Innovasjon, bærekraft og læring

Jeg digger når brikkene bare faller på plass, og det store puslespillet, som livet unektelig er, viser seg å gi mening. Det er ikke alltid sånn. Ganske sjelden, når sant skal sies. Under pandemien har brikkene simpelthen nektet å passe inn i hverandre. Men i det siste har ting klaffet. La meg prøve å forklare.

I Amesto NextBridge har vi etablert en AI Lab. Ideen var at vi skulle utvikle egne AI-baserte produkter og konsepter, i tillegg til å hjelpe AI-baserte startups å lykkes med sine ambisjoner. Det har vært en trang fødsel, med uklare målsetninger, tilfeldige valg og beslutninger og en lang rekke uforutsette utfordringer. Legg til en og annen katastrofe og du har det som de fleste ville kalle en mislykket satsning. Men så er det kanskje sånn at man må bomme litt her og mislykkes litt der for at det skal bli noe spennende ut av det? Kanskje er det rett og slett et tegn på at du gjør krevende nybrottsarbeid, og at det er stor forskjell på drift og innovasjon?

DE TRE MOTIVASJONENE BAK AI LAB

Vi har etter hvert konkludert med at det er tre grunner til at vi ønsker å drive en AI Lab;

1. Læring
2. Bærekraft
3. Lønnsomhet

Læringen handler om at alle våre data scientister har en PhD i et kvantitativt fagfelt og forskerbakgrunn. Det er supert med tanke på nysgjerrighet og løsningsorientering, for ikke å snakke om analysekompetansen. Men det er også en ganske ambisiøs og vitebegjærlig gjeng, som er motivert av å kontinuerlig lære og få brynt nøtta si’ på vanskelige oppgaver. Læring er også helt fundamentalt for selskapet som sådan, da vi har satt oss som mål å ta posisjonen som selve den faglige referansen innen datadrevet innsikt. Da kan du ikke hvile på laurbærene, men må hele tiden være i front av den faglige utviklingen.

Bærekraft er et moteord som mange pynter seg med, men kanskje ikke like mange gjør så mye konkret rundt. For oss i Amesto er dette en del av vårt DNA, som det legges planer på og knyttes ressurser til. Vi ønsker at så mye som mulig av det vi gjør i AI Lab skal ha en positiv effekt på planeten, og kan knyttes opp til et eller flere av FNs 17 bærekraftmål. Vi har faktisk gått så langt som til å legge om hele belønningsmodellen i konsernet til å reflektere People, Planet, Profit 

Lønnsomhet kan virke litt platt når man nettopp har vært innom bærekraft, men jeg mener det er helt avgjørende at bærekrafttiltak også er lønnsomme. Grunnen til det er at det i henhold til Myers-Briggs personlighetsprofil er kun 12 % av verdens befolkning som er idealister. Kraftig overforenklet kan du si at det er bare disse 12 % som vil gjøre det rette for planeten uten å få noe igjen for det. Alle oss andre vil gjerne at det skal være lønnsomt også. En parallell er kanskje at de fleste Tesla-eiere ikke kjører Tesla for å redde planeten, men fordi det er en kul bil. At overgangen fra fossilbil er positiv for planeten kommer i annen rekke. Hvis man aksepterer dette premisset kan man si at man får ikke nok fokus på bærekraft fra de få idealistene så man må sørge for at tiltakene også er lønnsomme. Da blir det vesentlig mer kraft bak tiltakene, og det blir flere av dem. For oss som et kommersielt selskap er det en viktig og naturlig brikke at prosjektene er lønnsomme, i en eller annen tidshorisont. Ofte støtter vi startups økonomisk i den mest krevende fasen for så å høste gevinst i en senere fase.

INNOVASJONSCASER

La oss se på tre slike innovasjonscaser; case 1 er videoanalyse av bier for å optimalisere plassering av bikuber og redusere biedød; case 2 er tekstanalyse av rapporter til Røde Kors for raskere og bedre respons på covid-19 utfordringer; case 3 er videoanalyse av fotballspark for å forbedre ferdigheter og få barn og ungdom ut av sofaen og ned på løkka.

CASE 1 VIDEOANALYSE AV BIER

Se video

I samarbeid med den fantastiske startupen Beefutures har vi analysert videoer fra insiden av bikubene for å dekode bienes såkalte «waggle dance». Den benyttes av en bie som har funnet nektar til å fortelle de andre biene hvor hun fant maten, slik at de også kan fly dit i stedet for å lete vilkårlig etter mat. Bier dør i store antall bla fordi de ikke finner mat innenfor hensiktsmessig radius. Gjennom maskinlæring identifiseres den enkelte bie, deretter identifiseres de som beveger seg og så de som faktisk danser waggle dance, for til slutt å oversette retning og avstand til matkilden over til et kart. På kartet ser man hvor alle biene har funnet nektar, dagens plassering av bikubene og den optimale plasseringen av kubene. En flytting til den optimale plasseringen vil ha stor betydning for å redusere biedød, vil optimalisere pollinering og gjøre planlegging for både jordbruksareal og byområder bedre. Prosjektet adresserer 8 av FNs 17 bærekraftsmål, så bærekraftsmålsettingen vår er definitivt ivaretatt. Det samme gjelder læringsmålet, da dette både er nybrottsarbeid i global sammenheng og for våre data scientists. Lønnsomt? Vel, ikke enda. Når det gjelder lønnsomhetsmål så sa vi at prosjektene skal være lønnsomme «i en eller annen tidshorisont». Dette er også et typisk skille mellom innovasjonsprosjekter og normal drift. Videreføring av prosjektet vil nok vise seg å være lønnsomt for alle parter.

