Kort om:

Coastline Breakthrough

&

Hvordan begynte prosessen med å finne en løsning?


“Coastline Breakthrough begynte med å kontakte en bedrift i Sverige for å lage en algoritme. Men de skulle ha enorme summer for at vi skulle kunne låne den. Så da tenkte vi: vi bygger det selv. Men vi hadde ikke stor erfaring med verken kunstig intelligens, detektering eller robot sortering.”


Mattias forklarte at han leste seg opp på temaet kunstig intelligens og kom over boken “AI - Myten om maskinene”, skrevet av Morten Goodwin. Mattias ringte Dr. Goodwin, og derfra ble han satt i kontakt med Karianne Ormseth fra AI:Hub, samt Kristoffer og Trygve som begge studerer på UiA. 


Kristoffer forteller at de fikk prosjektet fra Coastline Breakthrough etter at Mattias hadde hatt møter med AI:Hub, og foreslått at Yi2 kunne være aktuelle for å utvikle en løsning. Yi2 gjennomførte et utviklingsprosjekt, og Trygve fortsatte med et forprosjekt på masteren som resulterte i en tverrfaglig masteroppgave der Kristoffer jobber med robotikk mens Trygve har ansvar for videreutvikling og trening av algoritmen.


Hva er noen av de største utfordringene?


Trygve sier at en av utfordringene er hva en AI som skal sortere avfall må kunne håndtere. “Ting ligger jo helt tilfeldig plassert på et transportbånd. Hvordan skal roboten klare å identifisere og plukke ut objektene kontinuerlig i fart? Det krever veldig høy nøyaktighet."

Heldigvis har MIL bistått med å hovedutfordringen, Kristoffer utdyper, “Det er spesielt, fordi vi har tilgang til MIL. Nå har vi faktisk en full industri applikasjon satt opp på labben. Så dette er ikke noe vi bare gjør simuleringer og beregninger på. Dette er faktisk noe vi implementerer og tester fysisk med roboter. Det hjelper enormt med hovedutfordringen, som er «hvordan kan vi få ting til å fysisk fungere?» Vi har hatt god veiledning fra professorer, i tillegg til å kunne bruke Coastline Breakthrough som eksperter på hvordan gjenvinningsbransjen fungerer. Gode ressurser på MIL og AI:Hub hjelper for få dette industrielt.”


Det høres ut som om dere har god tilgang til kompetanse. Hvordan har det hjulpet i prosessen, Mattias? 


“Det som gjør at vi lykkes med dette prosjektet, er at vi har tverrfaglig kompetanse. Vi må ha kompetansen innenfor resirkulering, robotikk og kunstig intelligens. Det er det vi ønsker med Coastline Breakthrough, at vi har bred og god kompetanse i teamet. Etter at Trygve og Kristoffer utviklet en algoritme, fikk de tildelt lik eierskap i Coastline, like mye som meg. Det er en tankegang vi jobber med, at vi prøver å jobbe med lite hierarki, så jobber man med det man er god på.”


Etter dette prosjektet forteller Mattias at Coastline har gått over til å være et tech-selskap. Derfor er Coastline Breakthrough foreløpig i en prosess med å forandre bedriftsnavnet til Stellai. 


For å lære mer om eller kontakte Coastline Breakthrough vennligst besøk: stell.ai


For å lære mer om eller kontakte Yi2, vennligst besøk: Yi2.no

Resirkulering er et tema som er svært aktuelt for at vi skal nå bærekraftsmålene. En artikkel fra sortere.no går igjennom diverse grunner for hvorfor resirkulering er viktig, hvordan vi bør sortere avfall og utfordringer med sortering. For eksempel havner åtte millioner tonn med plast i havet hvert år. En av grunnene til dette enorme tallet er manglende avfallssystem. Dette jobber en av AI:Hub sine medlemsbedrifter, Coastline Breakthrough, med å løse sammen med studenter ved UiA. 


AI:Hub har tatt en prat med Kristoffer Sand og Trygve Solberg fra Yi2 (Young Industrial Innovators), samt Mattias Sohl fra Coastline Breakthrough for å høre mer om hvordan de jobber for at vi skal nå bærekraftsmålene og bli bedre på resirkulering. 


Men først og fremst: Hva er Coastline Breakthrough?

“AI:Hub og MIL og hele Universitetet (UiA) har vært en ekstremt stor hjelp, og det er veldig takknemlige for.” - Mattias Sohl

Til venstre: Trygve Solberg. Til høyre: Kristoffer Sand.

“Coastline Breakthrough ble etablert for 2-3 år siden. Det begynte med en gruppe på 5 mennesker som hadde jobbet med resirkulering i mange år. Selv har jeg jobbet med resirkulering i 16 år. Tidligere var det mer en hobby-gruppe som satt sammen på søndager og snakket om alle mulige slags ulike problemer og løsninger innen miljø og gjenvinning. I 2022 har vi virkelig fått til en start-up innen ny teknologi.” 


Mattias forteller at kjernen i bedriften er å fasilitere for økt gjenbruk av materialer – å gjøre gammelt til nytt.


"I det pågående prosjektet er det et spesielt fokus på bedre resirkulering på sykehus, der vi har et fokus på å sende materialer til materialgjennvinning, i motsetning til deponier og forbrenning som den type material vanligvis går til."


Artikkelen, "Sykehusene: Tonnevis av avfall, og kildesortering går i sneglefart" skriver at i 2018 skapte OSU (Oslo Universitets Sykehus) 3400 tonn med usortert restavfall.


"En lege eller en sykepleier, de har ikke tid til å sjekke avfall og si: Oi, var dette PP-plast eller PE-plast? Det er en tidkrevende prosess, og pasienter må få førsteprioritet.”


Hvordan jobber dere i Coastline Breakthrough med å løse dette problemet? 


“Vår løsning er en autonom robot som sorterer avfall. Vi har etablert et samarbeid med Oslo Universitetssykehus, som blant annet har ført til at vi samler inn materiale fra hver avdeling og kartlegger de ulike materialene de har gjennom bruk av ulik teknologi. Til slutt vil vi ha en løsning som kan brukes på alle sykehus.” forteller Mattias. 


Kristoffer legger til at, “Målet er at roboten skal kunne plukke ulike typer avfall og sortere dette riktig. I stedet for at en person sorterer avfall så kan man bruke en robot. I tillegg vil vi at roboten sammen med kunstig intelligens skal bli såpass  tilpasningsdyktig at den kan gjenkjenne materialer basert på en algoritme, for å deretter gi informasjon til roboten, som til slutt sorterer avfallet.” 


Kunstig intelligens må trenes opp, og for å få til det trenger man data. Trygve, som har ansvar for den kunstige intelligensen, forteller,

“Vi ser etter hvordan du kan lage datasett mer autonomt. Per dags dato er det en ganske manuell prosess og tar lang tid. Et mål er at vi kan plassere utstyret hos en kunde, der vi kontinuerlig kan forbedre og trene AI modellen. En mulighet vi ser på for å generere store mengder treningsdata er bruk av syntetisk data."