Fikk profesjonell hjelp til å planlegge og utforme akademiske tekster
Tekst: Morten Stene
Nylig hadde fagstaben ved Handelshøgskolen, Nord universet i Steinkjer, arbeidsseminar for å friske opp ferdighetene i å skrive vitenskapelige artikler.
– Vitenskapelige artikler er den viktigste måte vi i akademia bidrar til den verdensomspennende kunnskapsdugnaden som forskning er, sier førsteamanuens Jorun Grande, Handelshøgskolen Nord universitet. Det å publisere forskningsfunnene i internasjonale vitenskapelige tidsskrift er måten teoretisk kunnskap kvalitetssikres og deles på.
Teksten må planlegges – Akademisk skriving er en spesialsjanger innen rapportskriving, hvor det er viktig å synliggjøre måten man har arbeidet på og presentere kunnskap med gyldige og spesifikke resonnement og argumenter, sa kursholder Ali Ferguson, Purple Ink Editing, Park city, Utah. Hun er profesjonell editor og språkvasker for akademiske tekster.
Ferguson understrekte betydningen av å planlegge teksten på forhånd, og at skriving er en møysommelig prosess med gjentatte bearbeidinger og omskrivinger.
Må trene – Skriving er ikke en medfødt ferdighet, det krever trening – mye trening, sa Ferguson.
– Nettopp fordi skriving krever trening er det veldig godt å bli påminnet selv de mest elementære grepene som må tas, sier Grande. Når man øker ferdighetsnivået selv, så har man også et annet mottakerapparat og man nyttiggjør seg kunnskap bedre.
Leserne må forstå – Skriving er å kommunisere med lesere slik at de forstår innholdet, sa Ferguson. Selv kompliserte vitenskapelig tekster må skrives slik at mottakerne forstår det. Og det er det skriveren som har ansvaret for.
Det var en lydhør forsamling som fikk gode råd for å forbedre egne tekster av Ali Ferguson.
Fredag 20.september deltok DigInn, som et ledd i DiVi-prosjektet, på en workshop i regi av Smart Media. Vi fikk en introduksjon til messenger markedsføring, samt innsikt i hvilke muligheter som ligger i digital kommunikasjon. I enden av workshopen bygget vi en messenger-bot med mål om å veilede studentene gjennom semesterregistreringen. På sikt ønsker vi at dette blir en løsning som gjennom interaksjon med studentene gir de økt motivasjon i arbedet med studiene. Tusen takk til Terje Sakariassen, Fredrik Nymoen og Therese Laugen for en lærerik workshop – utrolig gøy med en annerledes arbeidsdag og ikke minst nyttig for både oss og fremtidige studenter i DiVi-prosjektet.
Artificial intelligence (AI) og digitalisering bringer bud om betydelige samfunnsendringer. Vi hører om massiv påvirkninger på arbeidsmarked,produktmarkeder,bedrifterog individer. Det ville derfor vært veldig rart om en aktiv stat som den norske ikke hadde en betydelig interesse i å være proaktive i hvordan bedrifter, offentlig sektor og mennesker i Norge møter de omfattende skiftene. Erna Solberg er proaktiv på dette område. Som så mange andre har hun satt opp sin egen AI: Astrup og Isaksen.
Herrene Astrup og Isaksen sitter nemlig på mye av nøkkelen til hvordan Norge som samfunn møter disrupsjonen som kommer fra digitalisering. De er begge proaktive i forhold til interessenter som berøres i ulik grad – særlig gjelder dette bedrifter og omstilling i arbeidslivet. Hver for seg har de mye å komme med, men idealet vil være om de jobber sammen mot felles ideer og tiltak.
Nikolai Astrup har ansvar for digitalisering av samfunnet, offentlig sektor og infrastruktur. For digitaliseringen har vesentlige effekter på disse områdene. Vi ser at bedre forståelse av virkeligheten gjennom big data og AI har blitt et strategisk spillmellom stormakter. Statlige og ikke-statlige organisasjoner bruker kode som våpen. De mest tydelige eksemplene på dette er Cambridge Analyticaskandalen, russisk hackingav det amerikanske presidentvalget i 2016, og USAs hackingav Irans infrastruktur. På den andre siden kommer potensielle brudd på personvernstadig under lupen. Offentlig sektor og samfunnet forøvrig har altså store muligheter og trusler i digitaliseringens bevegelse fremover.
Torbjørn Røe Isaksen sitter på sin side med ansvaret for digitalisering i bedrifter og markeder. Som følge av digitalisering konkurrerer nå de fleste bedrifter i økende grad i monopoliserte markeder dominert av et knippe internasjonale gigantersom i varierende grad brukes som del i økonomisk geopolitikk. Samtidig vokser store dataselskaper seg opp som monopolister med potensielle konkurransevridende konsekvenser, og data som råvare blir stadig viktigere input i alle slags virksomheter og markeder. Konsekvensen av dette går i retning av helt nye markedsstrukturer der det blir stadig vanskeligere for nye eller små virksomheter å konkurrere fordi tilgangen til viktige produksjonsinput blir monopolisert. Stadig smartere datamaskiner øker også tilfanget av automatiseringav stadig flere typer oppgaver som tradisjonelt kun mennesker har kunnet utføre.
Digitalisering har med andre ord store transformative effekterpå individer, organisasjoner og samfunnet. Det skulle derfor bare mangle at ikke den norske stat tar en aktiv rolle for å best mulig legge til rette for at transformasjonen blir så grei som mulig. Og det er mange hensyn som skal veies i dette arbeidet. Men hva er det viktigste regjeringens AI bør rette oppmerksomheten mot? Her er to punkter vi i DigInn ser i vårt arbeid med disse spørsmålene.
1. Lær å lære:Dette er ikke bare et spørsmål om mer utdanning, kursing og påfyll av kunnskap. Dette handler om å utvikle evnen til å lære kontinuerlig gjennom hele karrieren. Læring skjer på individuelt, organisatorisk og samfunnsnivå og har en betydelig effekt på økonomisk utvikling, og digital transformasjonkrever aktiv politikk for å fostre denne kontinuerlige læringen. Nobelprisvinner Joseph Stiglitz og hans kollega Bruce Greenwald beskriver et sett med politiske tiltak for nettopp dette. Særlig trekker Stiglitz frem at rask teknologisk endring, som vi i dag står oppe i, skaper store forskjeller mellom individer, organisasjoner og samfunn på grunn av forskjeller i evnen til kontinuerlig læring. Derfor kreves aktiv politikk. Digitaliseringen skaper større forskjeller mellom store, monopolistiske «dataeiere», og små «databrukere», og er en åpenbar case for aktiv næringspolitikk. Regjeringens «lære hele livet reform» er en utmerket start på dette arbeidet, og ytterligere stimulering av kunnskapsutvikling i små- og mellomstore bedrifter syne så være på næringsministerens netthinne. Særlig viktig synes det å kunne øke digital modenhet hos disse. Fortsett med det, sier vi.
2. Brukersentrisk regulering:Når noe skaper økonomiske endringer, slik som digitalisering gjør, blir det fort et spørsmål om reguleringer. Dette kan gjøres idiotisk, eller det kan gjøres smart. I kontekst av digitalisering oppstår det push for strengere personvern, kontroll på data, og muligens også krav om proteksjonisme. For lite regulering vil forsterke de monopolistiske tendensene vi har beskrevet over og skape stor ubalanse i næringsliv og offentlig virksomhet. For mye regulering vil forhindre den nødvendige læringen og innovasjonen som kreves for å sikre god sosial og økonomisk utvikling. En balansert løsning synes å være «brukersentrisk regulering». Ideen er at brukeren av data, altså oss, eier datatilgangen, og at data kan selges til hvem som helst som input i produksjonen. Jeg eier med andre ord mine egne data og kan velge å selge disse til de som ønsker å bruke disse. Reguleringens mål blir å sikre at data er tilgjengelig for alle som ønsker å betale for å benytte de ved å kompensere den enkelte eier. Dette flytter makt fra datamonopolister til individer, og sikrer samtidig bred tilgang til en meget viktig råvare for digital business. Regjeringens arbeid med en strategi for kunstig intelligens bør dermed gløtte til Singapore for hvordan de bygger brukersentrisk regulering. Data som et offentlig gode bør vurderes i tillegg for å sikre bredest mulig adgang til viktig råvare.
Regjeringens AI – Astrup og Isaksen – sitter med mye av nøkkelen for hvordan vi som samfunn klarer å dra det beste ut av den rivende teknologiske utviklingen vi nå står oppe i. Tiltakene de har foreslått er i riktig retning og i tråd med det mye forskning indikerer som fornuftig politikk. Mye konkretisering og nye virkemiddel blir en viktig del av arbeidet fremover. DigInn ser frem til å følge dette arbeidet i årene fremover og vil gjøre vårt for at ny kunnskap kommer til anvendelse i Ernas AI.
Forrige uke arrangerte Høyre i Steinkjer, Verdal og Levanger et temamøte med tittelen “Kampen om arbeidskrafta – Hvordan sikre Innherreds behov for riktig kompetanse i fremtida?” En rekke bedrifter og læringsinstitusjoner var samlet på Verdal Industripark og tilstede var blant annet stortingsrepresentantene Elin R Agdestein og Turid Kristensen. Deltakerne fikk god innsikt i hvilke kompetansebehov virksomhetene på Innherred og i Namdalen ser for seg i årene som kommer. Flere argumenterte for at det kommer til å mangle et betydelig antall fagarbeidere. Jon Sellæg fra Røstad Entreprenør viste blant annet til at ny E6 vil kreve 1000 nye stillinger i entreprenørsbransjen alene, og at 70 av disse vil måtte være lærlinger. Dette blir et problem all den tid totalt antall lærlinger som utdannes i Trøndelag i dag er ca 140.
Nina Udnes Tronstad, tidligere direktør i Kværner og nå profesjonelt styremedlem i Peab AB, trakk på sin side frem at regionen bør legge til rette for større mobilitet av fagfolk, at mer læring må skje ute i bedriftene hvor bedriftene tar større ansvar, og ulike læringsformer må integreres mer sømløst. Hun la videre særlig vekt på at fremtidig kompetansebehov er vanskelig for bedrifter, skoler og universitet å spå. Dermed kan man ende opp med å utdanne en type kompetanse som er utdaterte innen kort tid. For å kunne klare omstilling må utdanningene bli mye mer dynamiske.
Poenget til Udnes Tronstad ble videreført av Knut Bergdal som er rektor på Levanger Videregående Skole. Han pekte på at skolens viktigste funksjon er å gjøre folk til «gangs menneskje» og at dette må gjøres samtidig som skolen tilpasser seg markeder og etterspørsel. Dette, argumenterer Bergdal, er en nesten umulig oppgave. De videregående skolene er ikke rigget for så rask omstilling som samfunnet vil trenge. Dette medfører at aktører utenfor det offentlige skolevesenet må bistå for å besørge tilstrekkelig endringstakt.
