Med Internet of Things (IoT) bliver flere og flere fysiske objekter forbundet med internettet, så de kan kommunikere med hinanden og med mennesker.

Termostater, køleskabe, trafik- og overvågningssystemer er bare nogle af de enheder, som i dag kan fjernstyres ved hjælp af IoT-teknologi.

Udstyret med sensorer indsamler enhederne data og sender informationer via internettet, så data kan bruges til at kontrollere og overvåge enhederne eksternt.

IoT-enheder har åbnet nye muligheder for funktionalitet og bekvemmelighed, men samtidig opstår nye sikkerhedsrisici. En af de største udfordringer ved de IoT- enheder er nemlig, at de er forbundet med internettet, men har for lidt regnekraft til at være udstyret med de samme sikkerhedsforanstaltninger som fx traditionelle computere og smartphones.

Derfor er de potentielle mål for cyberangreb og angreb på vores privatliv, fordi hackere kan udnytte sårbarheder i IoT-enheder til at få adgang til følsomme oplysninger eller ligefrem tage kontrol over de fysiske enheder.

Nye certificeringskrav er på vej

Sikker IoT er derfor omdrejningspunktet for et projekt ved Digital Research Centre (DIREC). Her skal forskere fra Aarhus Universitet, Aalborg Universitet, Danmarks Tekniske Universitet og Copenhagen Business School sammen med Alexandra Instituttet og en række danske virksomheder identificere sikkerhedskrav til IoT-systemer. Målet er at udvikle algoritmer til kvantitativ risikovurdering og beslutningstagen og at skabe værktøjer til at designe og certificere et IoT-sikkerhedstræningsprogram.
 
Projektteamet er sammensat af forskere og fageksperter fra virksomhederne og skal sikre, at forskerne tager fat på de rigtige spørgsmål, og at ekspertisen fra de forskellige faggrupper kommer i spil i nye løsninger, som kan afprøves og evalueres ude i virksomhederne.

Hjertestarteren – en aktuel case

IT-virksomheden Seluxit er en af de virksomheder, som deltager i projektet. Seluxit udvikler og leverer løsninger inden for IoT- og cloud-teknologi og tilbyder et bredt spektrum af produkter og tjenester til forskellige industrier og sektorer.
 
Ifølge projektleder Tsvetomir Ivanov giver Seluxits medvirken i projektet adgang til ny viden om de vigtigste trends inden for IoT og software – og især har man lært at tænke sikkerhed ind som noget af det første, når man udvikler en ny løsning for en kunde.
 
Der er stor forskel på, hvad IoT-enheder bruges til. Et af de mere samfundskritiske eksempler er de hjertestartere, som hænger rundt omkring i Danmark klar til at redde liv.
 
Desværre er hjertestarterne lette ofre for både hærværk og tyveri, og hos Seluxit har man derfor udviklet et overvågningsprogram, som skal beskytte det livsvigtige udstyr.
 
– Udfordringen med hjertestarterne er, at alle skal kunne få hurtig adgang til dem. Derfor sker det desværre også, at nogen knuser ruden og begår hærværk mod udstyret, ligesom der er risiko for, at hjertestartere bliver hacket eller stjålet. Alt det er vi nødt til at tage højde for i vores overvågningsløsning, forklarer Tsvetomir Ivanov.
 
I princippet vil en hacker kunne bryde ind i hjertestarterens tekniske system og fx sende besked om, at batteriet er fint, selvom det ikke er. I værste fald kan det føre til dødsfald, hvis udstyret ikke virker, som det skal, fortæller han.
 
– For at forhindre den situation, har vi indbygget en række ekstra sikkerhedsmekanismer i vores system. Så når det gælder hjertestarteren, er det ikke alene muligt at monitorere batteriet, man kan også holde øje med, om nogen har åbnet og lukket lågen til kabinettet, og om udstyret har været fjernet. På den måde kan vi overvåge, om nogen har skadet udstyret eller har pillet ved det.
 
Sikkerhedssystemet kan tilpasses mange forskellige formål og enheder, fortæller Tsvetomir Ivanov.
 
– Vores sikkerhedssystem gør allerede en forskel for mange kunder, og vi samarbejder med forskerne om hele tiden at forbedre vores sikkerhedstræningsprogrammer. Man vil aldrig kunne sikre sig 100 procent imod hackerangreb, men vi kan sætte realistiske mål for, hvordan vi optimerer sikkerheden.
 
Han giver et eksempel på, hvordan man i alle led i udviklingen af IoT-systemer har fokus på sikkerheden:
 
– En af de enkle måder at øge sikkerheden på er at ændre processerne, som vi også har gjort i vores virksomhed. Fx har vi udpeget personer, som er ansvarlige for at bringe eksternt software ind i huset. Vi er afhængige af at bruge komponenter, som er klargjort udefra, derfor har vi brug for at sikre, at de komponenter er testet, inden vi introducerer dem i vores systemer.
 
I takt med at IoT-teknologi bliver mere omkostningseffektiv og tilgængelig, forventes antallet af IoT-enheder at vokse markant, og anvendelsen af IoT vil brede sig til nye områder og industrier – derfor er behovet for IoT-sikkerhed større end nogensinde.
 
Målet med projektet er at gøre danske virksomheder i stand til at opnå sikkerhedscertificering af deres IoT-enheder. Det vil betyde et forspring på et marked, hvor nye certificeringskrav fra EU, USA og det britiske marked er på vej.
 

En af de helt store kritiske barrierer ved at bruge AI og billedanalyse i landbrugs- og fødevareindustrien, er tilliden til, at det virker.

I dag er den manuelle visuelle inspektion af korn stadig en af de vigtigste kvalitetssikringsprocedurer i hele værdikæden for at bringe korn fra marken til bordet – og sikre, at landbrugeren får den rigtige pris for sine korn.  

Hos den danskejede familievirksomhed FOSS udvikler man højteknologiske analyseinstrumenter til landbrugs- og fødevareindustrien og til den kemiske og farmaceutiske industri.

Siden virksomheden blev stiftet i 1956 af civilingeniør Nils Foss, har udvikling og innovation stået højt på dagsordenen, for som en global producent af nicheprodukter gælder det om hele tiden at være to skridt foran konkurrenterne.

Derfor er samarbejde med forskere fra landets universiteter en vigtig del af virksomhedens digitale rejse. I et projekt ved det nationale forskningscenter for digitale teknologier (DIREC) skal virksomheden sammen med forskere fra DTU og KU kortlægge, hvordan AI og billedanalyse kan erstatte den subjektive manuelle inspektion af korn med en automatiseret løsning baseret på billedbehandling. Målet er at udvikle en metode til at bruge deep learning neurale netværk til at overvåge kvaliteten af frø og korn ved hjælp af multispektrale billeddata. Metoden har potentiale til at give kornindustrien et nyt disruptivt værktøj til at sikre kvalitet og optimere værdien af landbrugsråvarer.

Landbrugs- og fødevareindustrien er generelt en meget konservativ industri, og der er brug for at styrke tilliden til digitale teknologier, forklarer seniorforsker Erik Schou Dreier fra FOSS. Udviklingen af AI kan derfor ikke stå alene. For at landbrugerne skal tage teknologien i brug, er det nødvendigt at skabe tillid til, hvordan den virker. I den proces anvender forskerne explainable AI til at forklare, hvordan algoritmerne fungerer.

– I dag vurderer man mange steder korn manuelt, og at erstatte det manuelle arbejde med en maskine kræver tillid. Fordi arbejdet udføres af mennesker, er det en ret subjektiv referencemetode, der bruges i dag. Mennesker vil ikke nødvendigvis udføre arbejdet på samme måde hver gang og kan komme frem til forskellige resultater. Derfor vil der være en vis usikkerhed om resultatet.

Skal kortlægge og forklare algoritmer

Anderledes præcist er resultatet, når man anvender AI og billedanalyse i processen. Men for at de nye teknologier kan få det store gennembrud globalt, er det nødvendigt med en model, som forklarer, hvordan AI arbejder og kommer frem til et givent resultat, siger Erik Schou Dreier.

– Mange har en iboende skepsis imod selvkørende biler. De selvkørende biler skal være endnu bedre og mere sikre til at køre end os mennesker, før vi stoler på dem. På samme måde skal de AI-analysemodeller, vi arbejder med, være væsentlig bedre end de manuelle processer, de erstatter, for at folk stoler på dem. For at vi kan skabe den tillid, må vi først kunne forklare, hvordan AI analyserer et billede og kommer frem til et givent resultat. Det er målet med projektet – at fortolke AI’s måde at arbejde på, så mennesker kan forstå, hvordan den læser et billede.

Vi accepterer typisk en højere fejlrate blandt mennesker end maskiner. For at vi mennesker tør stole på algoritmerne, skal de kunne forklares.
– Erik Schou Dreier, seniorforsker

Ph.d.-studerende Lenka Tetková fra DTU er en del af projektet og sidder på FOSS’ kontor nogle dage om ugen. Her arbejder hun med billeder af korn på to forskellige måder, dels til at forbedre billedkvalificering, dels til at blive bedre til at forstå, hvordan klassificeringerne fungerer, så de kan forbedres.

