Oppdemmet behov for innovasjon

TING TAR TID: Ja, autonome systemer vil på ett eller annet tidspunkt gjøre dagens sjaføroppgaver overflødige. Men det vil ta tid, og mye må skje før det, skriver Sven Lunøe Pihl. (Foto: Istockphoto).

Oppdemmet behov for innovasjon

DEBATT: I transportsektoren vil digitaliseringsreisen være spekket med kunstig intelligens-opplevelser.

For noen dager siden ble jeg spurt av en journalist om mange kom til miste jobben innenfor transportbransjen i årene som kommer.

Vil innføringen av selvkjørende biler, lastbiler og busser resultere i en massiv arbeidsledighet blant sjåfører? Transportsektoren er en av de sektorene der digitaliseringen vil føre til størst endringer. Så svaret er nok ja, autonome systemer vil på ett eller annet tidspunkt gjøre dagens sjåføroppgaver overflødige. Men det vil ta tid, og mye må skje før det.

Transportsektoren er under sterkt press som følge av globalisering, økonomisk vekst, nye logistikkmønstre, urbanisering og nullutslippskrav. Det er et oppdemmet behov for innovasjoner som kan bidra til å løse kjente problemstillinger og etablerte barrierer som står i veien for oppfyllelsen av nye krav og forventninger. Kort sagt, transportsektoren må ta sin del av digitaliseringen mens vi venter på selvkjørende biler, busser og båter.

Problemet er at dette ikke går fort nok. Direktør for det Svenske reforminstituttet, Stefan Følster, la fram en rapport om digitaliseringen i Norge på NHOs årskonferanse og uttalte til VG at:

"Dere risikerer å stivne i gamle former. Dere får ikke samme tilvekst i oljeinntekter fremover, omstillingen til det digitale samfunnet går for sakte og mye av veksten kommer i jobber i det offentlige, som i stor grad er skattefinansiert. Norge er avhengig av å skape nye jobber i næringslivet og eksportbedrifter."

Digitalisering i Transportsektoren vil i stor grad dreie seg om innføring av maskinlæring og kunstig intelligens.  Innenfor maskinlæring og kunstig intelligens retter man nå fokuset på «Narrow AI» som handler som utvikle maskinlæring og kunstig intelligens-løsninger for bestemte oppgaver, for eksempel å spille ludo, lage kjøpsforslag, gi salgsprognoser og styre vedlikeholdet. Autonome løsninger for transportsektoren omfattes også av dette begrepet, men da som en integrasjon og optimalisering av flere «Narrow AI»-løsninger. Selv om «Narrow AI» er langt unna full AI, eller reel kunstig intelligens, så har teknologiene stort effektiviseringspotensial for transportsektoren og vil dermed være en bærebjelke i digitaliseringen.  

Mer konkret er det slik at alle områdene med oppdemmet behov for innovasjoner i transportsektoren er typiske områder hvor det også er hensiktsmessig å benytte maskinlæring og kunstig intelligens i sine tidlige former. Maskinlæring og kunstig intelligens fungerer best når teknologien benyttes på kjente problemer som er sentrale i virksomheten. Det er ingen grunn til å vente.

Et eksempel på dette er vedlikehold. Transportsektoren er full av vedlikeholdsbehov. Tradisjonell vedlikeholdsstyring bruker kalendertid og driftstid som estimat på servicebehovet til maskiner og utstyr. Denne tilnærmingen fører ofte til at ting vedlikeholdes for ofte, og noen ganger for sent. Utstyr og infrastruktur i transportsektoren er både dyrt og komplekst. Driftsstans på et område som følge av vedlikehold på et annet, er en utbredt konsekvens. Det er derfor behov for en totaloptimalisering av vedlikeholdsaktivitetene. Olje og gassektoren har tatt dette innover seg og flere operatører på norsk sokkel er i full gang med å utvikle nye vedlikeholdskonsepter basert på maskinlæring og kunstig intelligens.  

Et annet eksempel er tilbudsutvikling og kundebehandling. Både offentlige transportaktører og private transportbedrifter kan benytte analyser av store datasett til å forutse kundeatferd, komme med anbefalinger og få frem beslutningsgrunnlag, som igjen kan brukes til modeller for automatiserte beslutninger som igjennom maskinlæring muliggjør kontinuerlig forbedring av tilbudte tjenester.  Et område med vedvarende utfordringer som TT-transporten, kunne ved hjelp av kunstig intelligens fått mer fornøyde brukere, bedre økonomi og bedre utnyttelse av transportmidlene.

Et tredje eksempel er trafikkstyring innenfor både tog- og veitrafikken. Begge deler framstår som upåvirket av nye teknologier i den forstand at den baseres på planer som bygger på tradisjonelle dataanalyser og avvikshåndtering som en manuell prosess. I praksis betyr dette at Oslo-området må leve med unødvendige framkommelighetsproblemer og dårlig avvikshåndtering for reisende i kollektivtrafikken.