Amii utökar samarbetet kring AI-användning för att stötta ytterligare 25 företag

Amii, Alberta Machine Intelligence Institute, utökar sitt partnerskap med Kanadas regionala myndighet för ekonomisk utveckling, PrairiesCan, för att hjälpa ytterligare 25 små och medelstora företag att utveckla praktiska AI-kompetenser. Tillkännagivandet den 27 oktober innebär ytterligare 2,5 miljoner kanadensiska dollar i federalt stöd, vilket innebär att de federala investeringarna i initiativet totalt uppgår till 5,6 miljoner kanadensiska dollar.

Utökningen omfattar Alberta, Saskatchewan och Manitoba, och de första samarbetena inom energi, jordbruk och tillverkningsindustri har redan inletts. Amii uppger att programmet har arbetat med 30 regionala företag sedan det startade 2024. Företagen får stöd av specialister på maskininlärning, som bygger system utifrån företagens egna verksamhetsdata och ser till att företagen får den kompetens som krävs för att underhålla systemen.

Ett forskningssamarbete med fokus på praktisk tillämpning

Amii har sitt säte i Edmonton och är en fristående ideell organisation samt ett av Kanadas tre nationella AI-institut inom ramen för Pan-Canadian AI Strategy. Historien går tillbaka till Alberta Ingenuity Centre for Machine Learning, som grundades 2002. Organisationen blev en fristående ideell verksamhet under namnet Amii 2017. Verksamheten knyter samman forskning, kompetensutveckling och kommersiella tillämpningar.

Prairies Economic Development Canada, som går under namnet PrairiesCan, är den federala myndighet som stöder ekonomisk utveckling i de tre deltagande provinserna. För internationella läsare visar partnerskapet hur offentliga investeringar kan ge mindre företag tillgång till specialistkompetens inom teknik som annars skulle vara svår för dem att skaffa på egen hand.

Amii:s modell för AI-utveckling innebär att en heltidsanställd specialist på maskininlärning arbetar med ett företags projekt under handledning av institutets forskare. Specialisten samarbetar med företagets team kring utveckling och testning av modeller, och företaget kan välja att anställa personen efteråt. Det allmänna erbjudandet anger ett åtagande på 12 till 15 månader, även om omfattningen och kostnaden varierar mellan olika projekt.

Företagen behåller de immateriella rättigheter som utvecklas under samarbetet och får dokumentation samt kunskapsöverföring. Därmed skiljer sig partnerskapets mål från att bara leverera en prototyp som tagits fram av en extern part: företaget ska kunna vidareutveckla systemet när det externa forskarteamet har avslutat sitt arbete.

Croptimistic: datorseende som fungerar ute på fältet

Croptimistic Technology utvecklar precisionsjordbrukssystemet SWAT MAPS, som kombinerar information om jord, vatten och topografi för att vägleda arbetet på fältet. Produkten SWAT CAM samlar in bilder under det vanliga sprutningsarbetet och använder maskininlärning för att analysera grödor och ogräs.

Samarbetet med Amii fokuserade på spannmålsgrödor tidigt på säsongen, till exempel vete och havre. De smala, överlappande bladen gör det svårt att urskilja enskilda plantor. Teamet utvecklade särskilda datorseendemodeller som kan hantera täta bestånd och svåra bildförhållanden, däribland damm, bländning och vind.

Croptimistics produktinformation beskriver hur kameror monterade på sprutor kopplar samman täta bildserier från fältet med styrningszoner. Den praktiska nyttan med bättre gröddetektering ligger i den geografiska detaljrikedomen: odlare kan undersöka ojämn etablering och ogrästryck över hela fältet i stället för att enbart förlita sig på ett fåtal manuella observationer.

Carson Integrated: från miljödata till förutsägelser

Carson Integrated är ett konsultföretag inom miljö och skogsbruk, vars verksamhet bland annat omfattar geospatial information för naturresursprojekt. Företagets utmaning gällde klassificering av vattendrag, vilket hjälper till att fastställa skyddszoner kring vattendrag.

Amii:s fallstudie om Carson beskriver en modell som byggdes med hjälp av insamlade data från ungefär två decennier, däribland fältmätningar och information från fjärranalys. Vid utvecklingen av modellens indata undersöktes terräng- och miljöegenskaper; storleken på avrinningsområdets utlopp visade sig vara särskilt användbar. Enligt studien var den genomsnittliga klassificeringsprecisionen cirka 75 procent när lämpliga data fanns tillgängliga.