– Jeg bruger somme tider billedet af en zebra og en hjort til at forklare, hvordan billedklassificering virker. Forestil dig, at du har en klassificering, som kan genkende zebraer og hjorte. Nu får du et nyt billede af et dyr med en krop som en hjort, men benene ligner benene på en zebra. En standardmodel vil ikke være i stand til at genkende dette dyr, hvis den ikke har set dyret under træning. Men hvis du giver den yderligere oplysninger (såkaldt metadata) – i dette tilfælde fx en beskrivelse af alle slags dyr – vil den kunne udlede, at billedet svarer til en okapi, baseret på dens viden om zebraer, hjorte og beskrivelsen af en okapi. Det vil sige, at modellen vil være i stand til at bruge information, som ikke er til stede på billederne til at få bedre resultater, fortæller Lenka Tetková og fortsætter:

– I dette projekt vil vi gerne bruge metadata om kornene, fx informationer om oprindelsessted, vejrforhold, brug af pesticider og opbevaringsforhold til at forbedre klassificeringen af korn. 

For de fleste mennesker betyder udtrykket ”digital micro fluidics” ikke ret meget. Men det er en teknologi, der kan revolutionere laboratoriearbejde.

“Idéen er, at alt det, en biokemiker normalt bruger meget tid på at gøre med pipetter, kan gøres af en enkelt chip i stedet,” forklarer Luca Pezzarossa og viser en kort video af teknologien i brug.

Laboratoriet på en chip er i bund og grund et biokemisk laboratorium skaleret ned til størrelsen af en lille bærbar enhed – en mikroprocessor. Idéen er at få små dråber af væske til at bevæge sig rundt på en chip ved at aktivere en sekvens af elektroder. Luca Pezzarossa’s opgave er at få hardwaren og softwaren til at fungere sammen for at flytte de mikrofluidiske dråber på den rigtige måde.

“Men én ting, der er meget almindelig inden for dette felt, er, at de personer, der laver denne forskning, ikke er biokemikere,” siger han.
Problemet med det er, at der er begrænsninger i den virkelige verden, der gør det meget sværere at flytte dråberne.

“To dråber må ikke komme så tæt på hinanden, som de gør i en simulering, fordi de så ville røre hinanden og flyde sammen. Rent biologisk kan nogle dråber også efterlade en forurenende rest. Bloddråber trækker et spor for eksempel, og så kan andre dråber ikke bevæge sig derhen, hvor blodet har været før,” forklarer Luca Pezzarossa.

Det eksempel repræsenterer et vanskeligt problem. At oversætte noget fra en brugervenlig højniveau-protokol – noget, der er nyttigt for en biokemiker – til en styresekvens er meget svært. Især når begrænsningerne er komplekse virkelighedsbaserede problemer, som f.eks. en dråbe, der efterlader en forurenende blodsti på chippen.

“Da jeg præsenterede disse udfordringer på et DIREC-seminar, sagde to algoritmeorienterede forskere: ‘Det her er meget spændende fra et teoretisk synspunkt. Vi bør ansøge om et DIREC Explore-projekt.’ Og det gjorde vi så,” siger Luca Pezzarossa.

Digital Research Centre Denmark (DIREC) støtter tværfaglig forskning – ofte med eksterne partnere – med såkaldte Explore-projekter, der er små agile forskningsprojekter med det formål at undersøge nye ideer.

I størstedelen af 2022 arbejdede han sammen med to andre lektorer, Eva Rotenberg fra DTU Compute og Lene Monrad Favrholdt fra Syddansk Universitet, på at udvikle algoritmer, der kunne styre denne tidsplanlægning og ruteplanlægning på anvendte cyber-fysiske systemer – mens DTU-forskningsassistent Kasper Skov Johansen, der nu er ph.d.-studerende ved DTU, stod for det meste af det praktiske arbejde.

Hvert minut var dyrebart, da en kritisk maskinkomponent brød sammen, og den nye reservedel skulle fragtes hele vejen fra SANOVO i Danmark til Brasilien, hvor udslåningsanlæget i mellemtiden stod stille.

Hos SANOVO TECHNOLOGY GROUP, som er en af verdens førende virksomheder inden for udvikling og produktion af avancerede maskiner og udstyr til æggeindustrien, arbejder man på at undgå lignende situationer i fremtiden.

