Et anlegg bør kunne forklare seg selv.

Kort sagt: et anlegg registrerer allerede tusenvis av målinger, og nesten ingen av dem sier hva de er. Vi leser filene det allerede eksporterer, finner ut hvilken maskin hver måling hører til og hvilke som ikke kan stoles på, og gjør det på én maskin innenfor gjerdet, uten å koble oss til noe.

Problemet, på ett minutt.

1

Et anlegg er fullt av sensorer.

Et vannverk har tusenvis. Et raffineri har titusenvis. Noen sekunders mellomrom sender hver av dem et tall.

2

Men et tall alene betyr ingenting.

Det kommer slik: 31TI0102.PV = 957. Er det en temperatur? På hva? Virker sensoren i det hele tatt?

3

Svarene finnes i hodet på noen få personer.

Og i gamle permer og tegninger. Spør riktig person på riktig dag, så får du svar. Spør noen andre, og ingen vet. Når den personen går av med pensjon, forsvinner svaret med dem.

4

Tenk deg en telefon der hver kontakt bare er lagret som et nummer.

Du vet at alle er noen. Du vet bare ikke hvem. Tenk deg så å drive et vannverk, eller et kraftverk, på den måten.

+47 000 00 041?

+47 000 00 117?

+47 000 00 208?

5

Auge skriver ned hva hvert tall er.

Den leser selve tallene, hvordan de beveger seg og hvilke som beveger seg sammen, og den dokumentasjonen som finnes. Så sier den hva hvert tall måler og hvilken maskin det hører til, med begrunnelse. Når den ikke kan avgjøre det, spør den i stedet for å gjette.

6

Nå kan alle forstå anlegget.

En ny operatør på sin første nattevakt. En ingeniør som planlegger vedlikehold. Eller en KI som blir bedt om å hjelpe til med driften. Alt på anleggets egen datamaskin, uten at noe sendes ut.

Hvert instrument i et anlegg rapporterer under en kode. Auge finner ut hva hver kode betyr, ut fra målingene og anleggets egen dokumentasjon, og sier fra når den ikke kan.

Industrien er i ferd med å gå i KI-tempo. De fleste anlegg kan ennå ikke lese sine egne data.

KI har gått fra å skrive tekst til å styre ting. Anleggene som forsyner den med strøm, kjøler den og leverer til den, er de som er minst forberedt: tiår med målinger under koder ingen kan forklare, og færre for hvert år som fortsatt kan.

KI går på kraftverk

415 → 945 TWh

Datasentre brukte rundt 415 terawattimer strøm i 2024, og ventes å bruke rundt 945 innen 2030, en vekst fire ganger raskere enn alt annet på nettet. Hver eneste av de timene kommer fra et kraftverk, en transformatorstasjon og et nett. IEA, Energy and AI, 2025

Og på vann

560 → 1 200 mrd. liter

Datasenterbransjen bruker over 560 milliarder liter vann i året, og det kan nå 1 200 milliarder innen 2030. Kjølevannet kommer fra det samme vannverket som en by drikker fra. IEA, sitert i Water use in AI and Data Centres, 2025

Feilmarginen krymper

~30%

Norge mister rundt 30 % av drikkevannet sitt i lekkasjer, en av de høyeste andelene i Europa, og må få det under en firedel innen 2033. Når etterspørselen øker og ressursene krymper, er en måling ingen kan navngi en beslutning ingen kan ta. Norsk Vann, med tall fra SSB

De som vet, slutter

Hvert år

Hva et anleggs målinger betyr, sitter i hodet på dem som driver det, og bransjen sliter med å erstatte dem. Hver pensjonering tar med seg en bit av anleggets ordbok, med mindre den ble skrevet ned. Norsk Vann, om kompetanse hos driftspersonell

Neste generasjon industri er ikke en større modell. Det er et anlegg der hver måling er forstått, sjekket mot fysikken og eid av anlegget selv, slik at hvilken KI som enn kommer neste gang, kan betros den. Det er det laget vi bygger.

Anlegget ditt måler alt. Det kan ikke fortelle noen hva målingene er.

