Amii udvider partnerskabet om AI-implementering for at hjælpe 25 flere virksomheder

Amii, Alberta Machine Intelligence Institute, udvider sit partnerskab med Canadas regionale agentur for økonomisk udvikling, PrairiesCan, for at hjælpe 25 flere små og mellemstore virksomheder med at udvikle praktiske AI-kompetencer. Bekendtgørelsen den 27. oktober tilføjer 2,5 millioner canadiske dollar i føderal støtte, så initiativets samlede føderale investering nu er på 5,6 millioner canadiske dollar.

Udvidelsen omfatter Alberta, Saskatchewan og Manitoba, hvor de første samarbejder er i gang inden for energi, landbrug og fremstillingsindustri. Amii oplyser, at programmet har samarbejdet med 30 virksomheder i regionen, siden det blev lanceret i 2024. Tilgangen går ud på at sætte virksomheder sammen med maskinlæringsspecialister, som udvikler systemer baseret på virksomhedernes egne driftsdata og sikrer, at virksomhederne får den nødvendige ekspertise til selv at vedligeholde systemerne.

Et forskningspartnerskab med fokus på implementering

Amii har base i Edmonton og er en uafhængig nonprofitorganisation samt et af Canadas tre nationale AI-institutter under den pan-canadiske AI-strategi. Historien går tilbage til Alberta Ingenuity Centre for Machine Learning, der blev grundlagt i 2002; i 2017 blev organisationen en uafhængig nonprofitorganisation under navnet Amii. Arbejdet forbinder forskning, talentudvikling og kommercielle anvendelser.

Prairies Economic Development Canada, også kendt som PrairiesCan, er det føderale agentur, der støtter økonomisk udvikling i de tre deltagende provinser. For internationale læsere er partnerskabet et eksempel på, hvordan offentlige investeringer kan hjælpe mindre virksomheder med at få adgang til specialiseret teknisk ekspertise, som det ville være vanskeligt for dem at opbygge på egen hånd.

Amii’s model for AI-udvikling knytter en maskinlæringsspecialist på fuld tid til en virksomheds projekt under supervision af fastansatte forskere. Specialisten arbejder sammen med virksomhedens team om udvikling og afprøvning af modeller, og virksomheden har mulighed for efterfølgende at ansætte vedkommende. Det generelle tilbud indebærer et engagement på 12 til 15 måneder, men det enkelte projekts omfang og pris varierer.

Virksomhederne beholder de immaterielle rettigheder, der udvikles gennem samarbejdet, og modtager dokumentation og vidensoverførsel. Partnerskabet har dermed et andet mål end blot at levere en prototype udviklet af en ekstern leverandør: Virksomheden skal kunne tilpasse systemet, efter at det eksterne forskerteam har afsluttet sit arbejde.

Croptimistic: Computersyn, der fungerer i virkelige marker

Croptimistic Technology udvikler præcisionslandbrugsløsningen SWAT MAPS, som samler information om jord, vand og topografi for at understøtte markdriften. Produktet SWAT CAM indsamler billeder under almindeligt sprøjtearbejde og bruger maskinlæring til at analysere afgrøder og ukrudt.

Samarbejdet med Amii fokuserede på kornafgrøder tidligt på sæsonen, såsom hvede og havre. De smalle, overlappende blade gør det vanskeligt at skelne de enkelte planter fra hinanden. Teamet udviklede specialiserede computersynsmodeller, der kan håndtere tætte plantebestande og vanskelige billedforhold, herunder støv, blænding og vind.

Produktinformationen fra Croptimistic forklarer, hvordan kameraer monteret på sprøjter forbinder detaljerede billeder af markerne med dyrkningszoner. Den praktiske fordel ved bedre afgrøderegistrering er den rumlige detaljegrad: Landmænd kan undersøge ujævn etablering af afgrøder og ukrudtstryk på tværs af en mark i stedet for kun at støtte sig til nogle få manuelle observationer.

Carson Integrated: Sådan omsættes miljødata til forudsigelser

Carson Integrated er et konsulentfirma inden for miljø og skovbrug, hvis arbejde blandt andet omfatter geospatiale data til projekter vedrørende naturressourcer. Virksomhedens udfordring var at klassificere vandløb, hvilket hjælper med at fastlægge beskyttende bræmmer omkring vandløb.

