Bruker maskinlæring til å bedre fiskevelferden

Fenomenet kan slå til med full tyngde – i store områder. I British Colombia i Canada, der Grieg Seafood har en stor virksomhet, har den naturlige oppblomstringen av giftige alger vært et stort og vedvarende fiskevelferdsproblem.

- Vi ble utfordret av Grieg Seafood til å ta i bruk kunstig intelligens for å lage modeller som predikerer konsentrasjonen av giftige alger i anleggene deres. Løsningen skulle benytte Microsoft sin skyplattform, Azure, og rapporteringsløsningen PowerBI, forteller seniorrådgiver Fredrik Broch Elgaaen i Knowit.

Selve oppblomstringen av alger er det vanskelig å gjøre noe med, siden dette er et naturlig fenomen - og skjer utenfor anleggene. Handlingsrommet til oppdretterne består derfor i stor grad av mottiltak for å forhindre at algene kommer inn i anleggene og påvirker fisken.

Utfordringen ligger i å oppdage algene før det er for sent – og det er her systemet for prediksjon av algeoppblomstring kommer inn. Knowit har jobbet agilt og tett sammen med teamet i Grieg Seafood gjennom hele prosjektet. Løsningen ble en skybasert modell som predikerer algeoppblomstring opp til syv dager frem i tid på forskjellige lokasjoner.

– Modellen ble trent ved hjelp av maskinlæring, og baserer seg på en kombinasjon av satellittbilder fra NASA, data fra lokale værstasjoner og Grieg Seafoods egne sensorer, forteller Elgaaen.

I prosjektet for Grieg ble det gjort en kontinuerlig forbedring og utvikling av modellen for å gi et så godt grunnlag for prediksjon som mulig.

– Metoden vi har benyttet i prosjektet, CRISP-DM tar sikte på å strukturere problemet med mål om å få god konsistens, repeterbarhet og objektivitet, forteller Elgaaen.

Kvalitet i datagrunnlaget er alltid en kritisk faktor i prosjekter der en tar i bruk kunstig intelligens og maskinlæring. Det betyr at selv om modellen for behandling av data er på plass og validert, kan datagrunnlaget være for svakt eller trenge ytterligere forbedringer.

– I dette tilfellet så vi etter hvert at datakvaliteten må økes før modellen kan tas i bruk. Det er startet et arbeid med dette, og når kvaliteten blir bedre, vil vi få en fungerende modell. Det betyr trening av modellen med nye data, men svært mye av grunnarbeidet er gjort. Kunnskapen og erfaringen vi har tilegnet oss vil vi ta med videre inn i nye prosjekter, sier Elgaaen.