60 / 72
AMNYTT NR. 2 2026
Harald Martens. Foto: NTNU
– I en tid der algoritmer påvirker stadig flere beslutninger, blir kanskje det viktigste spørsmålet ikke hvor raske systemene er, men om vi kan stole på dem, mener Martens. Da gjelder det å kombinere moderne måledata og tolkbar matematikk.
For systemer som ikke skal ha feil Metoden er foreløpig rettet mot middels komplekse systemer, ikke for eksempel Chat-GPT eller DeepSeek sine enorme språkmodeller. Der er det uansett ofte mer rom for feil. CIM-ML er særlig rettet mot profesjonell bruk i for eksempel prosessindustri og andre tekniske systemer. Dessuten i drone- og satelittbasert miljøovervåking og jordobservasjon med mer.
Eksempler er:
• Vibrasjons-sensorer på en turbin, for å skille lyd, ulyd, og målestøy – før det går galt.
• Termisk video-overvåking av en smelteovn eller en motor, for oversikt og optimering.
• Mangekanals drone- eller satellitt-fotografering av hav og land, for bestemmelse av flest mulig observerbare fenomener, deriblant spektral fjerning av skyggeproblemer.
Her handler det altså ikke bare om å få et pålitelig svar, men også om å forstå hvordan – helst også hvorfor – du fikk akkurat det svaret. I kritiske anvendelser er det viktig å få tidlige varsler, uten mange falske alarmer. Og det er avgjørende at menneskene som bruker systemet, skjønner hva som skjer, sier Martens.