Infinigrid
Produksjons-ML for det norske strømnettet. Prognosemodeller som overvåker det elektriske systemet og varsler om risiko før den slår inn. Tidsserier i nettskala, satt i drift.
maskinlæring · maskinvare · systemer
Maskinlæringsingeniør med maskinvarebakgrunn. 14+ år erfaring med produksjonssystemer og hobbyprosjekter. Vekt på ren kode og solide systemer.
Jeg bygger
Tre å se på først.
Produksjons-ML for det norske strømnettet. Prognosemodeller som overvåker det elektriske systemet og varsler om risiko før den slår inn. Tidsserier i nettskala, satt i drift.
Industriell optimering for en av verdens største aluminiumsprodusenter. En blanding av maskinlæring, klassisk optimering og den anvendte matematikken som binder de to sammen.
Tilpasser en forhåndstrent vision transformer til en ny oppgave med low-rank-adaptere i attention-lagene. Halve poenget er å få det til å virke, andre halvparten en unnskyldning for å skjønne hvorfor det virker.
Verktøyene jeg jobber i, gruppert etter dybde.
Noen du kan teste med en gang, og resten gruppert etter tema.
La en KI-modell gjette kjønn, alder og til og med humør ut fra fargene du foretrekker.
prøv det herFlere KI-innholdskanaler på flere sosiale plattformer: automatisk videogenerering og publisering.
se et eksempelFlappy Bird der stemmen din styrer: jo høyere du er, jo høyere flyr fuglen.
spill det herTo spillere, tre på rad, der større blober sluker mindre, og det som ligger under, holdes skjult.
spill det herEn spesialbygd båt med autonom kapasitet: egendesignet skrog, lidar, to gimbalkameraer og bøyedeteksjon om bord.
se byggetEn RC-bil som streamer to kameraer over 4G med en egen hole-punching-protokoll, kjørbar fra hvor som helst.
se den kjøreProsjekter jeg har bygget og milepæler underveis, fra 2002 til i dag.
Størrelse = betydning. Trykk på et prosjekt for dypdykket.
Tidslinjen viser bare noen av prosjektene jeg har gjort ferdig. Som de fleste ingeniører synes jeg det er morsommere å starte noe nytt enn å fullføre det gamle, og mye av det jeg kan, sitter i prosjektene som aldri kom helt i mål.
FPGA-designet jeg fikk syntetisert, men aldri testet på maskinvare. Lydpluginen jeg la fra meg samme sekund jeg knakk koden. Modellen jeg trente helt til loss-kurven fortalte meg det jeg trengte å vite, før jeg gikk videre. Dette er ikke bortkastet tid. Det er eksperimentene som lærte meg teknikkene jeg senere brukte i prosjektene som faktisk ble levert.
Hvem, hva og hvorfor de to sidene passer sammen.
Jeg begynte å kode da jeg var ni. Faren min er programvareutvikler og ga det videre tidlig. Det første jeg husker at jeg ble irritert over, var en programmeringstime som viste seg å være dra-og-slipp-blokker i stedet for et ekte tastatur.
I dag jobber jeg på tre fronter. Maskinlæring for norsk offentlig sektor, industri, og nå Infinigrid, et oppstartsselskap som bygger prognosemodeller for strømnettet. Full-stack slipt i Go og Nuxt: backender, dashbord, datapipelines. Maskinvare: loddede analoge front-ender, FPGA-filtre, og en byggesett-3D-printer som til slutt tegnet sitt eget portrett.
De to sidene henger sammen. CNN-et som klassifiserer et analogt signal, er bare så godt som op-amp-en foran ADC-en. FPGA-et som filtrerer en transduser, betyr lite hvis det ikke finnes en pipeline videre nedstrøms. Det er akkurat i det grensesnittet jeg liker å jobbe.
Verktøyene sortert etter hvor de sitter i kjeden.
Fra fysisk signal til rene data.
Der læringen skjer.
Backender, infrastruktur, den uglamorøse ryggraden.
Flaten brukeren faktisk møter.
dykker dypere i nå prognoser i nettskalakausal inferensreguleringssystemer
Innboksen er åpen.
Tar gjerne en prat om forskning, maskinvare eller ML i nettskala, særlig der signalkjeden møter modellen.