<img height="1" width="1" style="display:none;" alt="" src="https://px.ads.linkedin.com/collect/?pid=2085737&amp;fmt=gif">
Tema: AI

#1033: Arti-FISH-al intelligens

Gjest: Morten Goodwin

Professor of Universitetet i Agder og OsloMet


Med Vert Silvija Seres

I denne episoden av #LØRN snakker Silvija med professor ved Universitetet i Agder og OsloMet, Morten Goodwin. I samtalen snakker Silvija og Morten om hvordan AI anvendes på fisk og på hvilken måte AI gir biologene mer kunnskap om fisken og hvordan den utvikler seg. Morten forklarer at AI også brukes som et hjelpemiddel for å minske svinnet av fisk, og dette er jo også en sentralt og viktig tema både nå, og i tiden fremover.  

Full transcript

Med Morten Goodwin og Silvija Seres

Velkommen til Lørn.Tech - en læringsdugnad om teknologi og samfunn med Silvija Seres og venner.

SS: Hei og velkommen til en Lørn samtale. Jeg er Silvija Seres og gjesten min i dag er Morten Goodwin som er professor ved Universitetet i Agder og OsloMet. Velkommen Morten.

MG: Tusen takk.

SS: Veldig hyggelig å ha deg her med oss i denne anvendt AI-serien. Jeg skal bare si kort hva serien er, og så setter vi i gang. Dette er altså en serie på rundt 10-15 samtaler som vi i Lørn gjør for å friske opp innholdskatalogen vår på temaet AI. Og det vi har mye om er gründersamtaler og forskningssamtaler, men det som jeg personlig savner i diskusjoner om AI nasjonalt og internasjonalt er litt flere gode eksempler på anvendelser av AI. For jeg tenker at det er der den mest spennende utviklingen skjer nå. Også har Norge noen helt unike måter å anvende AI på og jeg tror ikke vi har snakket nok om dem. Og du er altså en av de beste til å hjelpe oss og få litt oversikt over både det vi allerede har gjort, men veldig mye av dette er i støpe skjeen og begynner å se ekstremt lovende ut på noen av de områdene Norge har historiske og kulturelle preferanser og styrker fra før av. Og det er dette vi skal fokusere denne samtalen om.

MG: Det er det absolutt og kanskje vi skal til og med lukte litt på muligheten til å bruke kunstig intelligens i havet for fisk som er da dette anvendelses området. Jeg jobber mye med kunstig intelligens i mange felt. Jeg liker jo den grunnforskningen, da. Men jeg er helt enig med deg at det er når den anvendelsen kommer på plass at vi kan se synergien mellom et anvendt område og den grunnforskningen - i dette tilfelle kunstig intelligens og fisk. Så ligger det mye potensiale. Helt enig med deg.

SS: Vi går til fisk og vi går kanskje også litt til industri og public services eller helse. Jeg tenker at det å gi folk verktøy til å bygge ut fantasien sin på hva vi kan og bør tenke når vi tenker AI. For jeg tror veldig mange er litt skremt av det. De tenker at dette er vanskelig og du må ha en doktorgrad og det er noen nevrale nett og i det hele tatt. Jeg tror at hovedproblemet går tilbake til at «okey, hvilke data kan vi skaffe og hvilke mønstre er nyttig for oss når vi ser på de dataene?» Det er litt der jeg vil spørre deg. Hvis vi starter med premisset om at data er den nye oljen - hva tenker du er Norges motor?

MG: Ja, kanskje svaret er kunnskap på dette. Det handler jo selvfølgelig både om kunnskap om den teknologien, men også kunnskap om den dataen man samler inn. Enten det er helse eller fisk eller hva det skal være. For i motsetning til olje så er det en forståelse av hva man faktisk ha samlet inn og som man trenger. For eksempel medisinsk kompetanse fra lege og fra helsedata. Man trenger biologisk kompetanse for fiskedata eller man trenger kompetanse på kjøremønster for selvkjørende biler data. Så sånn sett er det litt annerledes enn oljen, da. For olje kan man tenke seg er en felles gode som Norge kan bruke. Men her er det domenekunnskap som også sitte der. Så hvis data er den nye oljen, så vil jeg si den kunnskapen vi har om både teknologien, algoritmene, kunstig intelligens, men også om dataene er motoren vi trenger å kjøre på.

SS: Det er utrolig fin formulering. Det jeg tenker er det du sier at en ting er at vi trenger god digital infrastruktur. Det er Norge en av de beste landene i verden på. Vi har nettverk, vi har data, vi har gadget, vi har vilje til å bruke dem i offentlig og privat. Men det andre du sier er at vi har domenekunnskap. Vi har industriell erfaring eller ekstremt god ledelses og operativ erfaring i effektive helsesystemer. Og det er det å kombinere den erfaringen med bruken av data som du sier er motoren.

MG: Det er hvert fall det jeg ser i min hverdag. Jeg som kunstig intelligens forsker kan neppe sitte alene og utvikle noe. For da kommer jeg til å gjøre feil. Jeg kommer til å bomme på noe banalt som jeg ikke har forstått om helsedataene eller hva det skal være. Men det er i dialogen med de som har domenekunnskapen, at de forstår. At jeg forstår hva de egentlig ønsker å gjøre og på samme måte at de forstår hva kunstig intelligens kan brukes til og absolutt ikke kan brukes til. Hvert fall ikke enn så lenge. I denne synergien mellom disse to tror jeg veldig mye av innovasjonen ligger. Og da er det viktig som du sier - ikke nødvendigvis at man trenger en doktorgrad eller noe sånt. Noen ganger trenger man det. Man trenger mye forskning. Men noen ganger det nærmest tydelig vare løsning man kan kjøpe med datatrening også videre. Så det ligger veldig mye potensiale der fra enkelt bruk av kunstig intelligens som man nesten bare kan installere til innovasjonsprosjekter hvor man trenger å bygge sammen med de med domenekunnskap helt til store forskningsprosjekter som man også kan ha. Jeg tror Norge er sterke på alle disse delene. Og det er jo der vi har mulighetene. Spesielt med tanke på at vi har så mye digital data. I offentlig sektor hvor det skal være. Og det er veldig kvalitetssikret i mange tilfeller. Den typisk som de aller fleste lyttere har hørt om regner jeg med - shit in, shit out gjelder fremdeles. Men når dataene er kvalitetssikret så kan man være sikker på at det hvert fall ikke kommer så mye shit inn. Så må man bare passe på at algoritmene ikke dytter shitet ut heller.

SS: To ting jeg vil henge meg opp i og jeg prøver å oversette det vi snakker om litt til bilder. Vi kommer til å bruke fisk og bilder rundt det en del, men det første jeg hørte deg si nå Morten er at vi kan ikke forvente at AI skal drive og fortelle oss hva problemene er som skal løses. AI er et veldig godt verktøy i en problemløsnings-kasse, men det er vi som må definere hvilke problemer vi ønsker at denne digitale teknologien skal løse for oss og der må man forstå om det er fiskeproduksjon og merrene, og hvor ligger trøbbelet der. Eller sikkerhet i tuneller så må man forstå hvor trollene vanligvis ligger. Eller i offentlig velferds- og helsesystemer. Hvor trykker skoen egentlig. Vi i Lørn gjorde nylig en serie med sykepleiere om korona og hva har man lært av korona. Jeg lærte fire ting fra disse sykepleierne. For det første er de teknologioptimister, men det er veldig få steder å gå å lære om den nye teknologien. Det andre er at de ville ikke bli forsket på, de vil forske selv. Og det er egentlig den jeg skal dra tilbake til nå, og så må kommuner lære mer fra hverandre. Der er det en veldig spennende rolleglidning. Jeg har veldig lyst til at vi skal lage en serie du og jeg sammen med sykepleiere og spørre dem hvilke problemer de ønsker at AI skal løse for dem i helsetjenestene. For det de sier til meg er at det hjelper ikke at noen lager enda en portal for oss som egentlig bare tar tid når du må logge deg inn fem steder. Det vi trenger er å fortelle dem hvor det er vi opplever at flaskehalsene ligger også får dere teknologer fikse det for oss. Og det er litt dette du sier om AI anvendt i alle fag.

MG: Ja, jeg tror bruken i løkken, da. Hvis det er medisiner, om det er sykepleiere, leger eller hvem det skal være. Jeg tror det er helt sentralt. For hvis vi teknologer sitter alene og lager noe så kan vi ha det morsomt vi altså. Men det er jo å involvere brukeren og spesielt når det er i en sånn ny - hvert fall for de alle fleste. Ny teknologi som man kanskje ikke helt har oversikt over hva den kan brukes til og ikke brukes til. Da handler det om å få definert problemene godt ikke sant. Til og med på en sånn presis matematisk måte som kunstig intelligens trenger. Og da må man ha forståelse av hva sykepleierne trenger av effektivisering for eksempel. Og hvor mye jeg sitter å drodler alene som teknolog kommer jo selvfølgelig ikke like langt som hvis jeg snakker med noen som faktisk har kompetanse på akkurat det. Vi ser mange eksempler på dette. Hvert fall i den publiserte delen av forskning på kunstig intelligens. Man løser et problem også tenker vi dette problemet, hvorfor løser vi det? Dette er jo det ingen som bryr seg om egentlig. Så kan det kanskje bli en publikasjon, men at det revolusjonerer sykepleier verden tror jeg neppe. Dialog og innovering er helt sentral i all teknologi utvikling vil jeg påstå. Men kanskje spesielt i denne innovative revolusjonerende kunstig intelligens teknologien.

SS: Jeg synes det er utrolig spennende og det jeg opplever når du snakker med folk. Vi hadde en annen serie med hjelpepleiere om velferdsteknologi og akkurat de samme poengene dukker opp der. Dette er modige ambisiøse fremoverlente folk. Og de mener så mye mer om hva teknologien skal gjøre for dem enn det jeg tror vi gir dem kreditt for. Og det er der de løsningene blir kjempegode. Så har vi nå også hatt en serie med NCE Seafood Innovation rundt AquaCloud løsningen. Nå nærmer vi oss fisk og AI fordi de skal løse et effektiviseringsproblem i fiskeproduksjon, men også et bærekraftsproblem. Hvordan sørger du for at du både optimaliserer produksjon og kvalitet og alt det der og samtidig beskytter fiskens velferd på alle mulige måter. Fra lus til ikke stresset fisk. Og det var så fascinerende på hvor mye man kan lære om fisk gjennom disse nye observasjonsmetoder. Så dette er også nye datainnsamlingsmetoder. Fortell litt om hvorfor er dette plutselig mulig.

