Center skal sende Danmark i førertrøjen inden for udnyttelsen af big data

Positionering på hospitaler, adaptiv undervisning og databehandling i slagteribranchen var eksempler på cases, der blev vist frem, da der var kick-off på Danish Center for Big Data Analytics and Innovation - DABAI. Det er et samarbejde mellem tre universiteter, styrelser og virksomheder, der skal skabe innovative løsninger, bl.a. ved hjælp af maskinlæring, der gør det nemt at analysere på store datamængder.

Kick-off-mødet blev afholdt fredag den 27. maj i Peter Bøgh Andersen-auditoriet på Institut for Datalogi på Aarhus Universitet i IT-byen Katrinebjerg. Missionen er at få virksomheder og forskning til at arbejde sammen, forklarer Ole Lehrmann Madsen, projektleder på DABAI og direktør på Alexandra Instituttet:

Der findes masser af data derude, som virksomhederne samler op men ikke får brugt. Vi håber derfor, at vi kan sætte Danmark i førertrøjen ved at være med til at udvikle generelle værktøjer, som kan blive genbrugt bredt og på tværs af brancher.

Maskinlæring som en service

Maskinlæring skal gøres til en service eller værktøjer, der kan gøre det nemmere for virksomheder at analysere store datamængder. Sådan lød det fra Lars Kai Hansen, professor på DTU.

Vi udnytter slet ikke potentialet med data i dag. Det svarer til at datamængderne er en dinosaur: En meget stor krop med et meget lille hoved. Derfor skal vi gøre værktøjerne til en service, som virksomheder kan bruge til maskinlæring til at forstå deres data uden at skulle have en masse forstand på dem.

På dagen blev der både præsenteret eksempler på cases, hvor databehandling allerede er i gang og cases, som man regner med at igangsætte.

Databehandling i fødevaresektoren

"Der er data i mange led af vores værdikæde men også en stor fragmentation. Derfor giver det god mening for en koncern som Danish Crown at deltage i projektet. Udfordringen er først og fremmest følsomheden af data,” forklarer R&D Manager Søren Rosenkrantz Riber.

“Der skal gerne være nogle lavthængende frugter, der kan høstes på den korte bane. Hvis bedre intelligent håndtering af data fx kan benyttes til at øge produktiviteten i primærproduktion og hos os, så kan der være nogle interessante forretningsmuligheder.”
 

Positionering på hospitaler

Aarhus Universitetshospital (AUH) er på 450.000 kvadratmeter, og netop derfor giver det rigtig god mening at vide, hvor portørerne befinder sig, og hvilken vej de vælger, når de kører patienter til en operation. Sådan lød det fra professor Kaj Grønbæk, der sammen med Systematic har brugt positionering i smartphones til at optimere logistikken på Aalborg Universitetshospital og AUH. Det har betydet færre aflyste operationer, mindre ventetid og bedre udnyttelse af ressourcer.

“Vi kan se, hvordan folk bevæger sig og finde ud af, hvad der er den mest fornuftige rute. Det er også muligt at se i, hvilken fase portøren er i sit arbejde. Det betyder, at man kan optimere servicen på et hospital,” forklarer Kaj Grønbæk.

Systematic har bygget viden fra tidligere forskningsprojekter om indendørs og udendørs positionering ind i deres postlogitics systemer, forklarer Jens Peder Rasmussen fra Systematic:

Det spændende for os er at kombinere den nye viden om logistik med den viden om patientforløb, som hospitalerne har. Der ligger store perspektiver for behandlingen. Men der er noget arbejde med at operationalisere det fremover. Det er nødvendigt, for at vi har penge og personale nok til behandling fremover.

Personlig og adaptiv undervisning

Danske skolebørn løser dagligt mere end én million opgaver på den digitale fagportal MatematikFessor. Her har systemet vist, at det ikke alene gør matematik sjovere men også løfter niveauet.

For Kasper Holst Hansen, der er stiftende direktør i EduLab, der står bag MatematikFessor, giver det derfor god mening at teame op med den nyeste forskning inden for databehandling, da det kan være med til at sikre, at børnene får den bedste læring.

Vi deltager i DABAI, fordi vi har de her digitale og adaptive systemer til online undervisning, der genererer en masse data, som vi rigtig gerne kunne tænke os at blive klogere på, så børnene i den sidste ende kan blive bedre til matematik.

Big data-værtøjer kan være til at tilpasse indholdet og udvælgelsen af opgaver til den enkelte bruger og dermed øge læringhastigheden, forklarer Stephen Alstrup, professor på DIKU.

“Det giver god mening at analysere på, hvorfor der er et bestemt niveau i matematik. Det behøver ikke være matematikken, der er svært. Måske kan den enkelte elev ikke forstå opgaven, fordi lix-tallet var for højt. Derfor vil vi gerne kigge på det her, dykke ned i data og være med til at løfte niveauet.”