigt at man kan få dem til at flyve fra punkt A til punkt B osv., men dronerne ved ikke, at de ikke må flyve over tæt befolkede områder.
Tilsvarende de har en begrænset flyvetid på omkring 20 minutter og begrænset lastkapacitet, i hvert fald når man taler om de mest kendte quad copter droner.
Vi bruger disse flyvende maskiner som et værktøj til at udføre opgaver på et personligt plan, hvor vi som mennesker udgør en naturlig begrænsning. Fra begyndelsen har vi arbejdet og arbejder stadig på en række tilfælde, hvor droner bruges til at flytte IoT-enheder: I samarbejde med Force Technology https://forcetechnology.com/ har vi udviklet en platform til indsamling og visualisering af data om gasudslip fra lossepladser og droner der kan lande selvstændigt baseret på en forståelse af deres omgivelser.
Hvis den sidste del lyder som noget nyt, så husk at de fleste droner ikke forstår, hvor de flyver, men stoler på en pilot, der agerer korrekt, mens vores arbejde gør det muligt for dronen at forstå, hvor taget er og finde det bedste sted at lande - fx ved at finde det fladeste sted på taget.
I øjeblikket handler vores mest spændende arbejde på området om at udvikle mere selvstændighed i dronerne og derved gøre det muligt at bruge dronesværme til komplekse opgaver: inspektion af broer og tunneler og lade dronerne samarbejde på en måde således at de får forskellige opgaver, som fx at oplyse en søjle, mens en anden drone registrerer refleksionen.
Vi er også meget opmærksomme på de potentielle farer ved droner, der flyver rundt i vores byer, og arbejder derfor også på at udvikle algoritmer, der kan gøre dem i stand til at undgå mennesker, når de udfører en opgave.
Tag eksempelvis filmoptagelse på festivaler, hvor operatøren ønsker at få de bedste billeder men samtidig skal undgå at flyve hen over store folkemængder, der står foran en scene.
Læs artikel på SamfundsDesign: Erstatningsansvar: Er vi klar til robotterne?
Vi ændrer os i takt med teknologien
De ovennævnte teknologier danner grundstenen for version 4.0 inden for både industri og byggeri. Dette versionsnummer afspejler et stigende ønske om at kunne omdanne sig til en datadrevet organisation, der er anvender IoT og maskinlæring til at få nyt indblik i, hvordan en proces forløber bedst.
Teknologierne er blevet brugt bredt, og implementering af dem kræver ikke store investeringer og kulturelle forandringer i en organisation. De kan endvidere implementeres gradvist med henblik på skubbe kulturen i den ønskede retning. Tilsvarende har de samme teknologier ændret, hvordan vi ser os selv og samspillet med vores omgivelser.
Dette har ført til en ny forståelse af, at det er afgørende at skabe måder for mennesker til at interagere med teknologi på en meningsfuld måde, hvilket giver anledning til begreber som internettet for interaktive ting.
Konceptet fokuserer på at udnytte teknologien til at give værdi til de mennesker, som (u)frivilligt interagerer med disse teknologier. Et eksempel kunne være en realtids oversigt over forurening i lokalområdet, som kan give borgerne et bedre beslutningsgrundlag for, hvor de skal vælge deres løbetur.
Hvis du ønsker at høre mere om disse begreber og trends, er du velkommen til at kontakte mig på [email protected].
Jeg vil også gerne anbefale innovationsnetværket, InfinIT, som et godt sted at komme i kontakt med forskere og andre virksomheder med lignende spørgsmål.
Artiklen er skrevet af Senior Cyber-Physical Specialist Morten Skov og bragt i samarbejde med Alexandra Instituttet.
Tilmeld dig Samfundsdesigns nyhedsbrev med nyt om offentlig digitalisering.
Læs mere på EG: Region Nordjylland sparer tid og får mere ud af AKUT-fonden
Læs artikel på SamfundsDesign: Mennesker – ikke maskiner – skal træffe afgørelserne
Læs mere på EG: Se vores tema om automatisering med softwarerobotter