Forskningsprogrammet DigInn ved Nord universitet var invitert for å snakke om forskning og utviklingsprogrammer for å håndtere høy endringstakt. Lars Hovdan Molden fra DigInn presenterte resultatene fra en kartlegging av de viktigste kompetansebehovene i merkantil utdanning i årene fremover. De tre viktigste områdene som fremkom i undersøkelsen var kunnskap om innovasjonsprosesser, entreprenøriell tenkning i virksomheter, og kraftig styrket analytisk kunnskap. Molden poengterte også viktigheten av å gi elever, studenter og eksisterende ansatte bedre ferdigheter for å kunne håndtere endring.
«I strategilitteraturen snakker vi om dynamiske kapabiliteter hvor individer og organisasjoner utvikler kapasiteter for å lære og videreutvikle seg», fortalte Molden. «Dette forandrer måten vi driver opplæring på. Universiteter er på mange måter heller ikke rigget for rask omstilling og vil trenge ekstern hjelp».
DigInn er i ferd med å utvikle utdanningsprogram som imøtegår denne innovasjonsutfordringen. «Universiteter må bort fra ideen om å være en monopolist på utdanning og kunnskap, og heller bli koordinator i nettverk av læring som skjer gjennom hele livet». Gjennom det eksternt finansierte prosjektet «Digital Transformasjon i Min Virksomhet» ønsker DigInn og Nord universitet å skape et godt utgangspunkt for å realisere denne visjonen.
Stortingsrepresentant for Høyre, Turid Kristensen som sitter i stortingets utdannings og forskningskomite, fulgte opp DigInn og andres innspill med at regjeringen jobber med å bedre rammebetingelsene. «Jeg misunner ikke universitetene og dere i DigInn som skal forsøke å lage gode etter og videreutdanningsprogram tilpasset fremtiden», sa Kristensen og pekte på at det manglet insentiver for universitetene til å kunne prioritere dette. «Vi jobber med dette i regjering nå», avsluttet Kristensen.
Et kraftig vindkast og en løs gjenstand var alt som skulle til. Plutselig var det et hull i førerdøra på min ett år gamle Tesla Model S. To turer på verksted og en egenandel fattigere. Vipps, så ble bilen som ny. Nesten i hvert fall.
For litt siden spurte en kollega om bilen var blitt ok etter å ha vært på verksted. «Ja, så godt som», sa jeg og la til at tetningslista på døra ikke var helt tett rundt vinduene ved henting. Visstnok ikke et ukjent problem på denne modellen. Vi fortsatte samtalen om helt andre hverdagslige ting og gikk til hvert vårt kontor etterpå. Litt senere samme dag kommer den samme kollegaen bort til meg. Noe oppskaket og forvirret. Han hadde nettopp sett en annonse på Facebook om at det var tilbud på tetningslister til Tesla Model S. «Vi blir avlyttet», sa han bekymret. Jeg ble fristet til å dele hans bekymring.
Er det virkelig slik at Google eller Facebook (eller Tesla for den del) tar opptak av dine samtaler for å kunne drive målrettet annonsering? Det er lett å tro det. Hvordan ellers havnet den meget spesifikke annonsen på Facebook-siden til min kollega? På leting etter en forklaring, ønsker jeg å ta utgangspunkt i en fersk Netflix Original dokumentarfilm; The Great Hack – Cambridge Analytica (CA) Scandal.
The Great Hack er en dokumentarfilm om et britisk, politisk konsulentselskap som i sin tid kombinerte dataanalyse med strategisk kommunikasjon inn i valgkampanjer. Dokumentaren forklarer hvordan CA gikk frem for å rekruttere velgere i favør president Trump, året 2016. Målgruppen var vippestatene. Gjennom tilgang på brukerdata fra mer enn 87 millioner Facebook-profiler, kunne CA gjennomføre målrettet annonsering mot brukere som passet inn i personlighetsprofiler med adferd som lett kan styres. Hang dere med på den? Ut fra statusoppdateringer, likerklikk og i enkelte tilfeller private meldinger, kunne de karakterisere den enkelte brukeren med en personlighetstype. Slik bygget de opp en psykologisk profil av amerikanske velgere. Ved målrettet annonsering kunne CA provokere atferden til brukerne slik at de ble vippet i en ønsket retning. I militæret kalles dette kommunikasjonskrigføring.
Med dette som bakteppe, la oss se på tre mulige forklaringer om hvordan en tetningslistannonse dukket opp på min kollega sin Facebook-side:
Det ER koordinering mellom de store aktørene som Facebook og Google – OG de kan FAKTISK avlytte det vi sier. Smarte høyttalere som Amazon Echo (Alexa), Google Home, Apple HomePod (Siri) og Invoke (Cortana), har til felles at de alle har en mikrofon som alltid lytter til det som blir sagt. Lyden behandles lokalt for å se om aktiveringsordet er brukt og for å kunne sende lyden videre ved behov. Dersom data fra smarte høyttalere samles og det ER koordinering, så gir denne forklaringen grunn til å dele Edward Snowden sin bekymring.
Det er koordinering, men ikke gjennom lydopptak og avlytting. Det er rett og slett AI’s evne til å avdekke underliggende mønster basert på meta-data. Ved å samtykke til ukjente rettigheter og vilkår på en Facebook-app, kan et Big Data selskap få tilgang til både til den enkelte brukerens personopplysninger OG personopplysningene til brukerens venne-nettverk. Ja, det stemmer. Du kan bli utsatt for “datatyveri” uten å ha vært inne på den samme appen selv. Dette bekreftes i dokumentarfilmen av tidligere CA-ansatt og data scientist Christopher Wylie.
