30 minutter inn i fremtiden

Eirik Normann Hansen driver sitt eget konsulentselskap (om digital markedsføring og ledelse, blant annet) etter en karriere innen kreativ consulting i bl.a. Creuna. Han er stolt innehaver av det fineste kontoret i Oslo – et tidligere atelier i Damstredet 20A, der han har pusset opp og installert en passende mengde duppeditter. Dette kontoret er i seg selv verdt et besøk, og det har jeg gjort, for noen uker siden. Resultatet er en podcast om alt og ingenting – kanskje først og fremst om at digitalisering krever teknologiforståelse, ikke bare for teknologien slik den er, men slik den kommer til å bli.

Og dermed gjenstår bare å legge ut noen lenker:

(Podtail) (Apple Podcast)

Kvantedatamaskiner og IoT

If you think you understand quantum mechanics, you don’t understand quantum mechanics. (Richard Feynman)

Notater fra et seminar i Forskningsparken. Advarsel: Notater tatt underveis – mangler, misforståelser og digresjoner i massevis.

Hva er en kvantedatamaskin? Franz Fuchs (SINTEF)
Introduction: Google’s «quantum supremacy» isn’t that… Quantum computers outperform regular computers on certain tasks (such as integer factorisation) but are unlikely to have practical use in the near future. Moore’s law is saturating, transition to a quantum age. Short history of quantum computing:

Quantum computers are at the stage of ENIAC at this point.
Two challenges for quantum computers: Hardare and software. Lots of research: EU has a quantum computing technologies flagship, worth 1b Euros, similar in the US and China. IBM has done a lot of research, up to 20 qubits devices. D-Wave uses quantum annealing, a kind of analog computing, free access for 1 minute, open source python tools. Alibaba, Microsoft, Google all experiment. Intel, Rigetti has technologies (the latter a hybrid), IonQ. In sum: Heavy investments into development from many parties. But: Classical algorithms run on a quantum computer will not run faster. Shor’s algorithm is not parallelism… Developments:

Applications will be quantum chemistry, AI, optimization, and simulations. In addition, cryptography, China is using quantum satellites to have safe video calls, and a quantum tunnel between Beijing and Shanghai, though this is not strictly quantum computing.

Question: Quality of qubits? IBM has a measure, depends on errors in measuring, connections, etc.

Question: Languages? A number of high-level languages (QISKit, Forest), mostly assembly at this point. Will be more general.

Kvanteberegning og IoT. Ketil Stølen
Naivt bilde av IoT: Data opp i skyen. Pipeline en flaskehals, dermed går man til fog computing (LAN-nivå) og edge computing (tingene selv). Stort problem at teknologien er fragmentert og umoden, mangler særlig testet software for integrering og interaksjon. Sikkerhet ofte et problem på grunn av manglende kapasitet. Samtidig gir nettforbindelse en kolossal angrepsflate. Eksempel: Casino angrepet gjennom et akvarium som sto i foajeen. Et annet problem er at man er svært avhengig av leverandører. Personvern også et stort problem – og mye av motivasjonen for edge computing.

Kan QC hjelpe til med disse problemene? Masse hype. Noen problemer: Størrelse (pga. behov for superkjøling.) På kort sikt må man jobbe med store QC-maskiner, hvordan kan dette gjøres. Forskning ved Delft snakker om behov for algoritmekunnskap go lokale satellitt-maskiner. Problem er at QC gir omtrentlige svar. Min digresjon: Bør kunne brukes til PGP-oppaknining og løsning av visse typer knapsack-problemer, der en omtrentlig løsning er bra nok.

Kvanteberegning ned til fog og edge vil antakelig kunne takle et sikkerhetsproblem. Kontra: QC kan føre til at man kanskje lager sikrere arkitekturer fra bunnen av.

Diskusjon: Ca. 95 algoritmer der man har funnet at QC er raskere, det er nokså lite. Optimalisering det som D-Wave driver med, annealing fungerer for optimalisering. Men smalt spektrum av brukerområder til nå.

En arkitektur som ikke er nevnt: Photonic quantum computing, skal kunne ha romtemperaturløsninger om 5-10 år. Gir et sikkerhetsproblem ved at dagens kryptering ikke holder for fremtidige metoder.

