Amii utvider partnerskapet for innføring av KI for å støtte 25 flere bedrifter

Amii, Alberta Machine Intelligence Institute, utvider partnerskapet med PrairiesCan, Canadas regionale byrå for økonomisk utvikling, for å hjelpe 25 små og mellomstore bedrifter til med å utvikle praktisk KI-kompetanse. Kunngjøringen 27. oktober tilfører 2,5 millioner canadiske dollar i føderal støtte, slik at det samlede føderale bidraget til initiativet kommer opp i 5,6 millioner canadiske dollar.

Utvidelsen omfatter Alberta, Saskatchewan og Manitoba, og de første samarbeidsprosjektene er i gang innen energi, landbruk og produksjon. Amii opplyser at programmet har samarbeidet med 30 regionale bedrifter siden oppstarten i 2024. Tilnærmingen går ut på å koble bedrifter med maskinlæringsspesialister, som utvikler systemer basert på bedriftenes egne driftsdata og sørger for at de får kompetansen som trengs for å vedlikeholde systemene.

Et forskningspartnerskap med vekt på praktisk gjennomføring

Amii holder til i Edmonton og er en uavhengig ideell organisasjon og ett av Canadas tre nasjonale KI-institutter under Pan-Canadian AI Strategy. Historien går tilbake til Alberta Ingenuity Centre for Machine Learning, som ble etablert i 2002. I 2017 ble instituttet en uavhengig ideell organisasjon under navnet Amii. Arbeidet knytter sammen forskning, talentutvikling og kommersielle anvendelser.

Prairies Economic Development Canada, kjent som PrairiesCan, er det føderale byrået som støtter økonomisk utvikling i de tre provinsene som deltar. For internasjonale lesere er partnerskapet et eksempel på hvordan offentlige investeringer kan hjelpe mindre bedrifter med å få tilgang til spesialisert teknisk kompetanse som det ville vært vanskelig å bygge opp på egen hånd.

Amii sin modell for KI-utvikling innebærer at en maskinlæringsmedarbeider jobber fulltid med et prosjekt i en bedrift, under veiledning av forskere ved instituttet. Medarbeideren samarbeider med bedriftens team om utvikling og testing av modeller, og bedriften får mulighet til å ansette vedkommende etterpå. Det generelle tilbudet innebærer en forpliktelse på 12 til 15 måneder, men omfanget og kostnadene varierer fra prosjekt til prosjekt.

Bedriftene beholder immaterielle rettigheter som utvikles gjennom samarbeidet, og får dokumentasjon og kunnskapsoverføring. Dermed skiller partnerskapets mål seg fra det å bare levere en prototype på oppdrag: Bedriften skal kunne tilpasse systemet etter at det eksterne forskerteamet har avsluttet arbeidet.

Croptimistic: Datasyn som fungerer ute på jordene

Croptimistic Technology utvikler presisjonsjordbrukssystemet SWAT MAPS, som kombinerer informasjon om jord, vann og topografi for å gi grunnlag for driftsbeslutninger på jordene. Produktet SWAT CAM samler inn bilder under vanlig sprøytearbeid og bruker maskinlæring til å analysere avlinger og ugress.

Samarbeidet med Amii tok for seg kornsorter tidlig i vekstsesongen, som hvete og havre. De smale bladene overlapper, noe som gjør det vanskelig å skille enkeltplanter fra hverandre. Teamet utviklet spesialiserte datasynsmodeller som kunne håndtere tett plantedekke og krevende bildeforhold, blant annet støv, blending og vind.

Produktinformasjonen fra Croptimistic forklarer hvordan kameraer montert på sprøyter kobler detaljerte bilder av jordene til driftsområder. Den praktiske verdien av bedre avlingsregistrering ligger i de geografiske detaljene: Dyrkere kan undersøke ujevn etablering av vekster og ugresspress over hele jordet, i stedet for å basere seg på bare noen få manuelle observasjoner.

Carson Integrated: Fra miljødata til prediksjoner

Carson Integrated er et konsulentselskap innen miljø og skogbruk, og arbeidet omfatter geodata for prosjekter knyttet til naturressurser. Selskapet arbeidet med klassifisering av vassdrag, som bidrar til å fastsette vernesoner rundt vannveier.