Hver måling har en kode som navn, som 31TT0102. At det er en temperatur, på hvilken maskin, i hvilken enhet, og om instrumentet fortsatt virker, står på en tegning, i en perm eller i hodet på én person på vakt. Derfor begynner hvert prosjekt som vil bruke dataene, et dashbord, en rapport, en KI, med å bygge det kartet på nytt for hånd. Det er det tregeste og minst elskede steget i ethvert industrielt dataprosjekt, og det er det steget vi automatiserer. Det vi ikke kan plassere, lister vi opp med begrunnelse, i stedet for å gjette.

1 469tagger på aluminiumsverket vi tester mot, hver med en kode som navn og ingenting som sier hvilken maskin den sitter på
245 timerfor å navngi alle for hånd med ti minutter per tag, og da snakker vi om en grundig ingeniør med tegningene oppe
87 %plassert av kompilatoren uten at noen var involvert, mot 53 % ved å matche navnene slik en integrator ville gjort
33 timerigjen for en person i samme tempo, og det meste er listen over taggene vi ikke ville gjette på

Testet på referansedatasett og ekte anlegg. Ennå ikke hos en kunde. Vi ser etter den første piloten.

Tallene her er målt på offentlige referansedatasett, på anlegg vi har simulert, og på to ekte danske anlegg der eierne har publisert dataene sine, med kravene skrevet ned før hver kjøring. Ingen kunde kjører dette ennå. Vi ser etter det første anlegget som lar oss kjøre på noen ukers eksporter, på deres egen PC, og forteller oss hvor vi tar feil.

Hva en pilot krever av dere

  • noen ukers eksporter fra historian eller styresystem, kopiert til en mappe
  • én PC på deres side av gjerdet
  • en ettermiddag med noen som kjenner anlegget, for å svare på listen over det den ikke ville gjette på

Hva dere får tilbake

  • en modell av anlegget som dere kan diskutere med, og begrunnelsen for hver plassering
  • instrumentene som er døde eller har hengt seg opp, og taggene ingen kan navngi som endrer seg
  • en skriftlig rapport med de samme tallene vi publiserer her: plassert, avvist, hvor mange timer det tok

Én person, med vilje, til det første anlegget sier hvor vi tar feil.

Laget vi bygger, er smalt nok til at én person kan være best i verden på det, og feil størrelse for et team før en pilot er gjennomført. Hva selskapet trenger nå, står nedenfor, ved siden av hva det har.

AA

Armin Alaei

Gründer, Auge Labs AS, Oslo

Har jobbet med data og maskinlæring siden 2017. Har bygget og ryddet datagrunnlaget for mer enn 7 000 brønnbaner på norsk sokkel, og har levert komplette KI-systemer i produksjon, med teknisk ansvar fra design til utrulling og tilgangsstyring. Tidligere fagleder for data og KI i Experis Norge, der han ledet et team på leveranser innen energi, helse, finans, bygg og anlegg og offentlig forvaltning. Har snakket om hvordan man evaluerer KI-systemer i MLOps Community og på VivaTech. Også CTO i Inveniq, et data- og KI-selskap.

Grunnen til at dette selskapet finnes, er alle gangene det arbeidet begynte med å spørre den ene personen på stedet hva taggene betydde. Hvert prosjekt, fra begynnelsen, på nytt.

+47 947 99 883 · Auge Labs AS, org.nr. 937 600 860

Hva selskapet har

  • en kompilator som leser et anlegg fra eksportene og avviser det den ikke kan avgjøre, med hvert tall på denne siden målt mot et krav satt på forhånd
  • fem eksperimenter som feilet, publisert, og det er derfor du vet at de som besto, er ekte
  • en metode for å bruke en liten lokal modell som ikke kan finne på et tall: den foreslår, koden verifiserer, et menneske godkjenner

Hva det fortsatt trenger

  • et første anlegg, og operatøren som vil si hvor modellen tar feil
  • en rådgiver som har drevet et vannverk, fordi gründeren ikke har det
  • en sikkerhetsvurdering som noen andre signerer

Begynn med én sektor i ett land, eie laget alle overlater til et menneske, og la anlegget beholde det det lærer.

Planen har samme form som hvert selskap som endte med å eie et lag: først et lite marked, dominert, så det neste på den samme kompilatoren. Det som er målt, står til venstre i grønt. De neste to årene avhenger av en pilot og av finansiering. Alt etter det er en retning, tegnet stiplet, og vi flytter den til venstre først når den er målt.