MG: Det er jo teknologien som utgjør mye av dette. Hvis man går på det med bildegjenkjenning som er sentralt i mye av dette så er det jo teknologi som har kommet de siste ti årene. Det har eksistert lenge, men det har begynt å virkelig fungere nå i det siste. Da kan man for eksempel kjenne igjen fisk, kjenne igjen leppefisk for eksempel. Så biologene har tenkt at her kjenner fiskene hverandre igjen. De ser at det er ulike typer og at de kjenner igjen individer også har man tenkt at kan man bruke kunstig intelligens til dette? Og svaret er jo selvfølgelig det kan man. På samme måte som vi kan kjenne igjen ansikter på en mobiltelefon så kan man kjenne igjen ansikter på fisk. Grunnen til at det fungerer er jo algoritmen som er utviklet i det siste, men også at data kvaliteten har blitt bedre. Datakraften har blitt sterkere. Det som var tenkt på som bare ideer for et par år siden er nå mulig nærmest bare ved å laste ned noe. Er verktøy. Implementere litt. Ha kunnskap om hva man faktisk ønsker å se etter hos en torsk eller en sei eller en leppefisk. Eller forskjellen på en villaks og en ikke-villaks. Og dytte det inn i et nevralt nettverk. Kunstig intelligens. Men man trenger ikke å nødvendigvis grave seg ned i matematikken bak det. Bare skjønne hvordan man trener det opp også kan man deploye det, teste det og verifisere det selvfølgelig. Det er det som gjør det mulig. Testingen kan jo skje selvfølgelig hos informatikerne og teste videre. Men også en verifisering ute sammen med de med domenekunnskap er jo helt sentralt der også. På samme måte som med sykepleierne. Det er ikke nødvendig å lage noe sykepleierløsning som de kanskje ikke trenger. Kanskje ikke vi trenger å lage en marinbiologløsning som ikke en marin biolog faktisk får lyst til å se på.

SS: Det er veldig fasinerende. Jeg husker jeg var i Trondheim for kanskje 2-3 år siden nå og da var det et av disse start-upene som jobbet med noe AI på laks som fikk prisen. Og da lo jeg bare og tenkte «Just in Norway», ikke sant. Men når du skjønner økonomiske konsekvenser av disse effektiviseringene. Det kan være eksempler som at vi senker ned et 360-graders kamera som kan fortelle noe om fiskebevegelse, det kan fortelle noe om lus på fisken. Det kan fortelle noe om størrelsen på fisken, gjennomsnitt også videre. Og den kan gå ned til individuell visning også. Også kan vi kombinere det med kjemiske sensorer som vi kan senke ned i havet som sjekker vann kvaliteten på alt fra enzymer, patogener, alger, til om det er for mye mat, for lite mat. Og det å kombinere disse tingene gjør at vi plutselig kan ha bedre innsikt i hvordan fiskene har det enn om det er en veldig erfaren - hva heter en sånn fiskegjeter? Som går, ser, besøker og overvåker dette. Så det er den kombinasjonen av erfaringen som denne fiskegjeteren har og input fra alle disse dataene som blir gullet her.

MG: Gullet eller oljen eller hva du kaller det. I tillegg til bilder som du sier, så er det jo supplerende data som PH-verdi av vannet og bakterieinnhold. Enten på levende fisk eller på dø fisk som vi også gjør. Så kan man da bruke den informasjonen til å forutsi hvordan fiskene egentlig har det. Både om de har det bra eller dårlig, men om de utvikler seg normalt. Er populasjonen riktig. Sånn som man har gjort det litt tradisjonelt er at man gjerne fisker 100 fisk og operer inn en liten chip, eller tatoverer en bitteliten tatovering på fisken. Selvfølgelig er det jo intrusivt. Man dytter de ned igjen, og så fisker man igjen om et år, og så kan man bruke statistikk til å se hvor mye prosentvis de igjen får av de samme fiskene. Nå kan vi da bruke kunstig intelligens til det samme. Kjenne igjen fisk. Her er fisken Per, og så kommer fisken Per igjen neste år, men han er blitt litt større. Så kan man bruke den samme type teknikken uten at fisken merker det, for nå er det bare et kamera som er i en undervannsdrone eller noe sånt som ligger der. Det gir biologene enormt mye mer kunnskap på området uten at man trenger å bruke så mye krefter på det og uten at fisken nært sagt merker det utover at det plutselig er et lite kamera. Hvert fall så er det bedre enn å tatovere de og operer inn. Og dette er jo et enormt marked. Norge er jo en del av det selvfølgelig og det er kjempemye svinn også. Fisk som forsvinner ut av oppdrettsanlegg. Villaks som parer seg med oppdrettslaks som får konsekvenser. Noen ganger er det lett å se forskjell på disse to. Finne for mye eller finne for lite. Men ofte er det litt mer komplisert i de avanserte familiestrukturer som fanges. Så kan vi fange i disse feltene oppover i elvene og gjøre en automatisk analyse og si at dette er helt klart en villaks og den får lov til å være der. «Dette er en oppdrettslaks, den burde ikke vært der». Eller dette er kanskje et barn av de to for den har litt informasjon fra begge to. Og sammen med den ekstra informasjonen der så gir dette veldig mye informasjon. Ikke nødvendigvis til meg som teknolog, men til de biologene.

