Gothenburg Tech

På språng men vill veta mer?

• 

  Avsnittet i textform

  Talare 1: Ai pratas det om överallt just nu, men i många sammanhang har vi vant oss vid att det ibland blir fel. En text som haltar en bild som inte stämmer, men det finns branscher där ai inte får gissa där ett fel inte bara är en detalj utan en risk för affären, säkerheten ibland för liv.

  Talare 1: Dagens gäst har rört sig mellan några av dom miljöer där den moderna ai utvecklingen både har fötts och satts på prov. Han har varit i forskningsnära miljöer kring amerikanska prestigeuniversitet när det som kallas deep learning slog igenom.

  Talare 1: Varit med och byggt det är göteborgsbaserade ai bolaget recorded future och driver idag bolag som arbetar med Ai i säkerhetskritiska system. Hur avgör man när ai verkligen tillför värde i ett bolag istället för bara hajp? Du lyssnar på en podd från business region Göteborg. Jag heter Emanuel Karlsten.

  Talare 2: När redan duktiga programmerare använder ai verktyg för att ytterligare accelerera sitt arbete. Det har kommit en del väldigt visionära och spännande tankar ur den miljön.

  Talare 2: Jag kunde inte släppa det under hela julen, nästan att försöka testa och utforska.

  Talare 1: Daniel langkilde välkommen till business Göteborg.

  Talare 2: Tack så mycket.

  Talare 1: Vi spelade in här på go west och poddar då alltså på Sveriges årliga riskkapitalforum för investerare start ups där vi också var förra året att spela in och då gjorde vi en av årets mest lyssnade poddar med Staffan truvé som ju är en god vän till dig.

  Talare 2: Ja, det stämmer.

  Talare 1: Grund.

  Talare 1: Är det av recorded future som du också var en av de första om?

  Talare 2: Jag hade tur att vara tidig anställd där, mycket tack vare Staffan som ju stått mig nära under många många år.

  Talare 1: Så din bakgrund är ju att du har sett ai både från ja, forskningshåll och affärsverklighet.

  Talare 1: Det som är spännande är ju att jag har hört dig säga flera gånger att du är ganska trött på ai hipe känner att vi ska börja. Det är vi i ett hypläge just nu när det gäller ai.

  Talare 2: Jag brukar säga att jag känner mig lite så hipster bitter att jag lyssnade på ett indieband som nu har blivit superkommersiellt och den känslan.

  Talare 2: Har jag nog fortfarande med mig. Sen kan man ju säga att det är ju definitivt så att vi har kommit väldigt långt med teknologin på många områden och att det skapar jättemycket värde och hype är ju befogat på många områden.

  Talare 2: Sen är det ju alltid en fråga om så här, när är det tillräckligt mycket så att säga och vad är rimligt mycket och jag? Det växlar lite för mig. Vissa dagar tänker jag så här, men herregud, nu får ni lugna ner er och andra dagar tänker jag ja fast det här är ju faktiskt väldigt häftigt. Det kan ju faktiskt lösa väldigt många problem så att det är svårt att balansera just nu.

  Talare 1: Vi måste ju prata om det när du säger.

  Talare 1: Vilket är det ett Ai är ditt gamla indieband? Det du menar då det är att du var med när det slog igenom på något sätt här? Nu hoppar jag lite här fram och tillbaka, men jag tänker att det är ändå intressant för att det som hände var ju att du var i på de här amerikanska precisionuniversiteten när deep learning som det kallas då.

  Talare 2: Tror jag men.

  Talare 2: Jag gick till chalmersbiblioteket 1999 när jag var tolv år och lånade min första bok om när roala nät och då var den 20 år gammal typ eller något sånt och det var inte ett dugg populärt. Man trodde inte att när rollen ett var något att ha överhuvudtaget på den tiden.

  Talare 2: Utan det var andra tekniker som var det heta då supportvector machins och grejer så varje era har ju liksom haft sina grejer som de trott på mest. Men sen så gick ju tiden och under tiden jag pluggade på Chalmers och var i USA, på m i T Och så så.