  1. 2026

    2026 · målt

    Hvor vi står

    Kompilatoren leser et anlegg fra dets egne eksporter, og sier hva den ikke kunne lese.

    • validert på to offentlige referansedatasett og to anlegg vi har simulert, med krav satt på forhånd
    • console tar et ekte anlegg fra en mappe og følger mappen; modellen foreslår, koden verifiserer, et menneske godkjenner
    • 9 forhåndsregistrerte eksperimenter denne høsten, publisert enten de besto eller ikke: listet under veien
    • hvert anlegg i console sier rett ut om det er ekte, delvis simulert eller simulert, med kilde; de ekte er to danske anlegg, renseanlegget Avedøre og et kontorbygg i Aalborg, fra eksportene eierne publiserte
    • kjører på anleggets egen Windows-PC fra én utpakket mappe: ingen installasjon, ingen administratorrettigheter, ingen internett
    • lesetilgang for OPC UA-, PI- og SQL-historians, testet mot servere vi kjørte selv
    • enhver AI-assistent som snakker MCP (Claude, Copilot, en lokal modell) kan lese et anlegg gjennom en åpen server: bare lesetilgang, hvert tall kan spores til taggene sine, og det vi ikke kunne navngi, står først
    • én gründer, ingen kunder, søknader om tilskudd under arbeid, ser etter den første piloten
  2. 2027

    2027 · planlagt, avhenger av en pilot og finansiering

    De første pilotene

    Kommunalt vann i Norge først, fordi navnekonvensjonene der er samlet hos tre eller fire integratorer.

    • to eller tre piloter: kommunalt vann, og ett prosessanlegg
    • de første tallene fra et anlegg i drift, publisert enten de består eller ikke
    • hvor mange persontimer det tar å forstå tusen tagger, målt og publisert, noe ingen har
    • en driftsrådgiver som har drevet et vannverk, og en uavhengig sikkerhetsvurdering
  3. 2028

    2028 · planlagt, avhenger av en pilot og finansiering

    En konvensjon, ikke et anlegg

    Én integrators navnekonvensjon blir en ferdig connector, og hvert anlegg bygget på den er lesbart samme dag du peker på det.

    • de tre norske vannintegratorenes konvensjoner som connectorer, godkjent regel for regel
    • neste runde i kompilatoren: struktur, hvilken stasjon som forsyner hvilket anlegg, vurdert som alt annet
    • overløpsregnskapet og februarrapporten satt sammen av verifiserte tagger, med en kjede av begrunnelser tilsynsmyndigheten kan lese
    • ISO 27001 i gang, fordi anbudene krever det
  4. 2029

    2029 · ambisjon

    Nordisk vann

    De fleste norske kommunale anlegg lesbare uten at en connector må skrives først; Sverige og Danmark gjennom de samme integratorene.

    • anleggsmodellen koblet til utstyrsregisteret bransjen allerede fører
    • innlekking rangert per pumpestasjon, energi per kubikkmeter per pumpe, i daglig bruk
    • et felles regelbibliotek, frivillig: en regel viser hvilke andre anlegg som har godkjent den, aldri dataene deres
  5. 2030

    2030 · ambisjon

    Hundre anlegg

    Sektorene vi allerede simulerer, prosess og kraftnett, på den samme kompilatoren; de første anleggene utenfor vann.

    • agenter som handler med tillatelse som den vanlige måten et lite anlegg kjører morgenen sin på: rapporten, alarmbudsjettet, arbeidsordren
    • anleggets egen modell som en fil andre systemer importerer, slik at et anlegg som vokser inn i en stor plattform, tar modellen sin med seg
  6. 2032

    2032 · ambisjon

    Driftslaget for anleggene ingen bygger plattformer for

    Hvert anlegg som ikke kan forsvare en dataplattform og en dataingeniør, får en modell som forklarer seg selv, på maskinvare det eier selv.

    • distribusjon gjennom integratorer og utstyrsleverandører, ikke en salgsstyrke
    • den lokale modellen blir stadig bedre; den verifiserte begrunnelsessløyfen er det som forblir vårt
  7. 2034

    2034 · ambisjon

    Anleggets egen ordbok er normalen

    Hva taggene betyr, er et dokument anlegget tar vare på, som en tegning, skrevet av egne folk og beholdt når de slutter.

