fbpx

Bruk av ML for riktig bemanning i sikkerhetskontrollen

Presentasjonen handler om reisen fra en problemstilling til en produksjonssatt ML-modell.

Den vil ta for seg forretningsaspektet, og teknologien vi valgte for å løse business caset. Målet er å formidle kompleksiteten og fallgruvene Avinor møtte ved å utvikle og forvalte en ML-modell.

Selve initiativet startet med at Avinor ønsket å gjøre bedre avrop på bemanning av sikkerhetskontrollen. Det skulle vi gjøre ved å predikere hvor mange passasjerer som ville passere sikkerhetskontrollen på en lufthavn, på et gitt tidspunkt.

Den tekniske løsningen ble gjennomført i flere trinn. Først laget vi en enkel logisk modell, for å se hvordan vår historikk kunne brukes for å predikere fremtiden. Dette ble gjort som en form for POC, for å raskt få opp en løsning og vurdere forretningsverdi. Parallelt med dette jobbet Avinor med systemstøtten i vårt ERP system, og fokuserte på standardiserte avropsprosesser.

Trinn 1 gav effekt, dermed valgte Avinor å utvide løsningen til å bygge en ML-modell. Det var en forutsetning at løsningen var skalerbar, siden Avinor drifter 45 ulike lufthavner i Norge. Det er stor variasjon i størrelsen på våre lufthavner, noe som var en annen grunn til at vi valgte å gå for en ML-Modell. Ulike aspekter i denne reisen vil tas frem, slik som tekniske valg, og arbeidet rundt forankring ved bruk av ML som beslutningsunderlag i organisasjonen.

Nireban skal presentere den gamle og den nye arkitekturen til vår modell, og litt om hvordan vi gikk fra å bruke tunge automatiske VM kjøringer i Azure til langt mer effektive Docker Containere via Azure DevOps Repos og Pipelines.

Hvem passer foredraget for: Teknisk: 50%. Ledelse: 50%