  Talare 2: Nu hände det någonting som gjorde att deep learning då faktiskt började fungera och jag tror att det var en kombination av att man faktiskt började få väldigt mycket data sparad. Man fick ganska kraftigt mycket starkare datorer, precis som vi har haft år efter år under lång tid.

  Talare 2: Men ni nådde väl någon slags inflektionspunkt där kombinationen av data och beräkningskraft gjorde att en del av de metoder som testades på åttiotalet men inte riktigt funkade plötsligt funkade och då lossnade ju ett antal tillämpningar för ai och blev snabbt kommersialiserade.

  Talare 1: Men det är ju otroligt om vi bara backar tillbaka där att du är tolv år och går till Chalmers för att låna den här boken. Vad är det för typ av barn som gör det?

  Talare 2: Sammanhanget höra att jag föddes med en fotskada peva, heter det eller klumpfot, så jag kunde inte springa och leka så mycket som alla barn när jag var liten och hade en morfar som var.

  Talare 2: Naturkunskapslärare som tog sig an mig mycket så att programmera och plugga och läsa och bygga grejer var min ja, det var där jag trivdes och levde på något sätt snarare än på fotbollsplan.

  Talare 1: För det är ju så du är uppväxt här i Göteborg. Du började bygga robotar också tidigt som barn för i lego och sen egen elektronik vidare in i programmering då jag antar att det var där den här boken blev relevant på något.

  Talare 2: Sätt ja, men precis alltså. Jag byggde en liten robotbil där när jag var i tonåren och upptäckte ju ganska snabbt att det svåra.

  Talare 2: Var ju kanske inte tyckte jag då att bygga den. Det svåra var att få den att göraintressanta saker och då började jag prata och fråga massa om hur gör vi saker? Hur går man hur styr man? Varför vet jag att jag ska dit eller dit?

  Talare 2: Och ganska snabbt insåg jag ju att OK, det är det man kallar ai våra försök att lösa det. Problemet kallar vi ai och då kollade jag. Vad skriver folk om när de skriver om ai? Och då hittade jag en bok om när rollen ett och sen.

  Talare 2: Jag hittade lite andra grejer, men.

  Talare 1: Så tolv alltså.

  Talare 2: Ja, men typ 99 0 0 0 1 var ju där jag började med det ja och så. När jag gick på gymnasiet då 2003 till 2006 så.

  Talare 2: Omsatte jag det till mer algoritmer ihop med en fysiklärare på min skola och kom ganska långt ändå. Jag var ju alltid lite begränsad av att jag inte var tillräckligt bra på matte.

  Talare 1: Hur ska jag komma till det för ett av de här projekten? Då tog det ju först då till sommarskola på m i t som ju är det här prestigefyllda teknikuniversitetet i USA?

  Talare 1: Du vände hem och började plugga på Chalmers. Börja med just teknisk fysik men hoppa av för matte.

  Talare 2: Jag hade nog i efterhand valt att läsa teknisk matematik, men det fanns inte på Chalmers när jag började så då läste jag teknisk fysik första tre åren och sen bytte jag till en annan master så jag hoppade väl inte av riktigt men jag.

  Talare 2: Jag bytte riktning.

  Talare 1: Men varför var matte så viktigt?

  Talare 2: Nämen alla de algoritmer och metoder som utvecklas för att lära datorer saker är i grunden matematiska modeller omsattai kod på något sätt så all typ av inlärning är ju att.

  Talare 2: Approximera någonting eller försöka liksom hitta någon förklaringsmodell för någon observation du gör och språket för hur vi modellerar och beskriver och minimerar och maximerar saker är matematik och det hängde ju också ihop med att jag hade ägnat mycket tid åt att programmera, så jag kände mig inte lika begränsad av det.

  Talare 2: Utan det var när programmen behövde ha mycket matte i sig som jag upplevde att mig begränsad och då fokuserade jag mina studier på det. Jag tyckte var den största flaskhalsen.

