Utviklingstakten skyldes av en kombinasjon av framgang innenfor maskinlæringsmetoder som Deep Learning, GPU-akselerert databehandling og fremskritt på hardware, i tillegg til økende fokus på forskning og utvikling innenfor maskinlæring hos de store teknologisentrene, universiteter og giganter som Google, Facebook, Microsoft, Baidu og tilsvarende.
Vi ser også en ekstraordinær åpenhet i miljøer tilknyttet kunstig intelligens (AI), både fra næringslivet og akademia, som bidrar til den voldsomme utviklingen. Dette blir demonstrert både av hyppigheten av publiserte resultater, og adopsjonen av åpne kildekodeinitiativer.
Derfor er det heller ingen overraskelse at verktøy og rammeverk for åpen kildekode anses som standarden i AI-miljøet og er den mest tilgjengelige teknologien på dette feltet. Blant aktørene som behersker dette spesielt godt er Microsoft en bransjeleder, noe de viser ved å toppe listen over organisasjoner med flest bidrag av åpne kildekoder til GitHub.
En annen indikator på akselerasjonen av maskinlæring og AI generelt er landskapet for risikokapital som er i stadig utvikling. Det er liten tvil om at risikokapitalfond investerer mye penger i oppstartsbedrifter innen maskinlæring og kunstig intelligens. Ifølge CB Insight ble det i 2012 investert 589 mill. USD i AI start-ups, et tall som steg til over 5 mrd. USD i 2016. Her er det imidlertid viktig å skille mellom horisontale AI start-ups som leverer generiske verktøy på tvers av industrier, og vertikale AI-start-ups som løser spesifikke industrielle problemstillinger. Dette påpeker også Bradford Cross, grunnlegger og partner i verdens ledende maskinlæring- og Big Data-risikokapitalfond, DCVC. Vi deler hans oppfatning om at selskaper som ikke kombinerer AI med domenekunnskap innenfor en industri vil møte så sterk konkurranse fra generelle AI-leverandører at de enten vil bli kjøpt opp eller lagt ned.
Vertikale AI start-ups derimot, løser full-stack utfordringer og konkrete problemer i industrien som krever domenekompetanse. De har også tilgang til unik proprietære data, og et produkt som utnytter maskinlæring og kunstig intelligens for å levere faktisk verdi til kunden. Slike selskaper er i en unik posisjon til å kunne identifisere reelle kundebehov som kan møtes med AI, eller nye behov som ikke kan løses uten AI.
Mange energiselskaper har i dag flere av de samme utfordringene, blant annet økende behov for intelligent forvaltning av nettet og styring av laster og distribuerte energiressurser. Dette er utfordringer som kan løses med kunstig intelligens, for eksempel gjennom avanserte lastprediksjoner på ulike aggregeringsnivåer, prediksjoner for distribuert generering og lagring, og droneinspeksjoner av kraftlinjer og infrastruktur. Alt dette er gjort mulig med deep learning, en undergren av kunstig intelligens. Disse løsningene utgjør kjernen i eSmart Systems fullstack løsninger, Connected Grid og Connected Drone, som støtter energiselskapene i deres daglige operasjoner og leverer verdi til kunden.
Hvis vi bruker Connected Grid som eksempel, så er den konkrete feedbacken fra to norske nettselskap at de på ett år kan spare til sammen rundt 12 millioner kroner på at de raskere oppdager og får rettet opp feil i nettet. De kan også spare nesten 40 millioner på smartere investeringer og bedre utnyttelse av eksisterende infrastruktur. Et konservativt estimat på nærmere 50 millioner på de to selskapene utgjør en innsparing over hele landet på potensielt flere hundre millioner hvert år. Dette med eksisterende infrastruktur og teknologi i Norge alene.
Et annet eksempel er Jacksonville Electricity Authority (JEA) og måten de benyttet avansert droneteknologi og maskinlæring for å få tilbake strømmen i etterkant av at orkanen Irma traff Florida i 2017.
Disse eksemplene forteller oss at maskinlæring og AI-teknologi vil fortsette å akselerere, og i eSmart Systems er vi overbevist om at start-ups med full stack vertikal tilnærming vil styrke sine markedsandeler og strategiske posisjoner.
Last ned gratis e-bok:
Nettdrift Anno 2020:
Digital disrupsjon i energisektoren;