    • formatet publisert og lest av leverandører som konkurrerer med oss, og det er det som gjør det til et format
    • tilsynsmyndighetene viser til begrunnelseskjeden slik de viser til en kalibreringsprotokoll
  8. 2036

    2036 · ambisjon

    Et anlegg som forklarer seg selv

    Til den som kom på jobb i morges, på et hvilket som helst anlegg i Europa, og alt sammen innenfor gjerdet.

    • tusenvis av anlegg, og ingen av dem sender noe som helst ut
    • spørsmålet en ny operatør stiller klokka sju om morgenen, besvart av anlegget selv, med begrunnelsen, på operatørens eget språk

Det vi målte denne høsten

Hvert av dem ble skrevet ned før dataene ble åpnet, og er publisert uansett hvordan det gikk.

  1. Ekte anlegg, ekte data

    På de to ekte danske anleggene, mot variabeltabellene eierne publiserte: Avedøre gikk fra 2 av 24 tagger plassert til 24 av 24, Aalborg-bygget fra 0 av 188 til 151 av 188, hver størrelse som er plassert er riktig, og de 37 som artiklene oppgir i enheter vi ikke har ord for (lux, sekunder), blir spurt om, ikke gjettet; vann- og bygg-connectorene ble skrevet for disse anleggene, så et tredje anlegg er den egentlige testen; byggets varmemåler følger termodynamikkens første lov, effekt = 3953 x mengde x temperaturdifferanse, 5 % fra det vann fører med seg i l/s og W, som er enhetene eierne publiserte, utledet fra målingene alene; og tilluftsmengden er ikke målt i det hele tatt: den er 308 x kvadratroten av viftens innløpstrykk, til 0,06 %, en beregning funnet fra målingene, så mengden er bare så god som det ene trykkuttaket; ventilasjonsmåleren viser 1000 ganger de to viftenes effekt lagt sammen, til 100,0 % av bevegelsen, noe som gir enhetene og koblingen fra målingene alene

  2. Reguleringssløyfer

    Hvilken ventil som styrer hvilken måling, lest fra dataene alene og forhåndsregistrert: FALSIFISERT på perioder holdt utenfor, 4 av 6 svar riktige mot et krav på 80 % (å avvise de usikre doblet likevel presisjonen til den enkle metoden, 67 % mot 33 %); værkompensert oppvarming fikk to radiatorventiler til å følge uteluften i stedet for rommene sine; et andre forsøk som først fjerner målinger en aktuator ikke kan påvirke, ble også FALSIFISERT på nye måneder holdt utenfor, 4 av 7: om vinteren følger ventilene den felles fjernvarmemengden, som de faktisk påvirker, mer enn rommene sine, så ingen av dem er i console; det som virker, og som er i console, er å sjekke sløyfelisten et anleggs navn antyder: BEKREFTET på måneder som aldri var åpnet, 7 av 7 bekreftede sløyfer riktige og 197 av 198 bevisst gale par avvist

  3. Hvilke plasseringer er feil, og å bevise hvor mange

    Å bevise hvor mange tagger som er feil ut fra noen få stikkprøver, forhåndsregistrert: DELVIS. En ingeniør sjekker 50 tilfeldige plasseringer og får et eksakt tak på anleggets feilrate med 95 % sikkerhet; på tvers av 10 anlegg holdt utenfor holdt det hver gang og lå i snitt på 7,5 %, strammere enn lærebokgrensens 8,4 %, så det er den grensen, ikke en modell, som nå ligger i console. En modell som lærer hvilke plasseringer som er feil, fant 72 % av dem i den mest risikable tiendedelen på simulerte anlegg, mot 22 % for kompilatorens egen tillit, men på det ene ekte anlegget rangerte den dårligere enn den tilliten (0,62 mot 1,00), så den holdes ute til den har lært av ekte anlegg; en grense som lener seg på modellens spådommer, holdt bare 69 % av gangene, ikke 95 %