  Talare 1: För det som händer då det är att du studerar det där. Det återvänder sedan till USA för att kunna tillbaka att vi var med dripenlearning då att du.

  Talare 1: Du är i slutet av din utbildning där då på berkley och lyssna på forskare från Stanford som pratar om deeplearning och alla börjar diskutera det här och.

  Talare 2: Det var ju där 2011 tolv så var det bland annat en person på Stanford leaf, aphasy, som.

  Talare 2: Nu kallas liksom ai s gudmoder så att säga god Mother om hington är gudfar så är väl hon gudmor. De skapade ett stort dataset bestående av massa hundratusentals eller miljontals tror jag bilder som hette image net.

  Talare 2: Och det möjliggjorde att göra experiment med stora neurala nät som inte tidigare hade varit möjligai en akademisk miljö och det ledde sin tur till att en kille som heter ilia suttskaver, som sedan grundade open ai och hington, föreslog ett typ av neuralt nät som kallades för image net.

  Talare 2: Och det blev det första tydliga beviset på att deep learning kunde slå klassiska metoder och då blev det väldigt stor uppståndelse.

  Talare 1: Och när man pratar om dieplearning. Det innebär att det var då en dator att få träna överförklara.

  Talare 2: Jo den mest populära sättet att lära datorer, saker idag. Det är att använda vad man kallar neurala nät neurala nät är löst inspirerad av hjärnan. På senare tid har jag försökt förstå hjärnan bättre och då blir man väldigt ödmjuk inför hur lite vi förstår och hur långt ifrån de här neurala näten är. Våran verkliga hjärna.

  Talare 2: Men med det i åtanke så kan man säga att vi kallar det i alla fall det för artificiella neurala nät. Lite förenklat kan man säga att de består av att du skickar in en signal i ena änden.

  Talare 2: Och så sätter du en massa små konstgjorda neuroner på rader, så du har ett lager av neuroner och sen kan du ha många såna rader. Då får du många lager. Så låter du signalen flöda in från ena änden och så jämför du med vad du ville ha på andra änden.

  Talare 2: Och blir det inte riktigt rätt så kan du tänka på det som att det sitter en massa plattar på neuronerna så vrider du lite på dem tills det blir rätt i andra änden, så det är som ett stort mixerbord, typ som du tänker dig när du sitter i en musikstudio och ditt mål är att vrida på alla rattarna så att det blir rätt i output änden.

  Talare 2: Och för varje nytt exempel så måste du justera rattarna lite grann utan att göra sönder det du gjorde innan och det är jättesvårt. Det är ett stort optimeringsproblem så då uppfann man metoder för detta. Det är det som kallas back propagcation eller great iscent. Alltså sätt att vrida på rattarna.

  Talare 2: Så att många exempel ger rätt output samtidigt.

  Talare 1: Om du säger vad signalen är då kan du ge ett konkret exempel på hur signalen output.

  Talare 2: Är bilderna va? Alltså det kan vara bilder på katter och hundar till exempel.

  Talare 1: Men det är signalen eller är det det är?

  Talare 2: Det du skickar in det?

  Talare 1: Du skickar in.

  Talare 2: Och så vill du ju ha ett facit då som är.

  Talare 2: Är det en katt eller en hund? Så när du tränar ett neuraltnät att förstå om en bild är en katt eller en hund så tar du bilden och så har man lite olika sätt att göra om pixlar och sånt till signaler som går in och så låter du signalen gå ner genom nätet och så jämför du med facit om det blir fel så vrider du lite på rattarna.

  Talare 2: Och det som har hänt egentligen sista 40 åren sedan åttiotalet är att vi har kunnat ha väsentligt mer rattar på denna roll och nätet alltså moderna språkmodeller har kanske en triljon, rattar eller parametrar som de egentligen heter. Vi har också blivit väldigt bra på att vrida väldigt snabbt på rattarna.

  Talare 2: Det är därför Invidia att tjäna mycket pengar, för de säljer ju egentligen rattvrid armmaskmaskiner som även kallas GPUR. Och sen har vi fått extremt många bilder på katter och hundar, det vill säga träningsdata så kombinationen av Vi kan ha många rattar i nätet.