Amii sin casestudie om Carson beskriver en modell som ble utviklet ved hjelp av omtrent to tiår med innsamlede data, blant annet feltmålinger og informasjon fra fjernmåling. I arbeidet med å utvikle egenskaper undersøkte man terreng- og miljøforhold; størrelsen på nedbørfeltets utløp viste seg å være særlig nyttig. Studien rapporterer en gjennomsnittlig klassifiseringsnøyaktighet på omtrent 75 % når de relevante dataene var tilgjengelige.

Bruksområdet viser hvordan fagkunnskap bidrar til å gjøre maskinlæring nyttig. Å identifisere en vannvei i bilder er en annen oppgave enn å forutsi den regulatoriske klassifiseringen. Prediksjoner kan bidra til å prioritere vurderingsarbeid i avsidesliggende terreng, men nøyaktigheten og egnetheten må fortsatt vurderes ut fra beslutningene de skal støtte.

Visionstate: Planlegging som et begrenset optimaliseringsproblem

Visionstate utvikler programvare for drift av bygninger, inspeksjoner og verifisering av utført arbeid. På selskapets nåværende nettsted fremheves MIRA, en plattform som kobler sammen rapporter, inspeksjoner, arbeidsordrer og oppfølging. Samarbeidet med Amii fokuserte på selskapets plattform for eiendomsforvaltning, WANDA.

Den detaljerte casestudien forklarer at rengjøringsruter og -planer ble utformet som et begrenset optimaliseringsproblem. Systemet må fordele en fast bemanning og samtidig ta hensyn til utformingen av lokalene, servicekrav og regler for etterlevelse, med en avveining mellom effektivitet og rettferdighet.

Arbeidet støttet også TidyLogic, et produkt for ressursplanlegging, og et verktøy for å beregne rengjøringskostnader i helsesektoren. Kasusstudien beskrev TidyLogic som et produkt i betaversjon, og modellen som på vei mot integrering da studien ble skrevet. Dette skillet er viktig: kommersiell produktutvikling og et fullt utrullet optimaliseringssystem er to separate milepæler.

Ambyint: Bygger kompetanse innen forsterkende læring

Ambyint leverer programvare for produksjonsoptimalisering til olje- og gassoperatører. Den eksisterende plattformen kombinerer fysikkinformerte modeller med automatisert styring, blant annet justering av utstyrets settpunkter via industriell overvåkingsinfrastruktur.

Amii-prosjektet utforsket forsterkende læring for brønner med stempelløft, der endringer i trykkgrenser påvirker hvordan oppsamlede væsker fjernes. Begrenset kunnskap om forholdene dypt under bakken gjør simulering og styring vanskelig. Teamet prøvde ut metoder basert på historiske data og fysikkinformerte metoder for å forbedre beslutningene.

Kasusstudien er tydelig på utfallet: De eksperimentelle modellene forbedret ikke effektiviteten sammenlignet med Ambyints eksisterende automatisering, og de var ennå ikke pålitelige eller responsive nok for produksjonsdrift. Gevinsten var et bedre rustet internt team og en klarere forståelse av hvor det var behov for videre forskning. Dette er et nyttig resultat av innføringen, selv når den ikke umiddelbart fører til en modell som kan tas i bruk.

Riva: Gjør virksomhetsdata nyttige for KI

Amii trekker også fram det Edmonton-baserte selskapet Riva som en tidlig mottaker av støtte, og viser til framgang mot løsninger som er klare for produksjonssetting uten å opplyse om den konkrete modellarkitekturen.

Rivas plattform kobler e-post, kalender-, kontakt- og møteopplysninger til systemer for håndtering av kunderelasjoner. Funksjonene omfatter KI-genererte samtalesammendrag og strukturerte møtereferater som team kan gjennomgå og knytte til CRM-oppføringer. Dette gir en annen ramme for innføring enn feltavbildning eller industriell styring: Utfordringen er å gjøre forretningsinteraksjoner nyttige, samtidig som styring og menneskelig gjennomgang ivaretas.

Hvorfor modellen er viktig også utenfor Canada

De deltakende virksomhetene viser at innføring av KI omfatter datasyn, prediktiv modellering, begrenset optimalisering, forsterkende læring og arbeidsflyter for virksomhetsinformasjon. Hvert område krever ulike data, evalueringsmetoder og operasjonell ekspertise.

Partnerskapets bredere betydning ligger i vektleggingen av eierskap og teknisk kapasitet. En bedrift får mer enn en modell når egne ansatte lærer hvordan modellen ble utviklet, hvordan den skal testes, og når man bør stole på prediksjonene dens. For mindre bedrifter kan overføring av denne kompetansen være like viktig som den innledende leveransen av programvaren.