Som en del av sitt samfunnsoppdrag gjennomfører Mattilsynet tilsyn på en rekke oppdrettsanlegg for å undersøke at fiskeoppdretten skjer i henhold til gjeldende lover og regler. Mattilsynet har ikke kapasitet til å utføre tilsyn på alle anleggene, men ønsker å besøke de med høyest risiko for regelbrudd. Hvordan kan Visma Consulting bistå Mattilsynet i å finne de anleggene med høyest risiko? Jo – gjennom maskinlæring og en brukervennlig applikasjon som kan bistå i å velge ut hvor man burde dra på tilsyn.
Tilsyn på akvakultur
Det å utføre tilsyn på akvakultur kan være utfordrende og tidkrevende. Man må ofte reise ut i båt og det kan være vanskelig å se fisken. I tillegg kan det være en omfattende prosess å velge ut hvor man skal gjennomføre tilsyn. Risikobasert tilsyn handler om å identifisere tilsynsobjekter der konsekvensen av og sannsynligheten for regelverksbrudd er høy. Mattilsynet ønsket å få støtte til tilsynsarbeidet ved hjelp av AI-teknologi. Viktige forhold i akvakultur er høy dødelighet og høyt lusenivå, så dette ble sentrale attributter for predikeringen av risiko. Målet for prosjektperioden var å utvikle en skalerbar applikasjon som klassifiserer tilsynsobjekter ut fra risiko, og som presenterer informasjonen på en systematisk og oversiktlig måte. Løsningen ble en applikasjon utviklet med React i frontend, Java Spring Boot i backend og Python for maskinlæring.
Hvordan gjøre maskinlæring på fiskedata?
Målet var å predikere risiko for dårligst drift. For å oppnå dette ble det benyttet en målvariabel for hva man ønsket å predikere, og et sett med attributter som dannet datagrunnlaget for resultatet. Målvariabelen var andel underkjente kravpunkter sjekket på et tilsyn (antall underkjente kravpunkter/totalt antall kravpunkter), som blir beregnet ut fra tilsynshistorikk fra Mattilsynet. Attributtene som ble brukt i maskinlæringen var lakselus, dødelighet, andel dårlig slaktekvalitet, fisketetthet, havtemperatur og sykdomsdata. For maskinlæringen ble det benyttet en kombinasjon av fire modeller; nevralt nett, random forest, gradient boosting og logistisk regresjon. Ved å kombinere fire modeller får man en høyere presisjon. Resultatet ble en klassifisering, der ulike fiskelokaliteter ble klassifisert som høy, middels og lav risiko for regelverksbrudd.
Hvordan presentere dataene på en oversiktlig måte?
Gjennom prosjektperioden hadde vi flere møter med fagsiden hos Mattilsynet. En ekspert for tilsyn på fisk var mye involvert i hvordan resultatet av maskinlæringen skulle presenteres, og hvordan man ønsket å bruke applikasjonen. Applikasjonen bygger på en eksisterende løsning for risikobasert tilsyn på husdyr utviklet av utviklere fra Visma Consulting. Noe funksjonalitet kunne gjenbrukes, men nye behov førte til ny funksjonalitet for akvakultur. Det ble implementert søke- og filtreringsfunksjonalitet slik at tilsynsførere enkelt kan navigere i applikasjonen. Siden flertallet av de som skal benytte seg av applikasjonen ikke har noe forhold til maskinlæring, ble det også uttrykt et ønske om å få se statistikk på data som ligger bak en predikert risiko. Vi la derfor til en egen side for hver lokalitet på dette. Videre var det et ønske om å få en samleside for en virksomhet, slik at man kunne se risikoen for alle tilhørende lokaliteter på en gitt virksomhet. Resultatet kan du se i videoen under, men på grunn av bruk av reell fiskedata er lokalitetsdata sensurert i videoen.
Ønsker du å bruke din tekniske kompetanse til å ruste private og offentlige virksomheter til å møte de stadig høyere kravene til en digital hverdag? Ønsker du fokus på selvutvikling, og trenger en arbeidsplass som møter dine behov? Da kan Visma Consulting være noe for deg.