  Talare 2: Vi kan vrida jävligt fort på dem och vi har väldigt många bilder att träna på. Det har lett till att vi nu ser de här fantastiska bildgenerering och andra typer av tillämpningarna på åttiotalet. När man testade detta så var de för små och man hade för lite data.

  Talare 2: Och man kunde inte vrida tillräckligt fort och man hade inte rätt metoder och det var en del detaljer i dem som var fel och så där. Men till slut föll alla bitarna på plats liksom.

  Talare 1: Det som hände sen, det är att du går då till recorded future eller du rekryteras in tillbaka hit till Göteborg Staffan truvé rycker ifrån berkly du arbetar här och är med hela vägen till exempel.

  Talare 1: Sexigt om jag förstår saken rätt och.

  Talare 2: Första exiten i alla fall.

  Talare 1: Ja just det. Jag har ju.

  Talare 2: Svårt två.

  Talare 1: Gånger och sen går det ju in och startar ett eget bolag. Kognic nu då?

  Talare 2: Berätta.

  Talare 1: Vad är det du gör? Vad är det du har fokuserat på?

  Talare 2: Jo, men jag tror att min stora passion i livet är egentligen hur lär man sig.

  Talare 2: Och det är ju både en mänskligt intressant sak och något som vi nu då försöker få datorer att klara och då kan man säga att när vi går igenom livet i världen så ser vi en massa saker och en stor del av att vara människa är ju att försöka förklara allt vi upplever för oss själva, om inte annat.

  Talare 2: Och det är ju de förklaringsmodellerna och de teorierna och så som vi har som gör det möjligt för oss att fatta beslut och påverka saker och förutspå framtiden i någon mån i den mån man kan det så att lära sig någonstans är ju att hitta förklaringar till saker man ser.

  Talare 2: Som man kan använda sig av när man fattar beslut och då är frågan, vad behövs för att man ska kunna förstå och förklara fenomen som man upplever? Och det visar sig att det är ganska svårt att bara titta på saker för att förstå dem.

  Talare 2: Du behöver mer du behöver göra experiment. Du behöver kanske interagera. Du behöver massa olika källor till information så när det kommer till att träna neurala nät så är det ganska enkelt att föreställa sig att OK om vi vill lära oss att skilja på en katt eller en hund.

  Talare 2: Då behöver jag jättemånga bilder på katter respektive hundar. Någon måste tala om för denne rala nätet igenom att ge den ett facit. Vad är en katt och vad är en hund? Och det här blev den stora begränsningen för mig när jag var ingenjör och utvecklade ai system nämligen.

  Talare 2: Har jag tillräckligt många exempel som jag kan använda som min algoritm kan lära sig från så att den lär sig det jag vill att den lär sig.

  Talare 1: Att du kan korrigera den för att se att i den här vägen du ska gå för att få.

  Talare 2: Ja rätt precis alltså. Det måste ju finnas någonting att lära sig. Vi kallar det ett target, så om du vill förstå.

  Talare 2: Och katter och hundar, så finns det ju någon typ av beslutsfunktion inbyggt där i vi människor gör någonting när vi avgör om något är en katt eller en hund och vi vill kunna återskapa det beslutet i en dator och ett ett sätt att göra. Det är att ta jättemånga bilder på katter, jättemånga bilder på hundar, träna på det. Det kallar man för övervakar.

  Talare 2: Ett maskininlärning eller supervise learning? Och det kräver då jättemånga exempel med korrekta etiketter så att säga, vad är detta och vad är detta och alla mina försök att träna ai på både record of future och inom akademin var i stort sett begränsade av mängden exempel jag hade.

  Talare 2: Det vill säga modellerna var betydligt mer kraftfulla än vad jag hade data att träna på. Så när jag bestämde mig för att bli entreprenör så tog jag det problem. Jag hade upplevt. Var störst för min yrkesgärning än så länge och tänkte det kan jag väl försöka lösa då så kognik är byggt för att.

