Program 2022

Programmet vil bli oppdatert med mer informasjon fortløpende og endringer vil forekomme

Utvid alle foredrag +
  • Program


  • Foredraget tar tilhørerne med på en reise inn i fremtiden til året 2029, hvor datamaskinene har like høy prosesseringskraft som den menneskelige hjerne. Det medfører at maskiner kan gjøre stort sett alt det et menneske kan, bare raskere og bedre. Hvordan ser verden ut da?

    Dette er ikke et dommedags-foredrag, snarere tvert imot. Kanskje har vi verken fattigdom, hungersnød eller miljøproblemer. Foredraget forteller hvordan dette kan skje.
    #0 Plenum

  • Abstract Norway and Europe are said to be lagging behind in the digital race, especially when it comes to development and application of AI driven solutions. But, even if Europe is perhaps not known for its native tech giants, we have several strongholds that can make it easier to benefit from the technological breakthroughs in more inclusive ways.

    So, how can we use our unique innovation system to develop a viable IT sector that create new jobs, a more inclusive society and green transformation? What collaborative initiatives do we need to look out for? This will be the focus of Marianne’s talk.
    #3 Smart

  • Digital transformation has influenced changes in the data & analytics industry over the last several years, leading to the creation of a modern data stack. In this session, you will learn about the history of a modern data stack, how the data world evolved to necessitate it, and what a modern data stack looks like today.

    We will discuss:
    • How strides in technology enabled the current state of data platforms
    • The essential components & features that make up a modern data stack
    • What data teams need to know to take advantage of emerging trends

    #2 Data

  • Scaling AI is difficult. It takes people, platforms and processes to move an AI solution from PoC into production. More and more organizations have adopted machine learning operations (MLOps) to streamline end-to-end machine learning lifecycle management and scale AI solutions across the organization.

    In this talk, Xiaopeng will share explain the Why, What and How of MLOps with practical guidance and concrete examples.
    #3 Smart

  • Hvordan overvåke og forbedre prosesser ved hjelp av process mining?
    Hvordan kan en leder forstå hvordan prosesser utføres i praksis, og hvor det er best å justere for å forbedre organisasjonens måloppnåelse?

    I UDI har vi tatt i bruk process mining og vi forteller gjerne om vår reise mot å bruke data for å utvikle bedre prosesser.
    #4 Workshop

  • Fortellingen om en agnostisk digitaliseringsreise, med datamesh i praksis og anvendelse av data som strategisk beslutningsstøtte.
    #1 Make

  • Hvordan bekjempe kriminalitet ved hjelp av data? Hva betyr informasjon og analyse i arbeidet med å forebygge, forhindre og oppklare saker? Og hvilke muligheter ligger i automatisert informasjonsbehandling i politiet?

    Politiets IKT-tjenester (PIT) er politiets samarbeidspartner på IT-siden. Vi er en egen organisasjon med over 600 engasjerte nerder som utvikler og videreutvikler smarte løsninger for politiet. Vi vet at effektivt politiarbeid ikke kan gjøres uten fremtidsrettet teknologi og verdfull data. Politiets aktiviteter skal være kunnskapsbaserte - derfor er innsikt ett av våre absolutte satsingsområder.

    Potensialet er stort og mulighetene er mange. I dette foredraget får du innblikk i et datadrevet politi - nåtid og framtid.
    #3 Smart

  • Leser man om data governance på LinkedIn eller følger nyheter fra konsulenthusene så sitter man igjen med en oppfatning om at data governance handler om å kjøpe en datakatalog, bry seg om "data lineage" og datakvalitet og på magisk vis så skal dette gjøre deg "datadrevet". Slik er det selvfølgelig ikke, men det er vanskelig å selge software som skal endre en hel kultur i en virksomhet.

    Data governance – som annen styring – handler om mennesker, organisasjon og kultur rundt data, mer enn selve dataene. Data governance er ikke svaret, men prosessen for å komme opp med de riktige svarene. I Fremtind Forsikring driver vi disse prosessene, vi er datadrevet, men vi er langt fra kommet i mål. Vi vil dele den innsikten vi har opparbeidet oss så langt.
    #2 Data

  • Hvordan koordinere 18 selvstendige virksomheter som skal utføre en tjeneste med regelverk som forandrer seg stadig?
    Hvordan gå fra 25 silo-baserte fagsystemer til ett selvbetjent datanettverk og fremme en datakultur hvor tjenesten driver utvikling?

    Vi forteller historien om hvordan Helseetaten planlegger å bli en forvalter av data rundt innbyggeren, i en modell som støtter samhandling mellom forskjellige virksomheter og fagområder.
    #1 Make

  • A modern data architecture acknowledges the idea that taking a one-size-fits-all approach to analytics eventually leads to compromises. It is not simply about integrating a data lake with a data warehouse, but rather about integrating a data lake, a data warehouse, and purpose-built stores, enabling unified governance and easy data movement. With a modern data architecture on AWS, customers can rapidly build scalable data lakes, use a broad and deep collection of purpose-built data services, ensure compliance via a unified data access, security, and governance, scale their systems at a low cost without compromising performance, and easily share data across organizational boundaries, allowing them to make decisions with speed and agility at scale.
    #2 Data

  • Forsikringssvindel påfører forsikringsbransjen flere hundre millioner i tap hvert år i Norge, og fører til økte priser for alle oss med forsikring. Tidligere har identifikasjon av svik i forsikringsoppgjør vært en manuell prosess basert på enkle regler, heuristikk og tidvis også magefølelser, men Storebrand har i de siste årene hatt en satsning på å finne smartere metoder for å avdekke forsikringssvindel.