Tillämpningen visar hur ämneskunskap bidrar till att göra maskininlärning användbar. Att identifiera ett vattendrag i bildmaterial är en annan uppgift än att förutsäga dess rättsliga klassificering. Förutsägelser kan hjälpa till att prioritera utredningsarbete i avlägsen terräng, men deras precision och lämplighet måste fortfarande bedömas utifrån de beslut de ska ligga till grund för.

Visionstate: schemaläggning som ett optimeringsproblem med begränsningar

Visionstate utvecklar programvara för drift av fastigheter, inspektioner och verifiering av utfört arbete. På företagets nuvarande webbplats ligger fokus på MIRA, en plattform som kopplar samman rapporter, inspektioner, arbetsorder och tillsyn. Samarbetet med Amii fokuserade på företagets plattform för fastighetsförvaltning, WANDA.

Den detaljerade fallstudien beskriver hur städrutter och scheman formulerades som ett optimeringsproblem med begränsningar. Systemet måste fördela en fast personalstyrka och samtidigt ta hänsyn till lokalernas utformning, servicekrav och regler för efterlevnad samt balansera effektivitet och rättvisa.

Arbetet bidrog också till TidyLogic, en produkt för resursplanering, och ett verktyg för att uppskatta städkostnader inom vården. I fallstudien beskrevs TidyLogic som en betaversion och modellen som på väg att integreras vid tidpunkten för publiceringen. Skillnaderna är viktiga: kommersiell produktutveckling och ett fullt driftsatt optimeringssystem är separata milstolpar.

Ambyint: Bygger upp expertis inom förstärkningsinlärning

Ambyint tillhandahåller programvara för produktionsoptimering åt olje- och gasoperatörer. Den befintliga plattformen kombinerar fysikbaserade modeller med automatiserad styrning, bland annat genom att justera utrustningens börvärden via industriell övervakningsinfrastruktur.

Amii-projektet undersökte förstärkningsinlärning för brunnar med kolvlyft, där ändrade tryckgränser påverkar hur ansamlade vätskor avlägsnas. Den begränsade kunskapen om förhållandena långt under markytan gör simulering och styrning svår. Teamet testade metoder som bygger på historiska data och fysikbaserade metoder för att förbättra besluten.

Fallstudien är tydlig med resultatet: de experimentella modellerna förbättrade inte effektiviteten jämfört med Ambyints befintliga automatisering och var ännu inte tillräckligt tillförlitliga eller snabba i responsen för produktion. Vinsten var ett mer välutrustat internt team och en tydligare bild av var ytterligare forskning behövdes. Det är ett värdefullt resultat av införandet, även när det inte omedelbart leder till en driftsättningsbar modell.

Riva: Gör företagsdata användbara för AI

Amii lyfter också fram Edmonton-baserade Riva som en tidig mottagare av stödet och hänvisar till framsteg mot produktionsklara lösningar utan att avslöja den specifika modellarkitekturen.

Rivas plattform kopplar samman information från e-post, kalendrar, kontakter och möten med system för kundrelationshantering. Funktionerna omfattar AI-genererade samtalssammanfattningar och strukturerade mötesresultat som team kan granska och koppla till CRM-poster. Detta innebär ett annat sammanhang för införandet än fältavbildning eller industriell styrning: utmaningen är att göra affärsinteraktioner användbara och samtidigt bevara styrning och mänsklig granskning.

Varför modellen spelar roll även utanför Kanada

De deltagande företagen visar att införandet av AI omfattar datorseende, prediktiv modellering, begränsad optimering, förstärkningsinlärning och arbetsflöden för företagsinformation. Var och en av dessa tillämpningar kräver olika data, utvärderingsmetoder och operativ expertis.

Partnerskapets bredare betydelse ligger i betoningen på ägarskap och teknisk kapacitet. Ett företag får ut mer än en modell när den egna personalen lär sig hur modellen har byggts, hur den ska testas och när dess förutsägelser bör anses tillförlitliga. För mindre företag kan överföringen av dessa förmågor vara lika betydelsefull som den ursprungliga programvaruleveransen.