Derfor deltager virksomheden i et projekt ved det nationale center for digitale teknologier (DIREC), hvor de sammen med forskere fra Syddansk Universitet, Aalborg Universitet og Københavns Universitet undersøger, hvordan man ved hjælp af data kan afsløre selv små afvigelser på et produktionsanlæg.

-Hvis vi på en eller anden måde kan få et varsel, for eksempel en måned før, der sker noget med en bestemt komponent, kan vi gribe ind hurtigere og spare kunden for, at produktionslinjen står stille, fortæller Steven Beck Klingberg, som er System Manager hos SANOVO TECHNOLOGY GROUP.

Vi kan formentlig spare en del penge på rejseaktivitet, men ellers er det vores kunder, som det vil have stor betydning for. Står en maskine stille i en uge, kan det koste kunden flere hundrede tusinde Euro i tabt produktion.
– Steven Beck Klingberg, System Manager hos SANOVO TECHNOLOGY GROUP

Data sladrer om uregelmæssigheder

Virksomheden trækker flere hundrede datapunkter ud af anlæg rundt om i verden. Hidtil har man været mest interesseret i produktionsdata, men senest har forskerne altså rettet opmærksomheden mod de data, som fortæller noget om maskinens tilstand, forklarer professor Fabrizio Montesi fra SDU, som leder projektet.

-Vi bruger IoT, edge- og cloud-teknologier til at akkumulere data om funktionen af maskiner, der er implementeret i produktions- og testmiljøer. Ved at analysere disse data identificerer vi forhold og tendenser, der indikerer afvigelse fra normal funktion. Den indsigt kan så bruges til at forudsige, hvornår en maskine har brug for service.

Hans kollega på projektet, associate professor Marco Chiarandini, supplerer:

– Det særlige ved SANOVO er, at mængden af data er stor,
mens fejl på hovedkomponenten er yderst sjældne. Derfor er klassisk
overvågning og traditionelle maskinlæringsteknikker ikke egnede, og vi har været nødt til skræddersy andre datavidenskabelige teknikker til sekventiel dataanalyse.

Vil nedbringe antallet af servicerejser

Som sidegevinst kan projektet være med til at nedbringe antallet af servicerejser, et mål, som er vigtigt for SANOVO af både klimamæssige og økonomiske hensyn.

Virksomheden har servicemedarbejdere ansat i Danmark, Holland, Italien, Syd- og Nordamerika, Malaysia, Japan og Kina – hver afdeling har sit eget ekspertiseområde. En servicetekniker har mellem 150 og 200 rejsedage om året, samlet tæller serviceorganisationen lidt over 100 ansatte.

-Hvis vi kan forudse, at en maskine snart har brug for et serviceeftersyn, bliver det nemmere at planlægge servicerejserne og minimere rejseaktiviteten – og det vil kunne mærkes. Dels vil vi have bedre forståelse for, hvad der er galt, inden vi sender en servicetekniker ud i verden, så han kan have de rigtige maskindele med. Dels vil vi gerne fange problemerne i opløbet, så vi kan planlægge smartere og minimere antallet af rejser, siger Steven Beck Klingberg.

Forskere og studerende tør udfordre

SANOVO’s rolle i DIREC-projektet er at bidrage med fagviden om de relevante maskindata. Der er flere hundrede målepunkter i maskinerne, men ikke alle har betydning for maskinens kritiske komponenter.

– Vi har primært hjulpet forskerne med at finde ud af, hvilke målepunkter, der er vigtige. På den måde er vi sparringspartnere under hele processen, fortæller Steven Beck Klingberg.

At projektet er vigtigt for virksomheden, er der ingen tvivl om. En række af SANOVO’s specialister har været involveret i projektet, som også følges med stor interesse hos topledelsen.

Samarbejdet mellem forskere og en højtspecialiseret virksomhed bringer en masse ny viden og ideer på bordet, mener Steven Beck Klingberg.

– Både forskerne og de studerende, vi samarbejder med, er kanongode til at stille spørgsmål, som udfordrer os, og det har været fedt at få andre øjne på undervejs i processen. Forskerne kommer med en åben tankegang og en helt ny viden. Det har været fantastisk at få noget modspil, for man bliver nok lidt snæversynet, når man arbejder med de samme ting i den samme branche dag ud og dag ind.

Også forskerne ser en stor værdi i samarbejdet.
– Det at identificere et projekt af konkret værdi for Sanovo har været nøglen til at få støtte og interesse fra de rigtige personer i virksomheden, hvilket har været afgørende for samarbejdets succes. Alle parter har været ret åbne i researchfasen, og vi bliver alle rigere af den nye erfaring og vidensudveksling, lyder det fra Fabrizio Montesi.