  Talare 2: Låsa upp den begränsning som brist på träningsdata utgör.

  Talare 1: Men träningsdatan eller supervised learning som du pratar om då? Det har ju jag förstått till exempel om man pratar om chatcape eller de här stora språkmodellerna.

  Talare 1: Att, det har funnits ett jäv inbyggt i dem utifrån att det är människor som har fått verifiera den output som kommer ifrån chat gpt då till exempel är rätt alltså att man använder rätt ord, att man har förstått frågan rätt och att då sitter det kanske.

  Talare 1: Mycket i lågavlönade personer i liksom utvecklingsländer och ofta i Afrika har det tydligen varit i chatten i det fall och liksom har korrigerat det här som har gjort kanske att det är vissa ord som har färgat utifrån att det är de.

  Talare 1: I de länderna så har de orden varit mer vanligt förekommande. Är det som ni gör fast för andra saker än språk?

  Talare 2: I princip, det vill säga dataanotering som det ju då kallas att strukturera dataset. Det går till ungefär så som du beskrev det vill säga om vi tar språkmodeller som exempel då.

  Talare 2: Om, vi börjar med problemet då så kan man ju säga att de stora språkmodellerna som vi använder till vardags idag, de är tränade så att man tar och laddar ner helainternet. Typ alla är rätt på det klara med att de inte bryr sig om copyright och sånt utan man tar allt man kommer över.

  Talare 2: Och så sätter man en sån här stort artificiellt neuralt nät på att försöka prediktera nästa ord och träningsdatan. Då är ju all text människor har skrivit någonsin, så istället för att vi har massa katter och hundar med etiketter så har man massa text som människor har skrivit.

  Talare 2: Så signalen alltså. Det är target. Det vi försöker lära oss. Det kommer ju någonstans ifrån, det vill säga. Det kommer från att människor skrivit jättemycket text så datorerna har ju liksom inte lärt sig ur tomma intet utan det krävs internet scale data, alltså helainternet, men då är problemet att.

  Talare 2: Summan av helainternet är ju inte nödvändigtvis det man vill ge sina användare för internet innehåller väldigt mycket konstigheter som jag om inte annat lärde mig på record of future. När vi höll på med att övervakainternet. Det finns många delar av internet man inte vill hai en konsumentprodukt.

  Talare 2: Och då är ju en del av vad openy i och en tropic andra gör är att de behöver sorter ai all den här internetdatan så att de bara har med det som är representativt för sånt som de vill lära algoritmen.

  Talare 2: Och sen vill de ju då också se om de kan påverka vad den lär sig genom att styra den med feedback. Så när du producerar en text så kan du utvärdera om du tycker den texten är bra och så kan du rätta till alla rattarn ai den neurolan ätit lite utefter vad du tyckte om det den svarade.

  Talare 2: Men det här är ju naturligtvis ett väldigt svårt problem, för det finns så otroligt många möjliga texter in och texter ut och åsikter och därför har man nu ägnat väldigt många år åt att kalibrera eller finjustera de här modellerna och där är ju mänsklig feedback en viktig komponent.

  Talare 2: Så annoterar det helt enkelt i olika delar av världen. Ett skifte skulle jag säga senaste två, tre åren är ju att det har blivit mer och mer specialiserad feedback till de här modellerna så att det är inte så mycket att det är låglöder utan det kanske är jurister eller läkare eller liknande som.

  Talare 2: Ger feedback till de här modellerna på väldigt specifika och nischade områden så att det är ju en utveckling där.

  Talare 1: Så att det är vad ni gör till olika leverantörer av de som skapar de här ai systemen då se till att man får bra data och bra output också.

  Talare 2: Ja till skillnad från språkmodeller så finns det en annan.

  Talare 2: Man del av ai världen som handlar om att få maskiner att röra sig autonomt, både bilar och lastbilar och andra typer av ja maskiner så kognic har då valt att specialisera oss på data för autonoma maskiner och specifikt då att ge våra kunder.

  Talare 2: Pålitlig mänsklig feedback så att de dataset som man tränar på leder till den produktprestanda som man vill ha.

  Talare 1: Till exempel då så har ju ni varit underleverantörer till Volvos nya flaggskepps bil då?

  Talare 1: Det här är ju det som inledde med att prata om att det är så otroligt viktigt att aldrig ha fel här om det är en bil då som ska ta olika beslut som en bilförare så klart gör undermedvetet den som har körkort hela tiden ju och här är det data som ska göra det och det är så viktigt att det inte blir fel. Hur garanterar man det?

  Talare 2: Ja, men det är en väldigt, väldigt bra fråga och också en väldigt omdiskuterad utmaning i världen just nu, där det ju finns ganska vitt skilda både åsikter om och tillvägagångssätt för att lösa detta i ena änden av spektrat så finns ju Tesla som.

  Talare 2: Väljer en approach som väl ger utrymme för färre eller kanske inga garantier, men också å andra sidan på vissa sätt ganska hög prestanda och andra änden av spektrat så finns det mer modulära modeller som ger utrymme för mer garantier och förklaringar med begränsningen att de kanske inte presterar lika bra.

  Talare 1: Är det här som där man talar att man visuellt ser och radar att det är två olika tekniker eller någonting som.

  Talare 2: Det är en annan dimension alltså. Det här är ju ett otroligt komplext ämne. Det här kommer ju tillbaka till då hur lär vi oss och vad är det vi försöker lära oss och vad krävs för att kunna lära sig?

  Talare 2: Och elon musk har ju länge dragit argumentet att människor har inte laser i ögonen och inte radar. Så vi borde ju inte behöva det för att lära en ai och köra bil och det är ju svårt att säga något annat än för vi. Det är ju sant.

  Talare 2: Men å andra sidan kan man säga att de ai system vi har idag tycker jag fortfarande är rimligt att säga är väldigt mycket sämre än hjärnan, så det är möjligt att för ganska lång tid framöver kan det fortfarande vara en fördel att ha.

  Talare 2: Extra bra sensorer för att kompensera för att hjärnan eller ai s hjärna så att säga är sämre, men det är en dimension. Vad behöver man för sensorinput? Är det kamera är det radar är det såna här lidar då alltså laseravståndsmätning är det egentligen?

  Talare 2: Så du kan se hur långt det är till någonting väldigt precist med att skicka en laser som studsar. Sen är nästa del då. Hur tränar du din ai modell? Att köra bil är det genom att du talar om för den här är alla fotgängare alla andra bilar, alla filmarkeringar, alla trafikskyltar.

  Talare 2: Det skulle vara det klassiska supervised alltså övervakade sättet det som kognick någonstans grundades kring. Sedan är det ju så att teknikutvecklingen går ju väldigt fort framåt, så vi anpassar oss ju hela tiden till hur tekniken förändras och jag tror att just nu så kan man se att.

  Talare 2: Övervakad maskininlärning med explicita liksom annoteringar och labels och så det ersätts mer och mer av vad man kallar end to end learning, det vill säga där du försöker lära en bil att köra genom att bara titta på andra bilförare, det vill säga inspelningar av bilkörning.

  Talare 2: Så istället för att explicit säga, här är alla föremål, så säger man om du tar all den här videodatan in och så har vi inspelningar av hur bilförare valde att köra och så försöker du lära dig att imitera bilföraren.

  Talare 2: Och så låter vi dig algoritmen bestämma vad som är bra representation av världen för att lösa det. Fördelen med det är att det är väldigt kraftfullt. Det finns många bolag nu som demonstrerar väldigt fina produkter med den tekniken.

  Talare 2: Wayve i London är väldigt framgångsrika med detta. Jag tycker vi ska vara väldigt stolta över sensi aktier i Göteborg som faktiskt är ett bolag i framkant, vilket är häftigt med tanke på Göteborg ett ganska liten stad liksom hur?

  Talare 1: Man har varit med här i podden också, men de är ju då är de helägda av Volvo.

  Talare 2: Ja.

  Talare 1: Precis och så.

  Talare 2: Det finns ju väldigt få.