Amii’s casestudie af Carson beskriver en model, der er udviklet på grundlag af data indsamlet over omtrent to årtier, herunder feltmålinger og information fra fjernmåling. I udviklingen af modellens inputvariable undersøgte man terrænforhold og miljømæssige karakteristika; størrelsen af afvandingsområdets udløb viste sig at være særlig nyttig. Ifølge undersøgelsen er den gennemsnitlige klassifikationsnøjagtighed cirka 75 %, når de relevante data er tilgængelige.

Anvendelsen viser, hvordan faglig ekspertise bidrager til at gøre maskinlæring nyttig. At identificere et vandløb på billeder er en anden opgave end at forudsige dets klassifikation efter gældende regler. Forudsigelser kan hjælpe med at prioritere vurderingsarbejde i afsidesliggende terræn, men deres nøjagtighed og egnethed skal stadig vurderes i forhold til de beslutninger, de skal understøtte.

Visionstate: Planlægning som et optimeringsproblem med begrænsninger

Visionstate udvikler software til drift af faciliteter, inspektioner og verifikation af udført arbejde. Virksomhedens nuværende websted fremhæver MIRA, en platform, der forbinder rapporter, inspektioner, arbejdsordrer og tilsyn. Samarbejdet med Amii fokuserede på virksomhedens platform WANDA til facility management.

Det detaljerede casestudie forklarer, at rengøringsruter og -planer blev formuleret som et optimeringsproblem med begrænsninger. Systemet skal fordele en fast bemanding og samtidig tage hensyn til lokalernes indretning, servicekrav og regler for overholdelse, så effektivitet og retfærdighed afvejes.

Arbejdet understøttede også TidyLogic, et produkt til ressourceplanlægning, og et værktøj til at estimere rengøringsomkostninger i sundhedssektoren. Casestudiet beskrev TidyLogic som værende i betafasen og modellen som på vej mod integration på det tidspunkt, hvor artiklen blev skrevet. Disse forskelle er vigtige: kommerciel produktudvikling og et fuldt implementeret optimeringssystem er separate milepæle.

Ambyint: Opbygning af ekspertise inden for forstærkningslæring

Ambyint leverer software til produktionsoptimering for olie- og gasoperatører. Den eksisterende platform kombinerer fysikinformerede modeller med automatiseret styring, herunder justering af udstyrets indstillingsværdier via industriel overvågningsinfrastruktur.

Amii-projektet undersøgte forstærkningslæring i brønde med stempelløft, hvor ændringer i trykgrænser påvirker, hvordan ophobede væsker fjernes. Den sparsomme viden om forholdene dybt under jorden gør simulering og styring vanskelig. Teamet afprøvede metoder baseret på historiske data og fysikinformerede metoder for at forbedre beslutningerne.

Casestudiet gør resultatet tydeligt: De eksperimentelle modeller forbedrede ikke effektiviteten sammenlignet med Ambyints eksisterende automatisering, og de var endnu ikke pålidelige eller reaktionshurtige nok til produktion. Fordelen var, at det interne team blev bedre rustet, og at man fik en klarere forståelse af, hvor der var behov for yderligere forskning. Det er et nyttigt resultat af indførelsen, selv når den ikke med det samme fører til en model, der kan tages i brug.

Riva: Sådan gør man virksomhedsdata nyttige for AI

Amii fremhæver også Edmonton-baserede Riva som en tidlig modtager af fordelene og henviser til fremskridt hen imod løsninger, der er klar til produktion, uden at oplyse den konkrete modelarkitektur.

Rivas platform forbinder oplysninger fra e-mails, kalendere, kontakter og møder med systemer til kunderelationsstyring. Blandt funktionerne er AI-genererede samtaleopsummeringer og strukturerede møderesultater, som teams kan gennemgå og knytte til CRM-poster. Det giver en anden kontekst for indførelsen end feltbilledbehandling eller industriel styring: Udfordringen er at gøre forretningsinteraktioner anvendelige og samtidig bevare styring og menneskelig gennemgang.

Hvorfor modellen også har betydning uden for Canada

De deltagende virksomheder viser, at indførelsen af AI spænder over computersyn, prædiktiv modellering, optimering under begrænsninger, forstærkningslæring og arbejdsgange for virksomhedsoplysninger. Hvert område kræver forskellige data, evalueringsmetoder og operationel ekspertise.

Partnerskabets bredere betydning ligger i vægten på ejerskab og teknisk kapacitet. En virksomhed får mere end en model, når dens egne medarbejdere lærer, hvordan modellen er bygget, hvordan den skal testes, og hvornår man kan stole på dens forudsigelser. For mindre virksomheder kan overførslen af disse kompetencer være lige så afgørende som den indledende levering af software.