Trues av KI: – En fundamental utfordring
– Hvis muskelminnet til folk endrer seg fra å gå til VG.no til ChatGPT.com, så får det store konsekvenser, sier Ukas Koder, Anna Lunde i Schibsted.
Hvorfor ble du utvikler? 👶
Mitt første møte med koding kom gjennom et fag på NTNU første semester – IT grunnkurs. Skal jeg være helt ærlig, så vekket ikke faget umiddelbar interesse i koding.
Jeg så ikke verdien av å kunne kode løkker og kalkulatorer, og opplevde også at flere medstudenter allerede hadde betydelig erfaring, noe som gjorde at man følte seg bak fra start.
Kodeinteressen utviklet seg imidlertid senere i studiet. Det var særlig fag som objektorientert programmering og spesielt KI-fagene som engasjerte meg. KI-programmering ble en stor favoritt.
Da begynte jeg å se de reelle anvendelsesområdene, og det var nettopp dette som motiverte meg: at kode muliggjorde at man kunne bygge løsninger som løste eller optimerte komplekse problemer.
I tillegg var jeg heldig som fant Brain NTNU – en studentorganisasjon for KI på NTNU. Der møtte jeg en gjeng med likesinnede som delte samme interesse. Vi deltok på hackathons, hostet arrangementer med noen av verdens fremste KI-bedrifter. KI-bedrifter - presentasjonen med Google DeepMind var et absolutt høydepunkt - og hadde samtidig et sterkt sosialt miljø. Det var en gruppe mennesker som ønsket å bygge noe spennende sammen og hvor det var kult å holde seg oppdatert på det fremste innen teknologi.
Hva jobber du med? 💪
Jeg jobber som data scientist, noe som innebærer å utforske og analysere store datamengder for å finne mønstre og innsikt som kan løse konkrete forretningsproblemer.
Gjennom maskinlæringsmodeller kan vi automatisere beslutninger og bygge systemer som kontinuerlig forbedrer seg selv. Jeg har vært heldig som har fått jobbe med ekstremt dyktige kolleger i dette feltet, og lærer fortsatt noe nytt hver dag.
Blant mine tidligere prosjekter er en maskinlæringsmodell som i dag brukes aktivt av operatører i landssentralen for balansering av strømnettet. For øyeblikket jobber jeg med et veldig spennende prosjekt som heter Dynamic Paywall. Målet er å optimere når og hvilket abonnement vi skal tilby ulike brukere – en utfordring New York Times har løst ved å ta i bruk sanntids kausale maskinlæringsmodeller. Både sanntidsaspektet og den kausale tilnærmingen er nytt for meg, noe som gjør prosjektet ekstra lærerikt.
Teknologistacken vi bruker består av Snowflake for batch-lagring, dbt for transformasjon i data pipelines, MLflow for modellutvikling, JFrog Artifactory for modellregistrering, samt Grafana og Prometheus for monitorering. I tillegg undersøker vi Tecton for sanntidslagring av data, noe som er avgjørende for å kunne levere prediksjoner i sanntid.
Teknologistacken vi bruker består av Snowflake for batch-lagring, dbt for transformasjon i data pipelines, MLflow for modellutvikling, JFrog Artifactory for modellregistrering, samt Grafana og Prometheus for monitorering. I tillegg undersøker vi Tecton for sanntidslagring av data, noe som er avgjørende for å kunne levere prediksjoner i sanntid.
Hvordan ser uka ut for deg? 📆
Min arbeidsuke består som regel av flere dager på kontoret, men jeg tar gjerne en dag hjemmekontor innimellom, særlig i hektiske perioder.
Når jeg jobber hjemmefra liker jeg å skape en optimal arbeidsplass – gjerne med «peisen» på og en stor kaffekopp ved siden av, og en morgentur i nabolaget før jeg setter i gang.
Arbeidsuken er en blanding av koding og møter.
Møtene varierer fra vanlige sprintmøter til presentasjoner for sluttbrukerne, som i mitt tilfelle er avisene (Aftenposten, VG, etc.). Jeg trives særlig godt i grensesnittet mellom teknologi og forretning, noe som gjør rollen som Data Scientist ideell for meg. Her får jeg være med både på den strategiske scopingen av prosjekter – à definere de mest gevinstgivende områdene å optimere – samtidig som jeg håndterer de tekniske aspektene som modellvalg, arkitektur og implementering.