CASE 2 TEKSTANALYSE AV RAPPORTER TIL RØDE KORS

Røde Kors er ikke akkurat en startup, men har i dette tilfellet agert som en, både mtp beslutningshastighet, agilitet og åpenhet for nye løsninger. Det er ganske imponerende når man tenker på hvor stor organisasjonen er. Det er nemlig ikke bare norske Røde Kors, men IFRC, altså International Federation of Red Cross/Red Crescent i Geneve. Det er en organisasjon som er aktiv i 192 land og med 160.000 lokalavdelinger. Alle disse sender inn fritekstrapporter rundt status på covid-19 utfordringer løpende. Rundt 70 % av rapportene er på engelsk, men de øvrige er på diverse lokalspråk, noe som gjør utfordringen enda større. Ved hjelp av det aller siste innen naturlig språkprosessering (NLP) har vi klart å få tekstanalysen til å være like god som om et menneske skulle gjort det. Ikke bedre, tenker du kanskje? Nei, i dette tilfellet er ikke algoritmene bedre enn mennesker når det gjelder forståelsen. Den store forskjellen er at i motsetning til et menneske kan denne algoritmen lese alle de tusenvis av rapportene, kategoriseres dem og forstå dem på svært kort tid. Dette reduserer ressursbruken og i denne sammenhengen enda viktigere; det gjør Røde Kors i stand til å respondere vesentlig raskere på utfordringer rundt covid-19 globalt.

Læring? Check. Dette er nybrottsarbeid så det holder. Bærekraft? Oh yes. Lønnsomt? Jaggu. Her har både Amesto bidratt pro bono, samtidig som virkemiddelapparatet med Innovasjon Norge og Skattefunn i spissen har bidratt med midler, og Røde Kors har også bidratt. Det er lønnsomt for alle involverte parter, selv om det klart viktigste er forskjellen man kan gjøre i en pandemi.

CASE 3 VIDEOANALYSE AV FOTBALLSPARK

Se video

Amesto NextBridge har i lengre tid bistått startup’en SportsComputing med å utvikle en Shot Analyzer for deres app KickerAce. Ved kun å bruke videokameraet på mobilen din får du automatisk gjenkjenning av fotballmålet og ballen, og når du setter i gang app’en ved å si «kick» får du analysert sparket ditt gjennom en avansert fysikkmodell. Du får analysert fart og plassering, og gjennom gamification kan du konkurrere med de andre på løkka eller kompisen i Brasil. Biomekanisk analyse av skuddet, altså kraften du genererer gjennom samspillet mellom alle involverte ledd og muskler, blir også analysert. At du kan få alt dette gjennom videokameraet på mobilen din er en verdensnyhet, og har aldri blitt gjort før. Læringselementet er definitivt til stede, og faktisk har vi hatt to stk. fysikk-PhD’er som har jobbet med prosjektet som tidligere har deltatt på Nobelprisvinnende fysikkteam (Higgs-bosonet og grafén). Det er jo litt tøft og noe vi er litt stolte av. Bærekraftelementet i dette prosjektet handler om å aktivisere barn og unge som i økende grad er inaktive og lider av fedme. Det adresserer FNs bærekraftsmål nr. 3 «God helse». Lønnsomheten kommer i en hybridmodell, hvor vi delvis har fått betalt som normalt og delvis «sweat for equity», altså at vi har fått betalt gjennom aksjer i selskapet. Disse er foreløpig ikke realisert så det endelige svaret på hvor lønnsomt det har vært får vi ikke før vi selger oss ut. Gjennom denne modellen gir vi også startup’en et sårt tiltrengt pusterom i den vanskeligste fasen, og håper å høste når de er i en scale-up fase.

Disse tre casene illustrerer hvordan vi i Amesto ser på innovasjon, og at det krever at vi adresserer både People (læring), Planet (bærekraft) og Profit (lønnsomhet). Dette er de samme tre grunnene til at vi etablerte AI Lab.

Når disse tre P’ene kommer sammen skjer det magiske ting. Vi bidrar til å redusere biedød, hjelper å respondere på covid-19 og får barn og unge ut av sofaen og ned til løkka.

Hvis vi kan gjøre dette for disse målgruppene - tenk hva vi kan gjøre for deg.