Kvantekryptering, kvantehacking og sikkerhet. Johannes Skaar (UiO)
Kvantekryptering kan gjøres i dag med en liten dings, Sende fire fotoner som detekteres, enkelt å gjøre. Quantum key distribution trenger en ekstra kanal, BB84-protokoll:

Dette er sikkert pga to prinsipper: Ikke mulig å klone kvanteinformasjon. Måling vil forstyrre kommunikasjonen. I praksis: nokså enkelt å hacke kvantekommunikasjon. Kvantehacking, russer (Vadim Makarov) med postdoc på UiO, laget en koffert som kunne gjøre dette.

Alternativer til kvantekryptering: Assymetrisk offentlig nøkkelkryptering. Symmetrisk privat nøkkelkryptering, Oppsummering: Mange problemer med kvantekryptering, men verdt å forske på dersom vi mister assymetrisk kryptering som alternativ.

Kvanteresistent kryptografi. Thomas Gregersen (NSM)
QC et problem fordi tradisjonelle algoritmer brukes lenge etter at de er obsolent, derfor må vi utvikle kvanteresistent krypto før QC finnes. Grovers algoritme (generell) og Shors algoritme (spesiell for integer faktorisering) er utfordring fordi den finner løsninger i lineær tid. Initiativer fra NIST og PQCRYPTO (EU) mot å utvikle dette.

Nye algoritmer vil måtte ha nøkler og signaturer som ikke tar for stor plass. Skal ikke ta for lang tid, og bruke kjente vanskelige beregningsprosesser. Mange kandidater:

En hel del av dette kommer til å bli implementert, scenariet er at det skal kunne kjøres på en klassisk maskin og beskytte mot en angriper med tilgang til kvanteanalyse. Ulike algoritmer har ulike fordeler/ulemper, mulig at man kan løse dette ved å rullere algoritmer for samme melding. Men det gjenstår å se om det rent praktisk er relevant å lage maskiner som kan angripe skikkelig krypto, men vi må bruke tid på denne forskningen i tilfelle noen klarer det.

Diskusjon: Mye av kryptoknekking skjer pga. dårlig implementering. Det å øke antallet algoritmer gjør at man øker risikoen for dårlige implementeringer, særlig i hardwarebaserte løsninger. Fascinerende at dette er det samme vi har sett før: Nytt domene, blir et nytt kappløp mellom knekkere og kodere.

Kvanteberegning og kunstig intelligens. Phillip Turk (SINTEF)
Innledning om AI og ulike metoder, fokus på søkealgoritmer, siden mye AI går ut på å søke over et stort antall mulige løsninger. Algoritmer er forskjellige – input er hvordan man organiserer gates – alle løsninger finnes i superposisjonene, algoritmene siler seg frem til den korrekte løsningen.

Kommentar: Kan man bruke en QC til å finne heuristikk som så kan gjøres om til en algoritme som kan brukes av en vanlig datamaskin? Første anvendelse antakelig maskinlæring ved hjelp av quantum annealing, kanskje innen ti år. Ennå ingen problemer der man har quantum supremacy, noe uklart om vi har det ennå, men det kan kanskje komme for et eller annet problem snart.

Om å digitalisere skipsmaling

Malingprodusenten Jotun er stille og rolig i ferd med å revolusjonere markedet for skipsmaling – og det har jeg skrevet litt om på Digi.no. (Også gjengitt i BI Business Review.)

Altfor mange bedrifter, særlig i Norge, ser informasjonsteknologi som noe som reduserer kostnader. Malingprodusenten Jotun går fra å konkurrere på pris til å levere en kostbar og verdifull tjeneste – Jotun Hull Performance Solutions – ved hjelp av teknologi og data.

(Lyst til å diskutere digitalisering med Ragnvald Sannes, Berit Svendsen og meg? Bli med til Frankrike i oktober!)

Som vanlig med lydfil:

Bli med på fire dager med digitalisering i Frankrike!

IMG_3657
Roboten Pepper, som nok er mer en interessant leke enn et verktøy for de fleste bedrifter.