  4. Angrep, og relasjonene et anlegg må holde

    Å fange angrep på et ekte testanlegg (HAI) med relasjonene et anlegg må holde, en ventils posisjon mot kommandoen, en måler mot tvillingen sin, forhåndsregistrert: DELVIS. På 38 angrep ingen hadde åpnet før, fanget relasjonene alene 22, den sterkeste vanlige metoden 19, med lignende F1 (0,44 mot 0,47) og med den brutte relasjonen navngitt; kravet om 80 % av angrepene ble ikke nådd, så vi oppgir ingen deteksjonsrate; relasjonene går nå i morgenrapporten i console, og hvert brudd navngis med taggene som skilte lag

  5. Å spørre med egne ord

    Å spørre anlegget med egne ord, på norsk eller engelsk, forhåndsregistrert: DELVIS. En liten modell på samme maskin leser hva som spørres om, og velger bare en type spørsmål og en maskin fra anleggets egen liste; svaret regnes ut fra dataene og skrives aldri av modellen. På 80 spørsmål den aldri hadde sett, leste den 81 % riktig, mot 20 % for nøkkelordene som var i bruk, men bare 80 % av de norske mot et krav på 85 %, så vi påstår ikke at den forstår norsk ennå; den ligger i console, og viser hvordan den leste hvert spørsmål

  6. Lover funnet fra data, og virtuelle sensorer

    Lovene et anlegg følger, funnet fra dets egne data og skrevet slik at et menneske kan lese dem, og et anslag når en måling dør, forhåndsregistrert: STØTTET. På et ekte testanlegg, holdt utenfor, var en lov med høyst 5 ledd bare 13 % mindre nøyaktig enn en regresjon på alt, og et anslag for en død måling var 38 % så feil som den frosne siste verdien et kontrollsystem viser; etterpå fant vi at noen lover lente seg på en annen utgang fra samme måler, og når de holdes utenfor, faller én påstand så vidt under kravet, noe vi publiserer; lovene og anslagene ligger i console, og hvert anslag er merket

  7. Å spørre tilbake ved tvil

    Å spørre tilbake når den er usikker på hva et spørsmål betyr, forhåndsregistrert: DELVIS. Når to lesere på samme maskin er uenige, viser console begge tolkningene, og operatøren velger én, som lagres med anlegget; på 60 nye spørsmål spurte den tilbake 16 ganger og tilbød riktig tolkning 14 ganger, men 6 av 11 feil tolkninger gikk forbi uten spørsmål, mest der begge leserne gjorde samme feil, og det sier vi

  8. En garanti anlegget velger selv

    En garanti anlegget velger selv i stedet for en tillitsscore, forhåndsregistrert: STØTTET. Fra en stikkprøve anleggets egne folk svarer på, beviser console at av taggene den beholder, er høyst en valgt andel feil; på 20 simulerte anlegg som aldri var brukt før, garanterte 200 sjekker høyst 5 % feil og beholdt 99 % av taggene, 100 sjekker høyst 10 % og beholdt 99 %, og garantien holdt i hver eneste revisjon; den kjøpes med sjekker, ikke med en bedre score

  9. En virtuell sensor gjennom et sesongskifte

    Den virtuelle sensoren testet der det er vanskeligst, et ekte kontorbygg gjennom et sesongskifte, forhåndsregistrert: FALSIFISERT. Tilpasset vinter og vår og testet på sommer og høst slo verken vår lesbare lov eller en tett regresjon det å bare holde siste verdi: loven gjorde det på 8 % av målingene, regresjonen på 0 %, og regresjonen, som var bedre på testanlegget vårt, var 9 ganger verre her; derfor tilbyr console nå et anslag bare der loven klart slo siste verdi på nylig historikk, og sier hvilken periode loven ble funnet i

Regnestykket bak ambisjonen, som er et regnestykke og ikke en prognose: den publiserte prisen er fra 450 000 kr per anlegg per år. Hundre anlegg er 45 millioner kroner i året; tusen er 450 millioner. Norge alene har 357 kommuner, tre eller fire vannintegratorer hvis navnekonvensjoner dekker de fleste av dem, og flere prosessanlegg og transformatorstasjoner enn det. Markedet er hvert anlegg som ikke kan forsvare en dataplattform og en dataingeniør, og det er de fleste.