Det er ingen koordinering – men vi blir lurt av våre egne psykologiske feil. I dette tilfellet; confirmation bias. Kort fortalt er confirmation bias en tendens til å søke bekreftende bevis for en teori eller hypotese man har. Dette kan forekomme ved at man:
a) søker bevis som stemmer over ens med hypotesen
b) tolker informasjon på en slik måte at denne stemmer over ens med hypotesen
c) selektivt gjenkaller minner som er i tråd med hypotesen
Denne tendensen står i sterk kontrast til den vitenskapelige fremgangsmåten hvor man forsøker å falsifisere sine egne hypoteser.
Uansett hva som er den virkelige forklaringen her, så er det liten tvil om at disse Big Data selskapene har mye kunnskap om oss. Dette fordrer at vi er bevisste som brukere. Vi bør søke innsikt og kunnskap om aktuelle sårbarheter, trusler og angrepsmåter, samt kunnskap om aktuelle beskyttelsestiltak. Jeg anbefaler «The Big Nine – How the Tech Titans and Their Thinking Machines Could Warp” for de som er interessert i å lære hvor mye makt og innflytelse de store teknologiselskapene har på oss mennesker, OG hvilke implikasjoner det har for individet, bedrifter og verdenssamfunnet. Nasjonalt jobbes det med en AI-strategi på bestilling fra regjeringen – etikk og personvern bør settes høyt i arbeidet med den.
Møt Tay. Tay er hverken dame eller mann. På samme måte som Apples «Siri» er hen ingen av delene. Du kan faktisk spørre Siri om hvilket kjønn hen er og du får svar på tiltale. Tay er en bot. Et avansert dataprogram designet for å kunne utvikle seg selv og være i interaksjon med folk rundt seg. Tay er et eksempel på kunstig intelligens (AI).
Tay ble utviklet av Microsoft som en kunstig intelligens. Den skulle være tilstede på Twitter, lære av samtalene den hadde med mennesker på det sosiale mediet. En utrolig spennende ide der programmet lærte av seg selv hvordan den skulle virke som den var helt menneskelig. Dette er også målet for mye av arbeidet med kunstig intelligens: Maskinene skal lære å tenke som mennesker.
Det fine og forferdelige med AI er at den, i sitt mål om å kopiere menneskelig adferd, også kopierer våre fordommer og mørkeste holdninger. Tay, som skulle være en hyggelig bot som skulle prate med andre på nettet for å lære menneskelig interaksjon, tok fort en stygg vending.
Fra tidligere tweets som
… utviklet Tay seg raskt i en mørkere retning.
Og det finnes mange dystre eksempler. En AI beregnet for å beregne kausjonsbeløp for arresterte personer i USA dømte systematisk svarte mye strengere enn hvite. Googles annonsemotor kommer automatisk opp med annonserfor å sjekke rulleblad når noen søker på navn som er overrepresentert blant den svarte befolkningen. I korte trekk arver AI trekk fra mennesker – også våre inngrodde fordommer.
Dette har store implikasjoner for hvordan organisasjoner jobber med AI. Et særlig problem er at mennesker som jobber med AI kommer fra veldig homogenemiljøer fra eliteuniversiteter, er hvite eller asiatiske, og nesten utelukkende menn. Dette skaper en smal forståelse av verden og skaper grobunn for uetiske resultaterfra AI.
Flere tar nå derfor til orde for å knytte andre roller inn i bedrifters arbeid med AI. Særlig trekkes en ny rolle som Chief Ethics Officerinn. McKinsey estimerer at suksess med AI trenger et vesentlig bredere sett av kompetanserenn dataingeniører og informatikere i takt med at AI blir mer avansert. Særlig trekker konsulentselskapet frem behovet for «data translators» som skal oversette datakunnskap til business value. De går faktisk så langt som å trekke mangel på «translators» frem som en av de viktigste årsakene til at slike prosjekterfeiler
Selvfølgelig har McKinsey også gjort research som kan hjelpe virksomheter i bedre å overkomme problemer med innbygde fordommer. Disse momentene inneholder også mange gode forskningsspørsmål for oss forskere, men er først og fremst en fin liten sjekkliste for alle som jobber med AI.
Uansett hvordan man ser på dette vil det være viktig for organisasjoner å sikre seg et heterogent team med ansvar for utvikling, og en toppledelse med sterkt fokus på å sikre bred innsikt. Dette ser vi frem til å forske mer på fremover.
Det er lenge siden en datamaskin slo Gerry Kasparov i sjakk. Og nylig klarte en annen datamaskin å slå verdens beste Go spiller. Og nettopp Go er mye mer komplekst enn sjakk. Faktisk så er nedre mulige antall kombinasjoner på et Go brett ca 2×10 170. Det er et enormt høyt tall. Eksempelvis er det “bare” ca 10 80 atomer i hele universet. Imponerende fremgang i prosessorkraft og bedre maskinlæring, har gjort dette mesterstykket mulig.
Men hva med den virkelige verden der regler ikke alltid er regler, og i hvert fall ikke så simple som i sjakk eller Go? Vi ser også at datamaskiner i økende grad spiller en rolle i hvordan bedrifter opererer. Det er lenge siden menneskelige tradere ble utkonkurrert av algoritmisk trading og i dag forvaltes gigantiske fond av maskiner. Selvkjørende biler blir stadig bedre. Og en økende del av mer komplekse arbeidsoppgaver kan automatiseres. Denne fremgangen gjør at debatten rundt grensene for maskiners inntog i bedrifter er i full blomst.