    I 2021 kom Storebrand til finalen i Innsiktsprisen basert på vårt arbeid innen bruk av maskinlæring og avansert analyse for avdekking av forsikringssvindel. Denne presentasjonen vil gå litt mer i dybden på det tekniske arbeidet til Storebrand som ble presentert for Innsiktsprisen, samt snakke litt om det som har skjedd i Storebrands arbeid innen avdekking av forsikringssvindel siden.
    #1 Make

  • Beskrivelse av reisen for å ta data science inhouse i REMA 1000 og utnytte potensialet til avansert analyse av store datamengder. Arkitektur+system+mennesker.

    Konkret eksempel på hvordan REMA 1000 beregner salgseffekt av pristilbud for å ta bedre beslutninger om hvilke produkter, hvilke prispunkt som er best og bedre styring av verdikjeden tilknyttet pristilbud ved bruk av maskinlæring.
    #1 Make

  • I prosessen med å lage true crime-serien «Vålnes-saken» (november, 2021) holdt NRKs journalister på å drukne i en en komplisert etterforskning med 1300 dokumenter, 400 vitner og en svært lang tidslinje. Løsningen ble et spesialutviklet researchsystem som funket så bra at det nå skal piloteres for hele NRK. På veien har det blitt til et trygt sted for dokumenter og analyse, med en standardisert metadatasett for undersøkende journalistikk. Det brukes også eksterne maskinlærings-APIer for berikelse av datasettet. I denne presentasjonen får vi bli med bak sceneteppet for å lære mer om hvordan NRK lagde dokumentarserien, hvordan de jobber med data og fortsatt tar vare på kildevern, hvordan dette systemet beriker metadata med maskinlæringsapier og hvorfor det av og til lønner seg å ha en hacker med på laget.
    #3 Smart

  • Have you ever experienced that the data investments could have been used even more to increase value? How do we secure and increase the value of the data and platform investments? Data Adoption!

    Data Adoption (DA) is the process where users are being familiar with new technologies and effectively uses it as intended to drive business value through data and insight. In this presentation we will present some key factors that will ensure that the data will be adopted on a larger scale. Additionally, we will present our experiences, including both challenges and success factors.

    Successful adoption of new technology is not only about IT and software, but also about people, culture and change. Data adoption is more than employees using the technology on a regular basis; it is about using it effectively. Greater data adoption will significantly increase both the quality of the data and the number of data-driven decisions in the organization. Data adoption ensures that our customers are getting the most out of technology investments and is the key to technological success.
    #3 Smart

  • En relativt rask gjennomgang av hva geografisk informasjon er, hvor man finner det og hva det kan brukes til.

    Geonorge er en del av Norge digitalt; et samarbeid mellom offentlige virksomheter med ansvar for å etablere og forvalte kartdata og annen stedfestet informasjon.
    #4 Workshop

  • DNB, Norway's largest financial services group, created Insight Platform for Analytics (IPA)–a self-managed analytics ecosystem by bringing data and code together, for creating brilliant insight and valuable data products. In this presentation, Olav will showcase the idea behind the IPA platform, the key components of the platform, and how they contribute to its robustness. Additionally, he will touch upon how, over the years, since the inception of the IPA Platform, DNB has scaled its analytics and data science activities to further enhance the customer experience from mobile banking to trading, and meet various regulatory requirements.
    #3 Smart

  • How does one go forward as a 375 year old company trying to become more data-driven?

    Posten holds a rich tradition of being one of the largest logistics operators in Norway, having delivered letters and parcels to its citizens for centuries.

    In this talk, i try to paint a picture of how Posten is slowly but steadily becoming more data-oriented in its solutions, and how the data science department has evolved since its conception in 2019. The aim is to offer a transparent case of not only what's gone well, but what lessons the company has learned and is continually learning as the journey unfolds.
    #1 Make

  • How NBIM built an Investment Simulator to assist Portfolio Manager's decision making.
    #2 Data

  • Organizations store more and more data in ever-larger volumes. However, most of that data is not new or original, but copied. Companies excel at duplicating data. For example, information about a customer is stored in a CRM system, a staging area, a data warehouse, several data marts, and a data lake. Even within one database, data is stored multiple times to support different users. In addition, copies of data are stored in development and test environments. There is also data redundancy between organizations when exchanging data. Usually, the receiving organization stores the data in its own systems, resulting in even more copies.

    This unrestrained duplication of data has many disadvantages and challenges, including higher data latency, complex data synchronization solutions, more complex data security and privacy enforcement, higher development and maintenance costs, higher technology costs, and more complex database and metadata administration. Additionally, all this data copying involves processing and storage which costs energy.

    In this session, Rick van der Lans explains how you can design data-on-demand architectures in which data copies and unnecessary processing are minimized. The technology is available for developing such architectures. The extra benefit is that data-on-demand architectures are also greener architectures.
    #0 Plenum


Program MDS av Anders Førde Midtbø