Gjesteinnlegget er skrevet av Stig Løvstad og Bjørn Høydal. Begge er seniorrådgivere i Tellmann, et rådgivningsselskap innen informasjonsteknologi og digitalisering.
Det vil nok overraske mange at teknologien i en bransje som fiskeoppdrett nå er i eksponentiell utvikling. Det er dog stor forskjell på hvordan de enkelte aktørene forholder seg til avansert teknologi, og mange er fortsatt skeptiske til hvilken reell verdi både IT-løsninger generelt og kunstig intelligens spesielt kan tilføre næringen.
Vi ser at stadig flere aktører innen kunstig intelligens (KI) får øynene opp for denne næringen, som tjener gode penger selv med liten bruk av teknologi. Det er til og med serieentreprenører fra Silicon Vally som flytter til Vestlandet for å etablere selskap som utvikler spesialiserte KI-løsninger for bransjen.
For å vise bredden i teknologiutviklingen på dette området, vil vi se på kombinasjonen av flere teknologier som er med på å underbygge verdien av kunstig intelligens/maskinlæring innenfor oppdrettsnæringen. Disse teknologiene har naturligvis også anvendelser innen andre bransjer.
Noe av det vi kommer inn på er fortsatt på utviklingsstadiet, samtidig er det overraskende mye som allerede er hyllevare, og implementert i fullskala drift.
Eksempler på eksisterende løsninger
For å rettferdiggjøre investering i avansert teknologi må den i vesentlig grad bidra til å underbygge viktige forretningsmessige drivere. Vi trekker derfor frem tre områder vi mener er i denne kategorien:
Ansiktsgjenkjenning i forbindelse med foring og vekstanalyse:
Vi er etter hvert blitt godt kjent med ansiktsgjenkjenning på både mobil og PC for økt autentiseringssikkerhet. Nå brukes tilsvarende teknologi for å identifisere og skille laks fra hverandre. Dette gir mange muligheter som før enten var praktisk umulig, eller medførte stor grad av manuelt arbeid og høy usikkerhetsgrad.
I forbindelse med foring finnes det nå løsninger som identifiserer hver enkelt fisk som kommer til foringsstasjonen, og ikke frigjør mat/pellets dersom fisken allerede har fått dagens rasjon. Dette reduserer svinn og er utvilsomt bra for miljøet.
Analyse av biomasse og evnen til å forutse hvilke volumer som er slakteklart til hvilken tid har stor verdi. Dette er nå mulig ved å analysere et stort antall bilder som tas av kameraer plassert rundt om i merdene. Ansiktsgjenkjenningen sørger for identifisering, og maskinlæring benyttes for å beregne størrelse og vekt basert på tusenvis av målepunkter.
Telling og rapportering av lakselus:
Lakselus er en av de største utfordringene oppdrettsnæringen har slitt med i mange år. Det er strenge krav til telling av lus, med påfølgende rapportering til myndighetene. Det som inn til nylig har vært en manuell og tidkrevende jobb, kan nå automatiseres ved hjelp av kunstig intelligens.
Gjennom bildeanalyser basert på maskinlæring er det ikke bare antall lus som telles, men det gjøres også en analyse av hvilket stadium den enkelte lus er på i sin livssyklus. Dette gir et godt analysegrunnlag for å forutse utviklingen i antall lus pr. fisk frem i tid. En eksisterende løsning har fullautomatisert prosessen, ved at også myndighetsrapporteringen gjøres uten at mennesker trenger å bidra i prosessen.
Forutse og detektere fiskesykdom:
Vi kunne nylig lese at et gründerselskap etablert i 2017 har utviklet flere løsninger som bidrar til tidlig detektering av sykdom på fisk, med høy grad av nøyaktighet. De studerte i 2019/2020 maskinlæringsalgoritmer som ble benyttet i forbindelse med covid-19-analyser, og fant ut at disse også hadde relevant applikasjon for analyse av sykdom på oppdrettsfisk. Nye og tilpassede systemer ble utviklet og er i dag implementert i flere norske anlegg. Dette er et godt eksempel på at innovasjoner innen spesifikke områder kan gjenbrukes og bidra til å løse problemer i helt andre industrier.
Mulige fremtidsbilder for oppdrettsnæringen
Selv om det allerede er mange eksisterende løsninger på markedet, er det først når mange forskjellige teknologier kobles sammen på en smart måte at de store effektene oppnås.
Det er ingen tvil om at IoT, som er kort for Internet of Things eller Tingenes internett, blir viktig i denne sammenhengen. Sensorer blir stadig billigere, og mer avanserte. I årene fremover vil vi se en eksplosjon i antall sensorer som forer maskinlæringsalgoritmer med store mengder sanntidsdata. Når vi ser dette i sammenheng med utrulling av 5G og avansert edge-computing, vil analysekapasiteten mangedobles, og muliggjøre helt nye bruksområder.
Autonome roboter blir billigere og mer avanserte, og vi vil se spesialiserte utgaver eksempelvis utformet som fisk, som samler inn store datamengder uten nevneverdig forstyrrelser for fiskene. Droner vil også bli sentrale i overvåkning av merder og anlegg, og dette blir særlig viktig for dypvannsanlegg som nå bygges lengre fra fastlandet.
Fiskevelferd er en viktig faktor, og miljøavtrykket er noe kundene blir mer og mer opptatt av. Gjennom å ta i bruk løsninger bygget på blokkjede-teknologi, kan dette avtrykket dokumenteres pr. fisk, basert på alle dataelementer som er samlet inn fra smolt til slakt, sammen med mange andre viktige kvalitetsfaktorer som for eksempel fraktdata: hvor lang tid fisken har vært i transport, hva snitt-, minimum- og makstemperatur har vært under transporten m.m.
Dette vil gi gevinster
Om noen år kan vi se en ny virkelighet der ansatte og kunder vil kunne møtes i metaverset til Facebook, og ved hjelp av mixed reality, kombinasjonen av kunstig og utvidet virkelighet, kan hele anlegget besøkes både over og under vann, uansett hvor i verden den enkelte måtte befinne seg.
Dette vil gi gevinster innen markedsføring, salg og vedlikehold, samtidig som det gagner miljøet ved å redusere behovet for reising, og ikke minst driftsoptimalisering med mindre fysisk inspeksjon av merdene. Mye av teknologien som skal til for å realisere denne «drømmen» finnes allerede, men det kreves investeringsvilje og innovasjon for å sy sammen teknologikomponenter i en pakke som er tilpasset markedet, og ikke minst har positiv avkastning på investering.
Når tror du dette kan bli en realitet?