Med dette ønsker Ragnvald Sannes, Berit Svendsen og jeg velkommen til et Executive Short Program (22-25 oktober i år) kalt Digitalisering for vekst og innovasjon i Antibes og i teknologiparken Sophia Antipolis, Europas svar på Silicon Valley, like utenfor Nice i Syd-Frankrike. Hensikten er å vise frem interessante nye teknologiske muligheter og invitere til en dialog om hvordan man kan ta disse i bruk innenfor egen virksomhet.

acc-soph
Fra Accentures Technology Lab – her demonstreres teknologi for å generere et «point-cloud» slik at man kan lage 3D modeller av eksisterende bygninger.

Dette programmet er ment som et møtested (gjerne for flere mennesker fra samme bedrift,) der vi i tillegg til å vise frem mye ny teknologi setter av tid til diskusjon mellom deltakerne. Det gir en anledning for ledere og ledergrupper til ta en time-out og tid til å tenke over hva den nye teknologien (Blockchain, Internet-of-things, analytics, robotics, delingsøkonomi, automatisering, digitale tvillinger, smarte byer, quantum computing, og så videre) betyr for din bedrift og din (eller dine kunders) situasjon og prosesser. Vi vil også forsøke å systematisk fange opp hvilke muligheter og utfordringer hver enkelt bedrift står overfor, og hjelpe til å finne perspektiver for hver enkelt bedrift eller organisasjon om hvordan man skal forholde seg til utviklingen.

IMG_3647
Tidspunktet er valgt med omhu – på denne tiden er det fortsatt varmt nok i Syd-Frankrike til at man kan være ute, men turistsesongen er definitivt over.

Det er 12. gang vi arrangerer et seminar der nede sammen med Accenture Technology Labs, og femte gang vi gjør dette som et selvstendig, firedagers program. Deltakerne på det første programmene har vært svært fornøyd. En av tingene vi har lært av deltakerne er å sette av tid til diskusjoner – man lærer minst like mye av hverandre som av seminarlederne – og at diskusjonene, i hvert fall mellom deltakerne, kommer til å være på norsk. Dette seminaret er ment som en «time-out» for å kunne stille dumme spørsmål og diskutere potensielt vanskelige temaer i et kunnskapsrikt og konfidensielt miljø.

Her er noen linker til notater jeg har tatt ved tidligere besøk. Jeg ser frem denne uken, til å lære nye ting, og til å bli kjent med nye mennesker med interessante utfordringer og et ønske om å forstå hvilket potensiale som ligger, forretnings- og arbeidsmessig, i ny teknologi!

Vi sees! (Og har du spørsmål, send meg gjerne en epost.)

berne.jpg
En av dagene holdes på vinslottet Chateau Berne, med konferanselokaler av høy kvalitet og en finfin atmosfære for å diskutere hva teknologiutviklingen betyr for egen bedrift.

Om flyteknologi og konsulentteknologi

Norges Tekniske Vitenskapsakademi har publisert en bok om Det nye digitale Norge, og der har jeg to kapitler – et om teknologi i flybransjen, og et om hvordan teknologi påvirker problemløsende bedrifter.

Utfordringen fra komiteen var å se inn i krystallkulen og beskrive litt om hvordan teknologi vil endre seg innenfor disse to bransjene frem til 2030. Nå er det slik at det er ikke er så fryktelig lenge dit, så på en måte er oppgaven enkel: Det meste vil se ut som i dag. Fly vil fly, problemer vil bli løst, og for det meste vil det gjøres manuelt og involvere mennesker. Men vi kan se en hel del teknologier komme, og skal man forstå hvordan de kommer til å utvikle seg og påvirke bransje (eller i hvertfall gjøre et forsøk), må man forstå hvilke begrensninger som ligger i bransjen – som at innenfor flybransjen må alt nytt være sikkert og lønnsomt – hvis ikke blir det bare et prestisjeprosjekt, som Concord.

Og det er det jeg har forsøkt å gjøre. Så er det opp til leserne om jeg (og de andre forfatterne) har lyktes.

God fornøyelse!