SS: Jeg lært så mye spennende fra disse AquaCloud folkene. Utrolig mye spennende i type seafood som deltok her. De to bildene som sitter best i hodet mitt etter dette er den ene med disse fiskemerdene som er enorme. Jeg visste det var store, men alt er stort der ute på havet. Men at det bildet av at du kan dyppe en av disse store største Boeingene ned i en sånn fiskemerd og det er fortsatt litt plass igjen forbi vingene og forbi halen. Det var et bilde for meg. Og det andre er at en av de beste marinbiologene her i serien - jeg spurte om det er virkelig kvalitetsforskjell på villaks og oppdrettslaks. Også sier han at det virker som ifølge ham i hvert fall så er proteinkvaliteten, ernæringskvaliteten på oppdrettslaks faktisk bedre enn på villaks. Og det har noe med tungmetaller og hvor mye villaks blir utsatt for i dagens sjøproblematikk. Sjøforurensings-problematikk. Du har mer kontroll på omgivelsene hos oppdrettslaks. Og nå har de blitt så flinke til å optimalisere mat så det ikke bli for mye og ikke for lite.

MG: Nettopp. Det er litt sunnere å spise oppdrettslaks er det du sier, ikke sant?

SS: Han mente det i hvert fall. At det er hvert fall like bra.

MG: Så bra. Det er veldig fint. og det er kanskje litt av poenget med å bruke kunstig intelligens her. For vi kan da skille mellom villaks og oppdrettslaks og skjønne hvor kvaliteten er sterk med å gjøre forskjellige prøver som man gjør. Se på kjøttet i fisken og se hvordan kvaliteten er. Se på proteininnholdet. Og kanskje da få et forklaringsbehov bakover. Hvorfor er det sånn at villaksen har en dårligere kvalitet hvis det stemmer. Og det gjør det helt sikkert. Og kunstig intelligens kan brukes til det, men da er det nøyaktig som du sa tidligere. Som biologene sier, dette er problemet vårt og dette må vi optimalisere mot og dette må vi sjekke. Får vi nok data på det og nok forståelse for hva dataene faktisk inkluderer. Kanskje få disse prediktive modellene som gjør at vi kan gjøre det bedre både for oppdrettslaksen og villaksen. Og kanskje unngå den parringen mellom de som man helst ikke vil.

SS: Ja. Jeg er veldig fascinert av det dere gjør. Jeg vil komme tilbake til tverrfagligheten hvor du skrever at i dette store prosjektet om AI og marineøkologi, og det er veldig internasjonalt, og det har vi ikke gått inn i enda. Men det er utrolig spennende Morten. Men du sier at hensikten er å forklare deeplearning til marinebiologene og at marinebiologi skal forklares til oss dataloger. Jeg digger det at begge sider lærer noe for at dette skal bli bra.

MG: Så det er en del av det, men vi ser på det som helt grunnleggende bit av forskningen vår. Hvis vi ikke forstår hverandre så tror jeg vi kan jobbe parallelt, men ikke sammen og da går vi forbi hverandre på så mange områder tenker jeg. Så en veldig stor del av vår forskning der har vært at vi dataloger forklarer biologene at dette er kunstig intelligens, dette kan vi bruke det til og dette kan vi ikke bruke det til. Og motsatt. Biologene forteller at dette er noe vi lurer på. Dette er vi sikre på. Vi er sikre på at leppefisken kjenner hverandre igjen med mønstrene for eksempel, men vi er ikke sikre på om mønstrene fortsetter å være der gjennom hele livet. Litt som sebraene med sine striper. Vi tenker jaja, de ser sikkert på stripene. Så er man ikke helt sikker. Her kan man bruke kunstig intelligens til å hjelpe til med å forstå dette. Et annet eksempel er torsken som driver og trommer der ute. Man er ikke helt sikker på hvorfor, men kanskje har det noe med å gjøre at man prøver å tiltrekke seg en make eller noe sånt.

SS: Hvordan gjør han det?

MG: Den har en svømmeblære visstnok som den driver og slår på. Og den slår i forskjellig takt. Så er en av problemene hos torsken at det har vært litt færre torsk enn før. Så tenker man hvorfor det er slik? Kanskje tenker de biologene, at det skyldes at torsken i forskjellige fjorder har utviklet sin lokale dialekt. Sin lokale torske-trommings dialekt. Så er man ikke helt sikker. Da kan man bruke kunstig intelligens å se om det er en egentlig forskning på disse her? Clustering og gruppering av disse fiskene på en måte som gjør at denne gruppen her har en helt annen rytme enn den gruppen her. som er en helt annen gruppe enn denne her. Og kanskje er det sånn at den gruppen da befinner seg i forskjellige fjorder og den type ting da. Det er hvert fall hypotesen. Og da gir det informasjon tilbake. Kanskje er grunnen for at man har færre torsk at de parer seg litt mindre og kanskje er grunnen til at de parer seg litt mindre at de ikke forstår hverandre nok. Den trommingen passer ikke.

SS: Det er ikke samme dialekt. Dette er en helt fantastisk historie. Jeg tenkte ikke på at det er mulig at sebraene er ekstremt gode på å kjenne igjen stripene på hverandre, men det er noe poeng med de stripene annet enn å gjemme seg i gruppen. Og at leppefiske kan gjøre noe lignende er helt utrolig fascinerende. Jeg vil parkere en ting, og det jeg vil parkere er at du hjelper meg å forstå hvordan i all verden kan man - jeg skjønner at man kan kjenne igjen villaks fra oppdrettslaks og det er ikke enkelt, men det er mulig. Men innenfor samme fiskekategori. La oss si leppefiske eller laks. At man kan kjenne igjen at dette er Per og dette er Pernille. Og dette er år to. Det er utrolig. Men hvis vi kommer tilbake til det. Du sier at du kan kjenne igjen kjønn. Så må du lære meg litt marinbiologi her nå. Så kommer vi til AI. For du sier at det er han, hun, barn og lure hunner? Også handling, det er liksom, hva gjør fisken? Spise, parring og lureparring, hva er det for noe?

MG: De driver med mye rart de fiskene. Det handler mye om å få make og å få barn disse fiskene. Og en av de triksene han gjør er visstnok å bare late som at den er en hun, også lurer han alle de hannene til en retning også sniker den seg inn og tar for seg med hunnen på en måte. På en måte som ikke er så ok menneskemessig, men for fiskene så er det helt vanlig. De lurer hverandre og sier at nå er jeg klar for parring, men egentlig så er jeg en hann og ikke en hun. Og det er fint å vite for biologene. Er dette en ekte parring som skjer eller er dette en parring som egentlig ikke er det. Er dette en han eller er det en hun eller en han som da har kledd seg ut som en hun i det formål med å bare snike seg unna med hunnen der ute? Så dette ser biologene når de ser på videofilm. Men utfordringen er at dette skjer så mye og det er enorme mengder med video og mange steder at å bruke trente marinebiologer til dette er en kjempekostnad. Men kunstig intelligens kan filtrere ut 99% av informasjonen og fortelle at her tror vi det er en parring og her tror vi det er en lureparring, og her tror vi det er en hun, her tror vi det er en han. Så er det da en hvis sikkerhetsmargin rundt dette. Så kan dette sendes til biologene slik at de kan gjøre en analyse og kvalitetssikre og fortelle både hvor og når kunstig intelligens gjorde feil og riktig. Men enda viktigere får prosessert dataene så de kan ta de gode avgjørelsene veldig fort. Uten å bruke så mye tid og krefter på de kjedelige bitene. Se 40 timer film om et rede som det ikke skjer noe. Det er kjedelig å bruke tid på. Og leppefisken som du sa, den er ikke så vanskelig å kjenne igjen hun fra han som jeg har forstått. For det er litt størrelser også videre. Å kjenne igjen forskjellen på en oppdrettslaks og en villaks er heller ikke så vanskelig. De har noen forskjellige finnemengder og litt sånt. Men det er når det begynner å bli litt mer komplisert så er det vanskelig. Og ansiktsgjenkjennings teknikker, litt på samme måte som en har med å åpne opp iPhonen - kan brukes på leppefisk og på antagelig mange andre fisk, men vi har brukt det på leppefisk.

SS: Er det noen proporsjoner og noen faste punkter som er variasjon? En fisk er bare ikke en fisk?

MG: En fisk er bare ikke en fisk vet du. Det er noen striper på leppefisken også som man kan kjenne igjen. Og man tenker at den stripen fortsetter å vare gjennom hele livet omtrent. På samme måte som at selv om jeg eldres, så har nesen min omtrent samme form. Gitt at jeg ikke gjør noen operasjoner og sånt som jeg ikke har tenkt til. Men gitt det så er det noen grunnformer. Så min kode kjenner meg igjen for 10 år siden selv om jeg har endret meg litt. Og sånn er det i fiskeverden også. Kan bruke kunstig intelligens på dem. Så utfordringen er egentlig teknologisk at man har gjerne ikke tusen eksempler av hvert individ. Man har bare noen få eksempler. Så da bruker man noen små triks. Og et av de triksene kalles tvillingnettverk. Det betyr at man tar to bilder av fisken også sier man at her er Per og her er et annet bilde av Per. Av og til så er det den samme og av og til er det ikke Per lengre, men Ole. Og da skal den kunstige intelligensen kunne si at dette er samme fisk eller dette er ulik fisk på den måten. Og da trikser du litt til i stedet for å si at her er 10.000 kategorier som er forskjellig individ fra fisken. Så kommer det som er egentlig mest spennende for biologene og det er selv om man kan kjenne igjen individet, så vil de gjerne ha en forklaring på hva er det som egentlig skiller det. Så tenker de at det er stripene. Og vanlig sånn dyp læring kunstig intelligens kommer bare med et svar sier at dette er Per eller Ole. Så det vi har gjort i tillegg er å bruke noen statistiske teknikker som sier hvilken del av bildet er det som egentlig bidrar til å fortelle at dette er Per. Hvilken del er det som forteller at dette er Ole.

