31. mai
kl. 08.30–10.00

Hvert tiende norske foretak bruker kunstig intelligens-teknologi (KI). La oss diskutere eksempler av de norske suksess-historiene som har brukt best KI.

Meld meg på

Tekna Big Data inviterer til foredrag om bruk av KI i norsk næringsliv.

For industri og næringsliv kan kunstig intelligens (KI) være en game changer. Større effektivitet, lavere kostnader, forbedret kvalitet og redusert nedetid er bare noen av de potensielle fordelene.

Ifølge SSB: "Om lag fire av ti foretak med minst ti sysselsatte innen næringsgruppen informasjon og kommunikasjon bruker en eller flere KI-teknologier. Med en enestående prosentandel på 42 er gruppen overlegen i bruk av KI sammenlignet med andre næringsgrupper. Faktisk er gruppen også den største brukeren av alle KI-teknologiene."

I alle bransjer øker andelen foretak som bruker KI i takt med foretaksstørrelse. Om lag tre av ti foretak med mer enn 100 sysselsatte bruker en eller flere KI-teknologier, for eksempel i forbindelse med automatisering av arbeidsprosesser. Veien til en vellykket implementasjon av KI er ikke rett frem. Det er mange utfordringer som må løses underveis, og mange prosjekter feiler. Hva er det andre gjør for å lykkes med KI? I dag har vi 3 spennende foredrag om KI-suksesshistorier fra store, norske bedrifter: Ruter, Schibsted og Posten.

Målgruppe:

Du er ute etter nyttige tips og inspirasjon. Du er nysgjerrig på hvilke muligheter som ligger i KI for næringen.

Praktisk informasjon om deltakelse

Arrangementet er åpent for alle. For de som møtes fysisk i Røverstaten, blir det servert en frokost fra kl 08.00.

Tekna Big Data

Møtet arrangeres av fagnettverket TeknaBig Data. Det er gratis og uforpliktende for deg som er Tekna-medlem å bli med i våre faglige nettverk.

Skriv ut

Frokost

Velkommen

Heidi Dahl, Posten and chairman of Tekna Big Data board

Establishing Machine learning at Ruter; What worked and what didn’t

In this talk, I would like to talk about machine learning at Ruter both from technical and organizational perspective. I will present how we started with machine learning, where we are now and lessons learnt along the way. We will also talk about our machine learning platform, its tech stack, how our typical machine learning pipeline looks like and how we develop, train, deploy and monitor ours models. We will then cover which factors contributed to the success of machine learning at Ruter both from technical and organizational perspective. In the end we will cover do’s and don’ts of introducing a machine learning team in an organization.

Jawad Saleemi, Team lead, AI and Data Engineering at Ruter.

Data science i Posten – en åpen deling av våre suksessfaktorer og «pitfalls»

Posten startet med en satsing på data science i 2018/2019. Siden den gangen har vi fått erfaring rundt hva som skaper suksess eller ikke innen dette fagfeltet. Det å bygge KI-algoritmer er ikke nødvendigvis det vanskelige. Men det å ha tilgang til gode data og plattformer å bygge disse algoritmene på samt sikre at algoritmene faktisk tas i bruk av forretningen er ofte betydelig vanskeligere. I dette foredraget vil vi dele med dere noen av våre erfaringer og gjøre noen dypdykk i konkrete use cases, vi jobbet med.

Sofia Hagström, Program manager BI and advanced analytics, og Bendik Flåt Aas, Data Scientist, fra Posten&Bring

Recommender systems, bandits and bayesian neural networks

Internet platforms consist of millions or billions of different items that users can consume. To help users navigate in this landscape, recommender systems have become an important component in many platforms.

The aim of a recommender system is to suggest the most relevant content on the platform to the user based on previous interactions the user has done with the platform.

A model being used in recommender systems is faced with multiple sources of uncertainty: There are limited interactions per user, the signals a user makes may be noisy and not always reflecting her preferences, and new items may be introduced to the platform giving few signals on these items as well. This talk will focus on model uncertainty and decision making in the recommender systems domain, with focus on the Norwegian marketplace FINN.no. We will discuss various ways to quantify, reduce and exploit these uncertainties through the use of bayesian neural networks, hierarchical priors and different recommender strategies.

Simen Eide, Head of Schibsted's AI Enablement Program

  • Bendik Flåt Aas

    Data Scientist

    Posten Norge AS

    Bendik Flåt Aas heter jeg, og jobber som Data Scientist for Posten&Bring i snaut halvannet år. Jeg har en Bachelor grad i Kognitiv Vitenskap med fokus på Informasjonsteknologi, men først og fremst holder jeg en Master i Artificial Intelligence eller AI fra Utrecht, Nederland.

    Konkret er jeg nok klokest på det som kan kalles teorien og applikasjonen bak maskinlæringsalgoritmer, som mye av masterprogrammet mitt handlet om.

  • Simen Eide

    Schibsted Products & Technology AS

    Simen Eide is a data scientist and the head of Schibsted's AI Enablement program. He has worked on building personalisation algorithms on FINN.no. He is also doing an industrial PhD candidate at the University of Oslo and FINN.no focusing on recommender systems, decision making and model uncertainty.

  • Sofia Hagström

    Program manager

    Posten Norge AS

    En industriell ekonom från Chalmers med ett hjärta som bankar lite extra för data. Jag har haft förmånen att leda Postens satsning på data sen 2020 och det har varit en otroligt spännande resa med allt vad det innebär – från människor och organisation till konkreta use cases och teknologi. På min fritid tycker jag om att träna triathlon, dricka vin och äta lakrits.

  • Jawad Ahmed Saleemi

    Jawad works for Ruter AS where he is leading a team of data scientists, data engineers and platform engineers. He worked as a software engineer in satellite communications and video streaming domains before he moved to Ruter in 2020, to help it acquire in-house machine learning capabilities and to help the organization to be insights and AI driven. He believes in bringing software and devOps best practices to the machine learning and data space.

Bærekraftsmål

  • Logo for FN's bærekraftsmål nummer 4
  • Logo for FN's bærekraftsmål nummer 9
  • Logo for FN's bærekraftsmål nummer 11
  • Logo for FN's bærekraftsmål nummer 17

Andre kurs og arrangementer innenfor dette emnet: