”Många möjligheter för AI i skogsbruket”

På några få år har AI förändrat våra arbetssätt och beslutsprocesser. För skogsbruket är det en utveckling som kommer med stora möjligheter och nya risker. Kristina Knaving, senior AI-expert på RISE, ger sin syn på saken.

Vilka möjligheter ser du för AI i skogsbruket?
– Möjligheterna är många. Just nu är bildigenkänning ett extra intressant område där AI automatiskt tolkar bilder från satelliter, drönare och kameror i fält. Det öppnar för storskalig skogsinventering där man kan inventera skador och sjukdomar i ett tidigt skede och få bra beslutsunderlag för att balansera produktionsmål med mål för miljö- och naturvård. Andra spännande områden är att analysera kamera- och sensordata för att upptäcka maskinslitage och att generativ AI kan programmera prototyper oerhört snabbt. Det blir enklare att testa idéer, jämföra scenarier och i tidiga skeden fatta genomtänkta beslut.

Vilka utmaningar ser du kopplat till datatillgång?
– Vanligen gäller att ju mer träningsdata vi har desto bättre blir modellerna. Här behövs olika former av samarbete, företagen behöver bli bättre på att dela data men i praktiken är det svårt och ofta känsligt. GDPR, företagshemligheter och osäkerheter kring ansvarsfördelning gör att mycket information låses in. Det kan också vara svårt att samköra data som samlats in på olika sätt och i olika format.

– Just informationssäkerhet är en stor fråga framöver. Hur ska till exempel skogsägare förhålla sig till att öppna dataset, som satellitbilder, kan ge andra branschaktörer värdefull information om deras mark? Och hur hanterar vi integritetsfrågor som att skördardata innehåller information om både skog och maskinförare?

Du brukar säga att det bästa är rätt data, sen ingen data och sist dåliga data. Utveckla!
– Viktigare än mängden data är att den är relevant för uppgiften och att vi förstår begränsningarna. Data på träd som har valts ut till avverkning ska exempelvis inte svara på frågor om hela bestånd. Med tanke på att många organisationer köper in färdiga AI-lösningar behöver fler utbildas i AI och ha kompetens att ställa kritiska frågor om vilka data som använts. Här behövs även kunskap om normer och bias. Ett planeringsstöd som tränas på ett överskott av data om gran riskerar att oftare föreslå gran framför tall och vara sämre på att bedöma tall. Normerna, de byggs in genom målen som systemen optimeras för. Om AI tränas för att maximera effektivitet riskerar värden som biologisk mångfald och social hänsyn att hamna i skymundan.

Språkmodeller har blivit ett uppskattat arbetsstöd. Hur bör organisationer tänka kring det?
– Varje organisation behöver etablera en tydlig praktik för hur AI ska användas och vilka företagsdata som får matas in i språkmodelltjänster. En bra påminnelse är att AI inte resonerar som vi, även om det kan verka så när man läser en AI-skriven text. Fundera på vad du själv hade svarat innan språkmodellen får besvara en fråga – och granska alltid resultatet. Verifieringen är fortsättningsvis jätteviktig. AI kan spara tid, men du som användare står för omdömet. Ifrågasätt svaren, förfina frågorna och kom ihåg att du är experten på ert skogsbruk – inte AI.