SS: Hva er verdifull informasjon?

MG: Hva er verdifull informasjon. Så viser det seg at det er nøyaktig disse stripene som ligger der over fisken. Sånn som på sebraer. De sier det som kunstig intelligens bruker til å skille mellom disse er stripeinformasjon. Det er ikke øyet, ikke størrelse på leppene, ikke bakgrunnen for all del. Men det er stripene. Og da sier vi at ja, da er det det som skiller disse fiskene i hvert fall i henhold til kunstig intelligens.

SS: Og her har du blandet inn deep learning. Det er hvert fall et lærende system som lærer noe du ikke har fortalt den.

MG: Helt riktig. Det er et sånt dypt læringssystem med nevralt nettverk med et stort komplekst nettverk. Som ofte er trent på eksisterende data. Både eksisterende data og alt mulig rart, men også eksisterende fiskedata som ligger online et sted. Og den siste delen av det har trent på akkurat disse leppefiskene. Og når den kommer ut med en output så kjører vi en statistisk teknikk som sier hvilken pikselverdi, hvilken prikk i bildet er mest verdifull. Den teknikken heter en kjapp analyse. Også får den ut den pikselen er viktig, og den pikselen er viktig også presenterer vi det i bilde form for biologen også ser vi at her er det helt tydelig striper som betyr noe. Altså striper er viktig. Og det er fint. For da forteller den kunstige intelligensen noe informasjon til marinbiologene og får en biologisk type forståelse av dette.

SS: Det som er så spennende her er at dette er ikke magi, men dette er en slags klokskap som er emergence som vokser opp fra veldig store datamengder som man kjører gode statistiske programmer på. Og når vi kompliserer ting, komplekse neurale nett og sånt, så trenger folk bare å vite at det er veldig godt anvendte statistiske modeller på bestemte ting. Noen er gode på video, noen er gode på bilde, noen er gode på lyd med denne trommingen.

MG: Ja, helt riktig. Så man trenger en grunnforståelse av dette. Dette er en teknikk som er grei på bildet og dette fungerer på video også videre. Så må man da kvalitetssikre dataene, men dytter inn så man er sikker på at dette er fisken Per og dette er fisken Ole også videre. Også er det nærmest bare å kjøre på. Og litt teknologiforståelse for hvordan man programmerer det trengs selvfølgelig.

SS: Så er jeg nå en byråkrat i fiskeridepartementet eller så er jeg en byråkrat eller en leder eller en forsker i Miljødirektoratet. Eller så jobber jeg i NCE Seafood eller så har jeg en egen fiskemerd der ute. Jeg er en av de heldige. Hva skal jeg med dette? Hvorfor er dette nyttig for meg?

MG: Det er flere grunner. Det ene er jo selvfølgelig at man får en forståelse av den biologiske populasjonen som er der ute. Hvordan utvikler fiskene seg? Har de det bra i fiskemerden eller har de det dårlig? Er det flere fisk i år versus i fjor. Er det færre? Det er fint å vite for hvis ikke kan fiskestammen gå i stykker totalt. Men hvis man tenker på det rent økonomisk. Det enorme spinnet det er på fisk. Er det noe som kan gjøres? Kan man unngå at de dør og ikke kan selges der ute eller hvert fall unngå at de får for mye lus og blir helt ødelagt? Så jeg sier om en byråkrat i et eller annet statlig departement. God oversikt over en av våre viktigste næringer, fisken, som gründer eller en som eier en merd. Du vil gjerne ha en forståelse av hva som faktisk skjer der ute sånn at du kan optimalisere og både få fisken til å ha det bra og tjene penger og unngå svinn der ute.

SS: Så to ting jeg vil fremheve her, Morten. Det ene er at du sier det å forstå nåsituasjonen og optimalisere neste års situasjon er kjempeviktig. Men det jeg hørte deg også si er at det å forstå den viktigste dynamikken gjør at vi kan tenke langsiktig. Vi kan utvikle dette i riktig retning uten å være litt sånn prisgitt at her er det mye som vi ikke helt vet enda. Men vi prøver å være så gode og bærekraftige som vi kan.

MG: Absolutt. Og å forstå både den muligheten som ligger der nå og den muligheten som ligger der litt frem i tid. Dette er jo som mange en teknologisk bransje. Og de som tørr å hoppe på er de som vinner. Og det tro jeg absolutt er helt riktig. Og der er det ansiktsgjenkjenning som du sier. Handling, kjønn, hva det skal være eller lydene de forteller ut eller at fra et byråkratisk ståsted, finne fiskeutstyr som ligger der ute. Tau, tegner og sånt som folk har mistet gjennom mange år. Det ødelegger masse fisk og sjødyr der nede. Dette kan da gjøres og det gjør vi med kunstig intelligens som kjører en drone litt overalt. Kjenner igjen at dette er tau, og dette er tang som er helt ok. Og eventuelt plukke det ut senere der ute. Hvert fall fra et samfunns fiskested. En veldig fin ting å gjøre. Ikke spesielt avansert kunstig intelligens. Trent opp med masse eksempler på tau og masse eksempler på teiner. Og mange eksempler på vanlige ting man ser under havet. Stein. Tang. Hva det måtte være. Så kan man få en god oversikt over disse spøkelsesutstyrene som vi kaller det. Utstyr som er mistet der ute.

SS: Også for å lukke loopen. Dette er AI og vi har snakket mer om torsk enn om AI. Men det var egentlig litt av poenget vårt også. Det viktigste spørsmålet folk skal stille seg nå er hva er de kortsiktige og langsiktige problemene som plager meg mest, også må de snakke med sånne som deg for å finne ut av hvilke verktøykasser vi har for å finne ut av dette med AI. Det er ikke sånn at vi må alle gå ut å lære oss nevrale nett i morgen.

MG: Det er jeg helt enig i. Jeg som har jobbet med nevrale nett i mange år er veldig glad for alle som gjør det. Men jeg er helt enig, det er ikke alle som trenger det. Litt på samme måte som at det er ikke alle som trenger å vite detaljene i motoren på bilen. Det har vi noen mekanikere til som forstår det. Men de fleste av oss bør skjønne hvordan man girer og tråkker på gassen. Sånn er det her med å skjønne hva bilen kan og ikke kan og skjønne hva de kunstige intelligensene kan og ikke kan. Når man bruker noe til bildegjenkjenning og når man kjenner igjen andre komplekse trender. Når man kjenner igjen lyd. Og hva som er feil kilden i disse systemene. De er langt fra perfekte, men de er ofte veldig gode og kan forstå når kunstig intelligens forstår noe og ikke forstår noe. Det er sånne ting som er veldig fint å kunne sammen med de som har domene kunnskap. Samling av data. Forstå dataene også helt sentralt. Men så er det noen teknologer som lager det. Og det er tjenester man kan kjøpe i mange tilfeller også der ute.

SS: Og siste spørsmål Morten - hva gjør jeg? Jeg er en interessert byråkrat, en leder et eller annet sted som har noe med hav å gjøre. Hvordan kommer jeg i gang med å bruke AI på havet i dette tilfellet?

MG: Jeg tror løsningen er å ikke tenke at jeg skal bruke AI, men å tenke hvilket problem det er jeg skal løse. Veldig ofte er kunstig intelligens svaret. Ikke alltid, da. Jeg tror du må være problemdrevet og si at jeg ønsker å telle fisk. Jeg ønsker å skjønne hvorfor fisken dør eller noe sånt. Og når de har forstått dette problemet så kan de ta kontakt med noen som har teknologisk kompetanse. Gjerne meg, men det er mange andre som har det også. Så tenke kan jeg bruke kunstig intelligens her? De vil typisk spørre - ja, har du data? Da må du svare ja, for det har du samlet et sted. Er det kvalitet på dataen? Ja. Hva er problemet du ønsker å finne? Og jo mer konkret det er jo bedre. For på et eller annet sted må det ned i den matematiske verden. Dette er en han fisk. Dette er en hun fisk. Dette er antall fisk. Dette er en samtale som torsken har som vi ønsker å skjønne noe mer av type ting. Så det handler rett og slett om å forstå problemet. Forstå hva kunstig intelligens kan og ikke kan gjøre. Ikke hype det på noen måte fordi det skaper bare problemer. Og samle god kvalitetssikret data sammen med de som skjønner hva dataene egentlig inneholder tror jeg er helt sentralt.

SS: Kjempespennende. Du anbefaler forresten noe som heter Yann LeCuns SSL-foredrag.

MG: Yan LeCuns er en av de store kunstig intelligens personene. Det er han som har laget det som heter «Convolutional Neural Network» som er bildebehandling med neurale nettverk. Så det er de som gjø det. Så en av de tingene vi ser nå i det siste er selvfølgelig behov for data, men at vi klarer å trene opp data med ikke så store mengder som før. Så det som er vanlig er at man putter etiketter på alle fikserbildene eller hva det er. Så lærer man hva disse etikettene er. Dette er en hunnfisk. Dette er en hannfisk. Dette er Per og Ole. Så det essensielle her er noe som kalles for selv supervised learning. Og det er at du dytter inn masse data som du ikke har noe kategori på. Det kan være tusenvis av bilder av fisk eller millioner av bilder av fisk. Også lager den algoritmen et spill av det på en måte. Puslespill for eksempel. Deler opp bildet i 100 bilder, også skal jeg pusle det tilbake. Og poenget med det er at da trenger du ingen etikett. Du trenger ikke noe domenekunnskap for det. Du bare trener med dette. Så tar du en liten andel av dataene. La oss si en prosent av de som du da går til biologene. Eller om det skal være helsepersonell eller hva det er. Så sier du at her ønsker jeg kategorisering på dette, også trener du da helt på slutten av dette. Så en del av det er bare leking med dataene og en del av det er å gi en spesiell kategori på det. Dette er en av de store tingene som har skjedd innen kunstig intelligens i det siste, self-supervised learning. For det du ikke trenger den veldig, veldig kostbare domenespesifikke dataene på det nivået som man trengte før, men man trenger bare litt.

SS: Man ekspanderer fra det lille du får fra dem til hel settet.

MG: Helt riktig. Og Yann LeCun har en foredragsserie på dette som jeg forelsket meg i de siste årene som handler om self-supervised learning. Pedagogisk godt veldig bra. Så de anbefaler jeg å grave seg inn i.

SS: Også bruker jeg ditt sitat egentlig som avslutning og det liker jeg så godt Morten, for du sier at Geoffrey Hinton sa "In the long run, curiosity-driven research just works better", og jeg har et lite problem med måten vi leder innovasjon og forskning her i landet på. Og det er noe med at vi tror at vi skal starte med en businessmodell. Også skal vi på et eller annet hvis parkere - det går sikkert an å formulere søknader rundt og sånt, men min erfaring er at det som virkelig rister i verden er der hvor man er bare helt besatt av et problem. Også finner man ut etter hvert hvordan man skal tjene penger på det på den løsningen.

MG: Det er jeg helt enig med deg. Og det er et sitat fra en annen av de AI-pionerne - Geoffrey Hinton, det handler om at forskning er curiosity-drevet, sant. Jeg er nysgjerrig på et eller annet. Hvordan er intelligens? Hvordan fører fiskene seg på en eller annen måte? Dette er det som funker. Det er selvfølgelig penger som styrer mye, men nysgjerrigheten hos forskere og hos andre dytter forskningsverden fremover mer enn hvor pengene ligger. Men penger må på plass.

SS: Veldig bra. Morten Goodwin, tusen hjertelig takk for at du var med oss og lærte oss om anvendt AI på hav og fisk.

MG: Hjertelig tusen takk.

Du har nå lyttet til en podkast fra Lørn.Tech - en læringsdugnad om teknologi og samfunn. Nå kan du også få et lærings sertifikat for å ha lytte til denne podkasten på vårt online univeristet Lørn.University

 

 

Read full transcript

Hvem er du og hvordan ble du interessert i Al og teknologien rundt? 
Professor innen kunstig intelligens, som jobber med AI innen mange temaer. Et av de er AI for fiskeverden, som er fokus for i dag.  
Nestleder Centre for Artificial Intelligence Research, Chief Scientist AI:hub.

Hva er det viktigste dere/du gjør på jobben?  
Dette et samarbeid mellom mange, blant annet CAIR, havfoskningsinstituttet, bedrifter som CreateView (og partnere med mindre roller: Sveriges lantbruksuniversitet, University of California Santa Cruz, University of Trento ...). 

I et forskningssamabried med veldig ulike aktører, er det viktig å forstå hverandre.  For eksempel har vi skrevet en vitenskapelig artikkel med tittelen «Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook». Hensikten er å forklare deep learning til marinbiologiene, og marinbiologi til oss dataloger.  

Hvorfor er det spennende?  
For meg er det teknologien og algoritmene som er spennende.  Eksempelvis ser vi på forklarbare modeller. Biologene vil ikke bare vite at dette er Per leppefisk og Ole leppefisk, men forklare hvorfor. Leppefisken er litt som sebraen med striper. Det er tricky, men vi bruker statistiske teknikker for å vise at AIen ser samme mønster som vi ser.   Vi ser på SEMI-supervised learning, hvor vi bruker mye data fra fisk til å trene uten veiledning, og lite data fra biologene for å spisse treningen. Det åpner opp for mange muligheter hvor det er veldig lite data .

Dine egne relevante prosjekter siste året?  
BIA CreateView (analysere dødfisk); 
HAVFORSK CoastVision (kjenne igjen fisker, individer);
Torsketromming. 

Dine andre favoritteksempler på lignende prosjekter, internasjonalt og nasjonalt?  

Mange:  DEEP_ECOMAR og fish4knowledge analysere middelhavsfisk. Gir ut dataen åpent tilgjengelig.  

Hva tror du er relevant kunnskap for fremtiden?  
Jeg tror mengden data er mindre relevant fremover. Det blir mer og mer behov for å trekke ut kunnskap fra små datamenger.  

Hva gjør vi unikt godt i Norge innen AI?  
Det er fisk rett utenfor vinduet.  
Det unike er en kombinasjon av teknisk forståelse, og biologisk forståelse.   

 

Refleksjonsspørsmål

Samle deg med en venn eller en kollega for å se om du klarer å svare på spørsmålet nedenfor.



Spørsmål:

Hvordan kan AI bidra innen marinebiologi? Hva er noen fordeler AI kan gi fiskeoppdrett?

!

Want to show off this case to your friends and coworkers?

Download summary (Available soon)
RESEARCH

This is what you will learn:

AI/Maskinlæring 

Forskning 

Digitalisering 

Havindustri 

På sikt fungerer nysgjerrighetsdrevet forskning bare bedre... Ekte gjennombrudd kommer fra folk som fokuserer på det de er begeistret for

- Morten Goodwin

Recommended literature:

Yan LeCuns SSL-foredrag, blogpost

This is Universitetet i Agder og OsloMet

OsloMet aspires to play a leading role as a provider of research-based knowledge related to the welfare state, in Norway and abroad.