En særlig interessant debatt er om kunstig intelligens (AI) kan ta over for mennesker i utformingen av strategi. Og mer spesifikt: Kan maskiner lede en virksomhet strategisk? Med strategi mener vi en plan for hvordan vi når langsiktige mål, og strategisk ledelse blir prosessen dette gjøres med. Selve definisjonene er ikke veldig presise og det er skrevet mye om den riktige definisjonen, Men for vår lille tenkning på tema er de overstående definisjonene tilstrekkelige.
JA, maskiner kan lage strategi
Mange tenkere på strategisk ledelse mener at strategiformulering og implementering er er et optimaliseringsproblem. Man skal løse oppgaven med de forutsetningene (ressurser og kapabiliteter) man har til rådighet. Empirisk forskning tyder på at implementering av datadreven beslutningstakning leder til bedre resultater. Og selv om vi enes om at strategiformulering er en kompleks affære, viser utviklingen i AI at selv emosjonell intelligens i økende grad er en del av en maskins repertoar.
NEI, strategi er for komplekst
Andre tenkere har tatt til ordet for at strategiformulering og implementering krever avvik fra regler og prediksjoner som maskiner er så gode på. Dette avviket skyldes spesifikke egenskaper ved beslutningstakeren som ikke lar seg replikere av en maskin. Enkelte omtaler dette som “judgement” (vurdering/dom). Altså kan man se AI som en maskin som kommer med presise prediksjoner, men vi som menneskelige ledere må utøve skjønn/vurdering/judgement for å avgjøre om hvordan vi verdsetter de ulike alternativene. To ting påvirker oss menneskers “judgement” som ikke er like lett å emulere i en maskin.
Vi lever i nettverk med andre mennesker. Det gjør også maskiner. Men i motsetning til maskiner har vi mennesker mange svake relasjoner til andre mennesker. Disse svake relasjonene er folk vi kjenner uten at de står oss veldige nære. Og forskningen viser at veldig mange strategiske og forretningsmessige beslutninger fattes på bakgrunn av informasjon fra slike svake relasjoner. Og nettopp evnen til å bygge slike svake relasjoner er særlig menneskelig og ikke veldig trolig utsatt for automatisering.
Maskiner er notorisk dårlige på å forstå kontekst, mens vi mennesker er særlig gode på det. Måten vi er invovlert (embedded) i våre omgivelser legger restriksjoner på vår adferd og muliggjør samarbeid som i henhold til økonomisk teori ville vært vanskelig. Vi er investert i den konteksten vi deltar i og dette påvirker måten vi fatter beslutninger på.
Ettersom mennesker slår maskiner på disse to viktige områdene (og sikkert mange flere), konkluderer mange med at maskiner absolutt ikke kan gjøre strategi. Strategi er nemlig kontekstavhengig og krever ofte tilgang til ny informasjon om mulige veivalg som er unike for den bestemte bedriften.
Begge deler Personlig er jeg mindre opptatt av om svaret på spørsmålet er ja eller nei. Det er trolig en kjent bjørn fra hundremeterskogen ute og går her. Og mer formelt er dette noe som diskuteres meget godt av Agrawal et.al i deres 2018 HBR artikkel og i mer detalj i en samtidig bok.
Her trekker forfatterne klare skiller mellom “prediction” og “judgement” i beslutningsprosessen. Jeg tror mye fremtidig strategiarbeid vil bli formulert som prediksjonsoppgaver som input i en strategiprosess. Her er maskiner ekstremt effektive og i økende grad i stand til å løse komplekse oppgaver. Likevel vil det være et viktig moment knyttet til “judgement” . Om det skyldes embeddedness, svake relasjoner eller andre ting, så er “judgement” et menneskelig domene. Det interessante spørsmålet blir da hvordan vi som beslutningstakere jobber med maskiner?
Dette er en av de mange spørsmålene vi på Handelshøyskolen Nord på Steinkjer stiller oss i vår nye forskningssatsing DigInn (Digital Innovasjon og Grønn Bærekraft). Foreløpig har vi flere spørsmål enn svar, men Agrawal et.al har et mulig verktøy for praktiske bruk. Dette enkle rammeverket er utviklet for alle slags beslutninger, men gjelder i aller høyeste grad også strategiske.
Maskiner er i stand til å løse stadig flere oppgaver, også komplekse, menneskelignende oppgaver som krever emosjonell intelligens. Likevel er det behov for “judgement” av input fra maskiner i beslutningsprosessen. Det store spørsmålet organisasjoner og bedrifter bør stille seg er hvordan de best kan kombinere sin egen judgement med input fra stadig smartere maskiner. Og dette skal vi se mer på i årene som kommer.
Skrevet avLars Hovdan Molden, stipendiat ved Handelshøgskolen ved Nord universitet
University of Wisconsin-Madison: Det var det første offentlige universitetet etablert i Wisconsin og er fortsatt det eldste og største offentlige universitetet i staten.
I dag er det -50 aktive kuldegrader her hvor jeg sitter i Madison i Wisconsin. Til tross for denne tundra-følelsen sitter jeg midt i en av de mest innovative områdene i USA. Og det kan vi i Trøndelag lære av.
Mye av suksessen skyldes University of Wisconsin som ble tuftet på «the Wisconsin idea». Dette er en filosofi som sier at universitets forskning skal anvendes til å løse problemer for hele befolkningen, og at utdanningen som tilbys skal påvirke menneskers liv langt utenfor klasserommet. Universitetet har 26 læresteder for å kunne tilby samfunnet en unik kombinasjon: Sterk forskning og relevant undervisning der hvor det behøves.
Resultatet har blitt forsknings- og utdanningsaktivitet som har underbygget delstatens økonomiske og sosiale utvikling. Universitetet har hatt en sentral posisjon i å bygge en sterk hovednæring – i hovedsak landbruk – og samtidig stimulert til en underskog av støttende virksomhet.
I tett samarbeid med næringsliv og offentlig sektor har universitetet satt seg selv i førersetet for utviklingen av en rekke tilstøtende, men også nye, næringer som har skapt tusenvis av arbeidsplasser i delstaten.
Sykkelentusiaster kjenner kanskje TREK, og sykehuset i Namsos handler medisinsk utstyr fra Epic som er lokalisert rett i nærheten her. Harley-Davidson, Manpower og Kohl’s er andre eksempler. Disse virksomhetene er ikke støtte til landbruket, men er egne industrier som bidrar til at levegrunnlaget i Wisconsin er bredere enn det var tidligere. Kunnskapsintensive jobber har kommet til samtidig som jobber som krever mindre kompetanse har økt som følge av etterspørselen etter tjenester.
Modellen er enkel. Man bygger kunnskap, forskning og innovasjon rundt en dominerende næring (en bærebjelke), men er veldig påpasselig med å dra inn nye næringer i det samme innovasjonsarbeidet.
Her er det mange fellestrekk for oss som bor på Innherred og i Namdalen. VI har spredt bosetting med flere regionssentra. Landbruk er en dominerende næring med rask produktivitetsvekst og mye innovasjon. Og vi har et desentralisert universitet (enn så lenge). Så her er en ide: Hva om vi lar oss inspirere av Wisconsin i måten vi tilnærmer oss økonomisk og sosial utvikling?
Så la oss definere oss som Namherredsregionen og tenke oss hvordan Nord Universitet kan virke på en lignende måte som University of Wisconsin. Midt i Namherred, på Steinkjer, skjer det ting. På næringssiden har vi en kraftfull satsing på digital innovasjon og grønn bærekraft (DigInn) bygd rundt et verdensledende forskningsmiljø innenfor innovasjon og entreprenørskap.
Dette miljøet har ambisjoner om å vokse, nå ut til flere bedrifter og virksomheter med ny kunnskap, og til folk med ny kompetanse i form av kurs. I samkvem med andre fakulteter ved Nord Universitet slik som fakultet for biovitenskap og fakultet for samfunnsvitenskap, samt NIBIO, Innovasjon Norge og andre, har vi ved Handelshøyskolen Nord en unik posisjon til å drive frem innovasjon og kompetanse til Namherred. Så hvordan kan vi klare dette?
Jeg vil trekke frem tre forhold som gjør Nord Universitet på Steinkjer særlig godt posisjonert for å bli en viktig sylinder i Namherreds innovasjonsmotor.
1. Relevant samlokalisering: I nye Innovasjonscampus Steinkjer samlokaliserer vi mange av de viktigste aktørene landbruk og bioøkonomi i hele landet. Dette underbygger hele Namherred som bioøkonomisk hovedsete. Med biokunnskapen til NIBIO, Landbruksdirektoratet og Fakultet for Biovitenskap har vi en solid plattform for å forstå hvordan jordbruk, skogbruk og havbruk kan utvikles.
Samtidig har Handelshøyskolen og Fakultet for Samfunnsvitenskap i samkvem med Innovasjon Norge og Distriktssenteret god innsikt i økonomi, ledelse, innovasjon og entreprenørskap i privat og offentlig sektor.
2. Forskningsprogrammet DigInn: Fremtiden er usikker, men det vi vet er at kunnskap og omstillingsevne er viktig. Forskningsprogrammet DigInn skal levere topp internasjonal forskning med utgangspunkt i regionale case og data i samarbeid med regionalt næringsliv og offentlig sektor, og være bærebjelken i fremtidens kunnskapsutvikling og utdanningstilbud i nordre del av Trøndelag.
Dette innebærer å forstå bioøkonomiens fremtidige behov og utfordringer, men også andre viktige næringer.
3. Fagstab med brennende engasjement: Jeg har sjelden hatt kolleger som så til de grader brenner for at vi skal kunne utgjøre en forskjell i vår region. Vi jobber stadig med næringsliv og offentlige virksomheter både gjennom studentoppgaver, undervisning og forskning. Vi ser likevel et økende behov for å bli bedre til akkurat dette.
Denne motivasjonen, koblet med internasjonal erfaring er et viktig bidrag til kunnskapsutvikling og praktisk relevans i en fremtid med økende krav.
Vi er altså godt posisjonert. Samtidig skjer det mye godt arbeid i Partnerskap Namdal, og Namdalens Bioøkonomistrategi rundt dette allerede, og kommuner som Steinkjer har egne FoU strategier. Det vi trenger for å akselerere denne prosessen er flere og sterkere samarbeid med kommuner og næringsliv i Namherred. Steinkjer Kommune og Sparebank 1 Midt Norge har allerede uttrykt stor interesse i fremtidsrettet forskning og kompetanseheving gjennom å finansiere flere forskerstillinger i DigInn. Vi ønsker veldig gjerne flere med på laget.
For akkurat som i Wisconsin lykkes ikke hverken universitet, kommuner eller næringsliv alene. Det er i samarbeid og felles prosjekter man løfter økonomisk og sosial utvikling videre.
Landbruk vekker oppsikt i teknologiverdenen verden over og investeringer i såkalt agritech (agriculture technology) har økt med 80% årlig siden 2012. Og ikke så rart; potensialet som ligger i teknologisk utvikling i landbruket er enormt. Denne «revolusjonen» skyldes i hovedsak tre teknologiske kvantesprang – en kombinasjon vi ofte benevner som Big Data and Advanced Analytics (BDAA):
Bedre og billigere sensorer (internet of Things)
Bedre beregningskraft (raskere og flere prosessorer)
Bedre metoder for å analysere store datamengder (machine Learning)
Et slitt, men godt, eksempel er Fujitsu sin EDSC sensor. Denne er ikke så mye annerledes enn en vanlig «fitness tracker» som mange av oss bruker til daglig. Men prisen på slike har falt dramatisk de siste årene og presisjonen har økt. Det Fujitsu gjorde var å kjøre data fra tusenvis av slike sensorer inn i Microsofts Azure cloud løsning. Vi kan se for oss Azure som et gigantisk nettverk av datamaskiner som jobber på samme problem samtidig og som vi kan leie for en relativt billig penge. Dette gjorde det mulig for selskapet og kverne gjennom terrabytes med data på relativt kort tid. Gjennom denne prosessen fant Fujitsu at visse bevegelsesmønstre på kyrne kunne predikere ulike sykdommer og plager, men også når kua var brunstig. Konsekvensen har vært at suksessraten med inseminering har økt fra 44% til 90%. I norge har vi lang erfaring med massive datamengder fra blant annet melkeroboter.
Et annet eksempel er presisjonslandbruk gjort mulig gjennom økende antall sensorer i jordsmonnet som gir unik innsikt i lokale mineralnivåer og andre parametere som er viktig for å predikere avkastningen av en avling. Gjennom å kombinere detaljert data fra sensorer i jordsmonnet med værdata, og data fra andre relevante kilder, kan moderne landbruksutstyr sørge for mer presis fordeling av såkorn og gjødsel slik at utnyttelsesgraden og effektiviteten øker.
Kombinasjonen av sensorer, bedre prosesseringskraft og bedre analyser (BDAA) bringer med seg betydelig potensiale for landbruket. Figuren under er fra konsulentselskapet McKinsey sin gjennomgang av hvordan dette kan hjelpe på eksisterende utfordringer i bransjen.
BDAA kan, som figuren viser, bidra på mange måter. Personlig er jeg opptatt av å bedre forstå norsk landbruks miljøpåvirkning. Når fokus på bærekraftighet øker i årene fremover vil det være en stor verdi i å kunne dokumentere godt og bærekraftig jordbruk. Dette sammenfaller med å bedre kunne dokumentere matens verdikjeder og matsikkerhet, samt mer effektiv utnyttelse av jordarealene som er et knapt gode. Med andre ord er det store synergier mellom produksjon, planlegging, risikostyring og miljø ved å omfavne BDAA.
Potensialet i BDAA er uomtvistelig stort. Men hvor fort dette potensialet kan realiseres vil avhenge av flere forhold. Det er også vesentlige forskjeller mellom effekten dette kan ha på store i motsetning til små gårdsbruk. Nyere forskning indikerer at BDAA har stor effekt på hele landbrukets verdikjede og at nye samarbeidsmodeller vil måtte utvikles for å kunne dra full nytte av BDAAs potensiale. Samtidig trekker forskere frem to mulige veier videre i forhold til bruk av BDAA; lukket eierskap og åpen kilde:
Det første ekstremscenarioet er lukket eierskap: I dag ser vi allerede tendenser til at de store landbruksselskapene som Monsanto og John Deere påtar seg eierskap til data som genereres i deres økosystem. Et ekstremt scenario som trekkes frem i litteraturen er at all BDAA blir preget av proprietært eierskap til data og analyse, og at gårdbrukere kun kjøper ferdige beslutningsunderlag. Dette løfter mye av kompetansebehovet bort fra den enkelte bonde, men reduserer samtidig hennes valgmuligheter.
Det andre ekstremscenarioet fullt åpen kilde: I mange andre områder av BDAA har man lagt vekt på å deler så mye data som mulig. Fordelen med dette er at man får mange flere involvert og dermed raskere innovasjon. Ulempen er at det blir vanskeligere å skape konkurransefortrinn mellom bedrifter som forsøker å tjene penger på sin kunnskap.
Et proprietært eierskap til data og analyser er veldig dårlig nytt for oss som er opptatt av innovasjon på et særdeles viktig område – matproduksjon. Ideelt sett viser all forskning på såkalte open-source plattformer medfører raskere og bedre innovasjon. Når mange uavhengige utviklere og analytikere ser på de samme dataene, så oppstår det oftest bedre og mer kreative løsninger enn John Deere eller Monsanto klarer innenfor sine egne fire vegger. På den andre siden gir ofte åpen kilde færre insentiver til å investere da alle drar nytte av alle andres utvikling. Så en kombinasjon av disse scenariene er trolig å foretrekke.
Norsk landbruk i særklasse Norsk landbruk er således særdeles godt posisjonert for klare denne balansegangen mellom lukket eierskap og åpen kilde. Det norske landbrukssamvirke er historisk sett vant til å tenke kollektivt i å fremme sine interesser. I denne ånden har man blant annet opprettet Landbrukets Dataflyt. Ideen bak selskapet er å samle data fra så mange gårdsbruk som mulig og bruke disse til å bedre forstå drift og produksjon i landbruket. Ideen er knakende god fordi man løfter dataeierskapet tilbake til bøndene og krever rett til å bruke disse. Samtidig åpner det potensielt for åpen utvikling gjennom at mange aktører får muligheten til å analysere data og lete etter bedre forståelse av forhold knyttet til drift, produksjon og miljø.
Norsk landbruk har dermed en unik mulighet til å løfte frem sin egen produksjon og dokumentere sin bærekraft for nye og gamle kunder. Men for å kunne levere på mulighetene som ligger i BDAA må landbruksorganisasjoner jobbe tett med universiteter og andre kunnskapsmiljøer, og ikke minst med bøndene selv. Og målet må være står åpenhet rundt data og analyse – til felles beste.
Det mest geniale med et velfungerende marked er dets evne til å formidle informasjon. Gjennom prisen signaliserer markedet hva et produkt er verdt for konsumenter. Dersom prisen settes for høyt, går etterspørselen ned. Dersom den settes for lavt, går etterspørselen opp, men bedriftene tjener ikke nok penger til å dekke sine kostnader. Slik oppnår vi det som økonomisk teori omtaler som en «likevekt»: Prisen signaliserer kunders betalingsvillighet og er en slags tilnærming til kvalitet. Og slik har det vært i hundrevis av år med stadig mer raffinerte måter å avdekke pris på.
Men fortsatt er det kun pris som gjelder. Og alle som har vært på Biltema vet at du kan oppleve at enkelte ting du kjøper har en kvalitet som er langt over det du forventet basert på pris (andre ganger ikke). Så prisen er en for enkel måte å signalisere produkters kvalitet og nytte på. Og selvfølgelig blir dette enda mer trøblete jo mer kompleks tjenesten og produktet blir.
I boken Reinventing Capitalism in the Age of Big Data skriver Viktor Mayer-Schönberger og Thomas Ramge om datarike markeder. Gjennom stadig mer omfattende og rike kilder til informasjon samlet i skyløsninger og generert gjennom «internet of things» får alle markedsaktører flere kilder til informasjon. Denne overgangen fra pengeøkonomi til dataøkonomi har noen veldig klare implikasjoner for hvordan markeder og bedrifter opptrer.
Markeder og hierarkier I 1975 skrev Nobelprisvinner Oliver Williamson boken «Markets and Hierarchies» hvor han argumenterer for at bedrifter oppstår fordi transaksjonskostnader i markedet er for store, og fordi enkelte irreversible investeringer må tas for å kunne serve viktige konsumentsegmenter (enkelt sagt). Det er for kostbart for de med overskudd på sparekontoen sin og finne den rette å låne disse pengene ut til. Derfor oppstår banker. Det er for dyrt at hver enkelt bonde selger sine egne grønnsaker direkte i et marked mot konsumenter fordi det er vanskelig å få tilstrekkelig stort nok marked lokalt. Disse kostnadene kalles transaksjonskostnader og er altså, i følge Williamson, årsaken til at vi velger å organisere økonomisk aktivitet i hierarkier som f.eks bedrifter. Men hva skjer dersom transaksjonskostnadene går mot null? I en datarik verden hvor alle kan lage transaksjoner med alle andre med tilnærmet null i transaksjonskostnad, så vil den hierarkiske organiseringen som bedrifter i dag er tuftet på, være avleggs. Banker trengs ikke fordi lånegivere og lånetakere kan skape egne transaksjoner gjennom blokkjeder og smarte kontrakter. Bedrifter som i dag selger varer vil bli markedsplasser for transaksjoner mellom enkeltpersoner – slik som Amazon har blitt for bøker og alt mulig annet.
Adferd og ledelse Gjennom sin innholdsrike karriere har Daniel Kahneman og Amos Tversky vist at menneskelig beslutningstaking har innebygde skjevheter (biases) som gjør at vi fatter urimelig mange dårlige beslutninger. Dette spiller inn i hvordan vi handler i markeder og gir opphav til det en av mine store helter, Herbert Simon, beskrev som «begrenset rasjonalitet». Mennesker er rett og slett dårlige til å ta beslutninger.
Frem til nå har vi måttet leve med beslutningstakere som har disse innebygde begrensningene. Årsaken er at mennesker har vært de beste til å predikere fremtiden og samtidig gi mening til kaos. Som beskrevet i tidligere poster på denne bloggen, har imidlertid avanserte maskiner i kombinasjon med rike datamengder demonstrert at rasjonelle og bedre beslutninger er innenfor rekkevidde. Dette betyr at datarike markeder også løfter beslutningstaking/ management bort fra det menneskelige domenet. Organisasjoner kan altså i større grad styres av smarte algoritmer, skal vi tro forfatterne.
Pengenes dalende rolle Samtidig som bedriftenes- og ledelsens natur endres, påvirkes også markedene i seg selv. Som beskrevet litt tidligere vil datarike markeder gi nye plattformer fremfor nye bedrifter. Mye av aktiviteten vil bli desentralisert og mer mellom individer (peer-to-peer). Pengenes verdi i økonomien står for fall og dette er dårlig nytt for den finansielle økonomien som har laget sin forretningsmodell på akkurat dette. Eller som forfatterne skriver selv: “(r)ather than equating markets with money and the economy with finance capitalism in which money rules supreme, markets will be understood to surge because of rich data flows (not money). Finance capitalism will be as old-fashioned as Flower Power.”
Boken er veldig godt skrevet og fremmer et veldig tanke provoserende argument. Overgangen til datarike markeder har store implikasjoner på styring og regulering. Og det stiller økende krav til anti-trust og konkurranseregulering. Data er ikke den nye oljen, men heller en ny form for kapital på lik linje med human-, sosial- og intellektuell kapital. Det betyr også at meningsfull økonomisk vekst vil komme gjennom data innovasjoner og at datatilgang bør være første prioritet for regulerende myndigheter.
Det er mye i boken som kanskje er i overkant naivt og frakoblet institusjonelle betingelser og menneskelige behov for tillit utover det blokkjeder og andre remedier kan gi. Samtidig er det et interessant perspektiv at økonomifaget trolig må videreutvikles dramatisk, og at vi vil ha behov for nye organisasjonsformer og nye typer reguleringer. Det er vi i DigInn veldig opptatte av.
