38 / 87 AMNYTT NR. 3 2026 i 59 land, i miljøer der feil koster liv. « Machine learning is already active in the field,» slo Ringstad fast, « providing consistent performance within strict safety constraints.» Overgangen fra sekvensiell PLC-logikk til orkestrerte systemer er ikke et teoretisk fremtidsbilde hos NOV – det er et pågående prosjekt der modulær softwarearkitektur, digitale tvillinger, modellbasert kontroll og AI-optimalisering allerede er i produksjon. « Either you’ re driving change, or you are driven by it,» oppsummerte han.[ DH3.1 ] Christoffer Jørgenvåg, CEO i Hive Autonomy, utfordret publikum med en visjon om ubegrenset tilgang til fysisk arbeidskraft gjennom maskin-agnostisk autonomi-software. Hives tilnærming snur tradisjonsmodellen på hodet: i stedet for at hver maskinprodusent bygger sin egen autonomi-stack, skal samme programvarelag kunne kjøre på gravemaskiner, trucker og intralogistikk-utstyr fra ulike leverandører. Det er samme forskyvning fra hardware til plattform som Pedersen beskrev – bare flyttet ett hakk nærmere maskinen som faktisk gjør jobben. Marius Slagsvold fra Step Solutions presenterte et konkret case fra EU Horizon 2020-prosjektet DAIS, der rundt 250 driftsignaler – temperaturer, trykk, motordata og flowmålinger – fra et gipskalsineringsanlegg ble brukt til å trene maskinlæringsmodeller som kontinuerlig predikerer kvalitetsindikatorer. Der man tidligere var avhengig av manuelle laboratorieprøver med lange mellomrom, gir systemet nå løpende innsikt i produktkvaliteten. Poenget Slagsvold trakk ut av prosjektet, er imidlertid vel så viktig som de tekniske resultatene: suksessen avhang ikke av algoritmevalg, men av grundig datautforskning, dyp prosesskunnskap og tett samarbeid med dem som faktisk drifter anlegget. Det er en nøktern og verdifull påminnelse om at AI i industrien ikke er et rent teknologispørsmål. Jonas Tønnessen fra AMV – industriell PhD-kandidat ved NTNU – bidro med tunnel- og bergbrytingsperspektivet. Autonom sprøytebetong og boreoperasjon i tuneller er ikke bare et ingeniørproblem; det er en menneskelig utfordring. Tønnessen pekte på et paradoks fra paneldebatten: når operatøren styrer manuelt, er han aktiv; når systemet styrer automatisk, blir han passiv – og nettopp derfor viktigere enn før. Automatisering gjør ikke operatøren overflødig. Den endrer rollen hans, og det må designes for eksplisitt. Sondre Sanden Tørdal, CTO og grunnlegger av MotionTech, fullførte sin doktorgrad ved UiA i 2015 og har bygget simuleringsdrevet utvikling inn som kjernepraksis i selskapet. Hans presentasjon viste hvordan kontrollsystem, HMI, loggføring og alarmhåndtering kan utvikles og verifiseres fra kontoret i Grimstad, lenge før maskinen bygges fysisk – med betydelig gevinst i effektivitet og sporbarhet.
Forklarbar AI ved kanten Ole-Christoffer Granmo, grunnlegger av CAIR og opphavsmann til Tsetlin-maskinen, åpnet temaet med keynoten‘ The Tsetlin Machine and the Three Betrayals’ – der han satte forklarbar AI opp mot de dominerende dyplæringsarkitekturene. Svein Anders Tunheim fulgte opp med en gjennomgang av hvordan Tsetlin-maskinen kan implementeres i hardware ved kanten … Svein Anders Tunheim fra UiA / Vallenus og miljøet rundt Centre for Artificial Intelligence Research( CAIR) presenterte forskningen på Tsetlin Machine-basert edge AI – en teknologi som peker seg ut som spesielt egnet for industrielle miljøer. Tsetlin-maskinen er energieffektiv nok til å kjøre i hardware ved kanten av nettverket, forklarbar fordi modellen er forklaringen, og – som Tunheim formulerte det – i stand til å vite hva den ikke vet. I industrielle systemer der feil klassifikasjon kan få alvorlige konsekvenser, er dette ingen trivialitet. Det er nøyaktig den typen egenskap sporbarhetstråden gjennom seminaret krever. [ DH4.1 ]