I det siste har jeg også funnet tilbake til å delta på fagkvelder for å holde meg oppdatert på de nyeste teknologiske utviklingene og se hvordan de brukes i praksis. Eksempler er Oslo KI sine meet-ups og Snøkams fagkvelder, men det finnes mange gode arrangementer der ute som gir verdifull innsikt og gir en rask oversikt over de nyeste trendene innenfor teknologi.
Hva er det neste du har lyst til å lære deg eller bli bedre på? 🧠
Akkurat nå ønsker jeg å lære meg mer om sanntids-hosting og prediksjoner av maskinlæringsmodeller.
For avisene i Schibsted - som Aftenposten, VG og E24 – er lav responstid avgjørende når modeller skal bestemme logikk i bakgrunnen av nettsidene.
Dersom vi benytter informasjon om en brukers sesjon, må dataen først lagres, preprosesseres og mates inn i modellen, før modellen spytter ut en anbefaling som igjen må hentes inn på nettsiden. Hvis denne prosessen tar for lang tid – typisk mer enn noen hundretalls millisekunder - blir det merkbart for brukeren og ødelegger brukeropplevelsen. Derfor er det essensielt å forstå hvordan man kan optimalisere hele denne kjeden.
Derfor er det essensielt å forstå hvordan man kan optimalisere hele denne kjeden. I tillegg ønsker jeg å lære mer om kausale maskinlæringsmodeller. Disse skiller seg fra vanlige prediktive modeller ved at de ikke bare ser på direkte korrelasjoner mellom input og output, men opererer på et høyere niva.
I stedet for å spørre "hva vil skje?", prøver de å besvare "hva er den optimale handlingen for å oppnå et ønsket utfall?". Kausal maskinlæring fokuserer på å identifisere og utnytte årsak-virkning-sammenhenger i data, i stedet for bare å gjenkjenne statistiske mønstre.
Tradisjonell maskinlæring er utmerket til å finne korrelasjoner og gjøre prediksjoner basert på historiske data, men kan ikke i seg selv skille mellom om disse korrelasjonene representerer genuine årsakssammenhenger. Med en god kausal modell kan man derimot anbefale optimale handlinger, ettersom man kan estimere hvordan hver enkelt handling vil påvirke utfallet - noe som er særlig verdifullt i situasjoner hvor man ønsker å påvirke brukeratferd eller forretningsresultater.
Hva synes du er mest krevende ved å være utvikler? 👀
En av de største utfordringene jeg opplever som utvikler er å scope prosjekter riktig. Det er lett å bli fristet av de mest avanserte og high-tech løsningene, men det essensielle er à fokusere på det som skaper størst verdi tidlig i prosessen.
Man må kontinuerlig stille seg spørsmålet: løser vi det reelle forretningsproblemet og leverer verdi tidlig, eller bygger vi noe primært fordi det er teknologisk interessant?
Min tilnærming er derfor å starte i det små og bygge iterativt.
En annen utfordring er å balansere møtevirksomhet med dypt konsentrasjonsarbeid. Når arbeidsdagen er fragmentert av møter med lite sammenhengende tid mellom dem, blir det krevende å oppnå den flyten som er nødvendig for å løse komplekse problemstillinger.
Min løsning har vært å aktivt blokkere dedikert tid til konsentrert arbeid i kalenderen.
I perioder med høy møteaktivitet har jeg også funnet det hensiktsmessig å forlate kontoret tidligere og heller fortsette med fokusert arbeid hjemmefra senere på kvelden, når det er færre forstyrrelser. Det handler om å etablere en arbeidsrytme som gir rom for både samarbeid og konsentrasjon – og som til syvende og sist maksimerer verdiskapningen bade for meg selv og teamet.
Hva ser du på som bransjens største utfordring akkurat nå? 🔭
Mediebransjen står overfor en fundamental utfordring: Aktører som OpenAl skaper et helt nytt økosystem hvor brukere aldri forlater plattformen.
Et tydelig eksempel er ChatGPT Pulse, som kan gi deg personlig tilpassede nyhetsanbefalinger – «God morgen Anna, her er de mest viktige nyhetene for deg» – uten at du noensinne forlater ChatGPT-økosystemet eller ser annonser. Dette setter annonseinntektene direkte i fare.
Hvis muskelminnet til folk endrer seg fra å gå til vg.no til chatgpt.com, får det store konsekvenser. Dette gjelder ikke bare Schibsteds aviser, men alle aktører som er drevet av annonseinntekter gjennom trafikk til nettsidene sine.
Brukerne får fortsatt tilgang til innholdet, men via en mellommann som tar både oppmerksomheten og dermed inntektspotensialet.
- Forbedre eksisterende tjenester - sikre at dagens plattformer fortsatt gir verdi og stabile inntekter, ved å legge til tjenester som, for eksempel, AI oppsummering av artikler. Effektivisere arbeidsprosesser - bruke teknologi til jobbe smartere og mer kostnadseffektivt.
- Satse på off-platform-løsninger - gjøre innhold tilgjengelig i andre økosystemer, der brukerne etter hvert kan befinne seg.
For å møte denne utviklingen har Schibsted innledet et samarbeid med OpenAl, og samtidig jobbes det med å utvikle en definert strategi:
For å møte denne utviklingen har Schibsted innledet et samarbeid med OpenAl, og samtidig jobbes det med å utvikle en definert strategi.
Den siste kategorien er særlig kritisk. Gjennom for eksempel et innholds-API kan Schibsted ta betalt for at aktører som ChatGPT får tilgang til tekstinnhold i artikler. Dette jobbes det aktivt med i dag gjennom samarbeidet med OpenAI.
På sikt kan dette utvides til multiformat – video og lyd i ulike lengder, fra korte reels til lengre videoer. Samtidig kan det utvikles nye grensesnitt og brukeropplevelser.
Tenk deg at VG.no blir en app som man kan koble til en sesjon i ChatGPT, der du kan spørre: «Gi meg en oppsummering av alle videoer dere har om Haaland» – tilgjengelig for eksempel til 100 kroner i uken. Dette åpner for helt nye måter å konsumere medieinnhold på.
Utfordringen for Schibsted blir å balansere satsingen på eksisterende plattformer med investeringer i fremtidens løsninger. Dette er selve kjernen i The Innovator's Dilemma: Bedrifter som kun forbedrer dagens produkter risikerer å bli utkonkurrert av aktører som skaper helt nye markeder og forretningsmodeller – slik elektriske biler en gang utfordret bilbransjen.
Hva er ditt beste tips til andre utviklere? 🤖
Mitt beste tips til andre utviklere er å unngå det som kalles «AI code slop» – altså ukritisk bruk av Al-generert kode. Jeg anbefaler faktisk å jobbe i «ask-modus» fremfor «agent-modus», hvor det er altfor lett å akseptere alle forslag uten refleksjon.
Det er viktig å opprettholde kritisk tenkning og ikke miste nivået på kodingen sin, selv når verktøyene blir stadig mer avanserte.
Dette har også vært fokus på innenfor fagfeltet de siste par ukene, blant annet i artikkelen av Vemund Santi, sensor ved NTNU. Derfor bør man alltid først prøve å tenke selv rundt hvordan man skal løse et problem, og holde et kritisk blikk på det som blir foreslått.
Jeg blir ofte spurt: «Kommer ikke Al til å ta jobben din?» Men som en god kollega av meg sa: Det er ikke AI som tar jobben - det er koderne som bruker AI på en god måte som kommer til å ta jobben din.
Forskjellen ligger i hvordan man bruker verktøyene. Al kan være en utrolig kraftig assistent for à løse problemer raskere, utforske nye løsninger og automatisere kjedelige oppgaver, men du må forstå hva koden gjør, hvorfor den fungerer, og når den ikke holder mål.
Hvis man synes det er utfordrende å holde seg oppdatert på alt som skjer innenfor Al-feltet, har jeg et par konkrete tips.
Tidligere kolleger av meg anbefalte podcasten Hard Fork fra New York Times, som gir verdifull innsikt i teknologiutviklingen fra noen av bransjens ledende aktører. I tillegg er det, som tidligere nevnt, svært nyttig å delta på fagkvelder – der får man ikke bare oppdatert kunnskap, men også mulighet til å se hvordan ulike teknologier anvendes i praksis og bygge nettverk med andre fagfolk.