FINNovasjon

I dag hadde jeg med meg mine unge og smarte DigØk-studenter på besøk hos FINN.no, et av nokså få selskaper i Norge som er a) heldigitale og b) har en eksplisitt og datadrevet innovasjonsstrategi. Jens Hauglum hadde lagt opp et spennende program som inkluderte perspektiver fra organisasjonssiden (Kristin Sætevik), eiersiden (Schibsteds konsernstrategi ved Sven Thaulow) og ledersiden (Ruben Søgaard) i bedriften.

FINN.no har, som synes, eget SnapChat-filter! (Foto: Lene Pettersen)

Det ble et meget vellykket besøk, med høyt engasjement fra studentenes side (de var vel forberedt, vi hadde diskutert Schibsteds utvikling frem til 2007 i en tidligere forelesning basert på et case fra HBS). I tillegg til foredrag og diskusjoner fikk de prøve seg på en aldri så liten idegenerering selv, i et forsøk på bedre å forstå FINN.nos innovasjonsprosess, kalt «ledersnurren«.

FINN.no og Schibsted er forbausende lite kjent i norsk næringslivspresse, noe som er litt rart, gitt at selskapet (inkludert Adevinta, verdsatt til 33 milliarder, en av Oslos største børsintroduksjoner) har omsetning for 20 milliarder totalt med EBITDA på 40-tallet innenfor markedsplassene. Men norsk business-presse er stort sett opptatt av oljeprisen

I alle fall – takk til FINN.no for et supert opplegg – og det skulle ikke forundret meg om ikke en hel del av studentene kunne tenke seg en karriere i FINN.no.

Jens og ledersnurren

Oppgaver i maskinlæring

Sammen med Chandler Johnson og Alessandra Luzzi underviser jeg nå tredje iterasjon av kurset Analytics for Strategic Management. I løpet av kurset jobber studenter med reelle prosjekter for ordentlige selskaper, og bruker ulike former for maskinlæring (stordata, analytics, AI, hva du vil kalle det) til å løse forretningsproblemer. Her er en (for det meste anonymisert, bortsett fra offentlig eide selskaper) liste med resultatene så langt:

  • Et IT-serviceselskap som leverer data og analyser, ønsker å forutsi kundenes bruk av sine elektroniske produkter, for å kunne tilby bedre produkter og skreddersy dem mer til de mest aktive kundene. Resultat: Bedre salgsprediksjoner enn den eksisterende metoden (reduserte feilmodellering med 86%) – men modellen fungerer ikke langt frem i tid. Men den vil bli implementert.
  • En bensinstasjonskjede ønsker å beregne churn hos sine forretningskunder, for å finne måter å holde dem på (eller om nødvendig, endre noen av sine tilbud). Resultat: Fant en modell som identifiserer kunder som vil forlate dem, med en treffrate på 50% vil modellen forbedre resultatet med 25m kroner, og det er rom for å øke bruken av modellen utenfor de opprinnelige segmentene.
  • En frisørkjede ønsker å forutsi hvilke kunder som vil sette opp en ny avtale når de har klippet seg, for å bygge kundelojalitet. Resultat: Fant en modell som predikerte hvilke frisører som har problemer med å bygge opp en gruppe stamkunder (med omtrent 85% nøyaktighet), har klart å få en bedre forståelse av hva som driver kundelojalitet og dermed hvordan de kan hjelpe frisører med å få flere kunder.
  • En stor finansinstitusjon ønsker å finne ansatte som ser etter informasjon om kunder (for eksempel kjendiser), for å styrke personvern og datakonfidensialitet. Resultat: Slet med å få tak i nok og riktige data, men bygget en spesifikasjon av hva slags data som er nødvendig, hva det vil koste, og hva resultatet vil være – og fant at innenfor dette området finnes det svært få modeller, noe som er en mulighet. Og man fant noen lovende startpunkter for å bygge en slik modell. Vanskelig, men viktig område.
  • En stor offentlig IT-avdeling ønsker å forutsi hvilke ansatte som sannsynligvis vil forlate selskapet, for bedre å planlegge for rekruttering og kompetansebygging. Resultat: Bygget en prediksjonsmodell og en prosess som reduserer ledetiden for å ansette en ny person fra 9 til 8 måneder (en 10m innsparing) og dermed reduserer behovet for å utsette prosjekter på grunn av kapasitetsmangel, samt forbedre planleggingen av fremtidige kompetansebehov og øke sjansen for å beholde viktige ansatte.
  • OSL Gardermoen vil finne ut hvilke flypassasjerer som vil ønske å bruke taxfree-butikken etter at de har landet, for å øke salget (og ikke bry dem som ikke vil kjøpe taxfree). Resultat: Fant at noen variable man trodde ville øke taxfree-andelen ikke gjorde det, lærte mye om hva som gjør forskjell – og at modellen, hvis man klarer å bygge den, vil være mye verdt (en økning i taxfree-bruk på under en prosent vil øke Avinors inntekter med mer enn 100m). Samt at eksperimentering, ikke store prosjekter, er veien å gå videre.
  • En mindre bank ønsker å finne ut hvilke av sine yngre kunder som snart trenger et boliglån, for å øke sin markedsandel. Resultat: Bygget en modell som øker sannsynligheten for å identifisere førstegangs boliglånskunder, til en merverdi av 6,9 millioner kroner – samt at bruken av denne modellen introduserer datadrevne beslutninger for organisasjonen.
  • Et internasjonalt TV-selskap vil finne ut hvilke kunder som sannsynligvis vil si opp abonnementet sitt innen en bestemt tidsramme, for å bedre skreddersy sitt tilbud og markedsføring. Resultat: Bygget en modell med en kortsiktig beregnet merverdi på 500000 kroner per år, som treffer seks ganger bedre enn tilfeldige utvalg. I løpet av arbeidet har man funnet en rekke aktiviteter som kan øke kundelojaliteten uten store kostnader – og funnet inspirasjon for mer bruk av maskinlæring.
  • En leverandør av administrerte datasentre ønsker å forutsi sine kunders energibehov, for å kunne skrive og oppfylle konktrakter om sertifisert grønne datasentertjenester. Resultat: Bygget en modell basert på historiske sensordata for eksisterende kunder, for å forutsi forbruk for en ny kunde, og deretter en modell som inkluderer den nye kunden for å overvåke resultatet og forbedre modellen for alle kundene. En korrekt modell (som implementert) vil forbedre månedlig inntekt med 47% for en ny klient og redusere sjansen for kontraktsterminering.
  • Ruter (paraplyfirmaet for offentlig transport for Oslo-området) ønsker å bygge en modell for å bedre forutsi trengsel på busser, for å, vel, unngå trengsel. Resultat: Bygget en modell og et forslag til en tjeneste for å kunne fortelle Ruters kunder om det (sannsynligvis) er ledige seter på bussen eller ikke, går nå til testing.
  • Barnevernet ønsker å bygge en modell for å bedre forutsi hvilke familier som mest sannsynlig vil bli godkjent som fosterforeldre, for å kunne prioritere saksbehandling og redusere ventelister. Resultat: Tross mye manglende data klarte man å finne gode indikatorer på godkjente fosterforeldre og har lagt en plan for videreutvikling av modellen etterhvert som man får bedre data. Området er lovende, siden behovet for fosterforeldre er stort og selv en liten forbedring vil hjelpe.
  • Et strømproduksjonsselskap vil bygge en modell for å bedre forutsi strømforbruket i deres marked for å kunne planlegge produksjonsprosessen bedre. Resultat: Testet mange modeller og har funnet at å forutsi spot-priser er vanskelig, men har klart å finne indikatorer på økt volatilitet, noe som gjør at man kan produsere noe mer presist. Kortsiktig effekt av en liten modell er 100-200 tusen euro per år for hver produksjonsenhet, et tall som forventes å øke siden volatiliteten i markedet vil øke fremover.

Alt i alt er vi svært fornøyd – vi har klart å øke verdien, samlet sett, for disse selskapene adskillig mer enn kurset koster (I hvert fall 10-gangen, konservativt anslått). Flere av deltakerne har fått nye stillinger og flere av dem har bestemt seg for at data science er en retning de skal fortsette å utvikle seg i, og ønsket seg flere slike «tekniske» kurs. Og gitt at vi også har produsert en masse kunnskap og generelt økt deltakernes evne til å bygge bro mellom analytikere og forretningsfolk, tror jeg vi kan erklære dette prosjektet for en suksess…

Og her er (de fleste) av denne gjengen: