10. October
Both Vipps and MobilePay had grown out of their Data Warehouses before the merger, so once the merger happened the scene was set to invest in a modern data platform. Governed access to well labeled data for everyone – and not just through a BI interface. How have we enabled all data producing teams to publish their data self-service? What happens when everyone get access to run their own SQLs? How do you drive adoption to a brand-new data platform? What were the challenges and learnings along the way? Join my talk and I’ll tell you all about it.
KI i dag brukes ofte synonymt med enormt store, komplekse, hemmelige, generative språkmodeller. I denne presentasjonen får du høre om tre eksempler på det motsatte hos ung.no. Små, relativt forståelige, åpne, prediktive KI-modeller, som brukes til å effektivisere administrasjon for nettjenesten ung.no. Ikke all KI er en GPT, ikke all KI bor inni en sort boks.
Å finne ut hva som er tillatt å gjøre på en eiendom er i dag utrolig krevende! Regelverket er fragmentert, utilgjengelig, komplisert og fullt av fagbegreper. Norkart jobber derfor med å anvende språkmodeller for å gjøre regelverket mer forståelig og tilgjengelig – både for arkitekter, ingeniører, innbyggere og kommunene selv.
Edda.ai og Twoday vil presentere hvordan de har bistått massasjekjeden Squeeze med å effektivisere ansattes tid med hele 35 %.
Systemet som er utviklet tar i bruk maskinlæring for å predikere etterspørsel, som siden brukes i en optimeringsmodell for å foreslå optimal bemanning. De som håndterer bemanningen hos Squeeze har tilgang til et brukergrensesnitt der de kan endre på selve optimeringsmodellen, hvilket gjør systemet svært fleksibelt ved å indirekte la de være med på justere hvordan bemanningsforslagene blir seende ut.
Squeeze har gått fra å være en start-up i rask vekst siden oppstarten i 2022, til i dag å være et lønnsomt, datadrevet selskap.
Remi Morken, CEO i Edda.ai og Tomas Spangelo, AI-spesialist i twoday, vil vise den datadrevne reisen til Squeeze, hvordan optimeringsmetoder og maskinlæring hjelper dem med å oppnå positive resultater og ikke minst hvordan dette kan overføres til andre virksomheter og bransjer.
Marketers often have the most rich and detailed data in the enterprise yet only a small fraction of data is used due to data silos. How can data professionals help Marketing become more data driven? During the presentation we will explore the top use cases and customer examples for AI and Analytics in Marketing. Examples include how Google Analytics data can be enriched with 1P data to improve ROI, and the use of Generative AI in marketing campaigns.
Silo in data analytics community in an organization happen when data is scattered in many different systems. This talk is about how Telenor reduces data silo with data integration solution based on metadata driven approach.
How do you define and communicate a clear AI vision that resonates with all stakeholders, securing buy-in and support across your organization? It’s about mastering the balance between moving quickly to seize short-term opportunities and planning strategically for long-term growth. While at the same time, it’s about telling your story in a compelling way that convinces people that you are committed to their success. This talk will give suggestions to get support and success from my experience with working with AI & Data strategies for 10 years.
Åpne datakilder kan gi informasjon om hvor og når etterspørselen etter ulike typer varer og tjenester er størst. Informasjon om befolkning, konkurrerende og komplementære servicetilbud, trafikk og arbeidsplasser er eksempler på data som kan fortelle mye om etterspørselen etter varer og tjenester på ulike steder.
Ved å kombinere slike data med en virksomhets egne data kan man bygge maskinlæringsmodeller og dermed bruke dataene på en smart måte. Hvilken beliggenhet vil gi størst lønnsomhet når man skal etablere et nytt utsalgssted? Vil et sted med stor etterspørsel og samtidig hard konkurranse være mer lønnsom enn et sted med mindre etterspørsel og mindre konkurranse?
Eller motsatt, hvis man skal redusere antall utsalgssteder, hvilket utsalgssted vil få minst negativ effekt av å bli fjernet?
Vi vil presentere flere kundecaser, inkludert Kople, som har et landsdekkende ladenettverk med over 7000 offentlige ladere. Kople bruker maskinlæring som beslutningsgrunnlag når de planlegger nye ladestasjoner. Vi vil forklare hvilke data som benyttes, hvordan maskinlæring brukes og hvordan beslutningsgrunnlaget ser ut i praksis.
Vi vil også vise hvordan tilsvarende fremgangsmåte kan brukes for å planlegge utsalgssteder innen andre bransjer.
Page 1 of 3