  Talare 2: Bolag i Sverige som faktiskt på allvar utvecklar ai modeller. Det pratas mycket om ai bolag i Sverige, men de flesta av dem är ju applikationsbolag som gör blandade sas mjukvaror med A.

  Talare 2: AP i er till openy och en tropic och annat.

  Talare 1: Det är redan en modell i botten som de bygger en.

  Talare 2: Och det är ju inget fel på det jag menar. Det tar inte ifrån de deras framgångar i i affärssammanhang, men de är ju inte på något sätt ai bolag i det att de utvecklar modeller, vilket ju länge var.

  Talare 2: När man sa ai bolag så handlade det om att utveckla modeller zensact till exempel då utvecklar ju verkligen modeller så är man intresserad av att faktiskt bygga ai så är det ju den sortens bolag man ska jobba för medans om man vill använda ai n för att lösa affärsproblem. Ja, då finns det ju andra tillämpningar, men zensact då och alla de här andra som agerar just nu.

  Talare 2: Och de försöker ju balansera att å ena sidan garantera säkerhet som ju naturligtvis är superviktigt och där finns det fördelar med de här klassiska metoderna som är mer explicita mer. Du kan se den tyckte det här såg ut som en bil. Det här en filmarkering. Oj, nu blev det fel.

  Talare 2: Vi vill kunna ha kontroll så att säga å andra sidan då att om du bara lär dig att köra genom att imitera förare så visar det sig att du kan få mjukare, mer människolik körning. Men nackdelen att du egentligen inte vet någonting om vad som pågår inuti modellen.

  Talare 2: Och det här är den yttersta framkanten just nu och det finns inget enkelt svar på hur man ska balansera de här två och det är ju någonting jag tycker är väldigt kul och spännande med mitt jobb är att jag får chans att vara med där i den att forma det och reser nu mycket mellan USA och Kina och Sverige och.

  Talare 2: Få prata med ingenjörer och chefer och andra som försöker lista ut hur de ska hantera detta.

  Talare 1: Men om man sitter på all den här mängden data då, hur vet man vad som är bra data?

  Talare 2: Ja, det är ju kanske den mest centrala frågan är ju så här, vad behöver du för information för att lära dig det? Du försöker lära dig?

  Talare 2: Och det är ju en rätt djup fråga faktiskt som många kraftigt underskattar djupet i. För då är det ju så här att och jag brukar vara lite mer formell i mitt svar på detta, för jag tror att det enda sättet att ha ett precist resonemang om det.

  Talare 2: Så ni får hänga med lite på min precision här nu, då? Om du tänker dig så här att du vill lära dig vad man kallar ett target, det vill säga det finns någonting du vill upptäcka om världen. Det kanske är en funktion eller en kausal relation eller någon typ av grej som du kan beskriva som genererar observationer.

  Talare 2: Varför är det ljust på dagen? Jo, för att vi roterar runt solen. Man kan göra observationer av solen och komma fram till att vi är en planet och det finns en sol. Och det förklarar varför vi gör de observationer vi gör och då är frågan, vad behöver man se för att faktiskt kunna upptäcka den verkliga förklaringen?

  Talare 2: Och det är ju en väldigt svår fråga, för det beror ju väldigt mycket på vad det är som genererar det som vi upplever och vissa saker är ganska enkelt. Om någon har ritat ett streck på ett papper och du vill förstå om det är ett streck har du fått två punkter så är du färdig, för då är det bara att dra strecket där igenom. Då räcker det med två datapunkter.

  Talare 2: Verkligheten är ju alltid mycket mer komplicerad. Vad är det som krävs för att förstå om en fotgängare planerar att gå ut i gatan och korsa gatan? Ja, det är ju till exempel vart de tittar, alltså vi människor fattar ju ögonblickliga beslut.

  Talare 2: Passerat på väldigt lite information med ganska bra prestanda faktiskt. Hur är det möjligt? Jo, jag tror att en del av hemligheten är ju att vi utsätts för så otroligt mycket intryck ända från att vi föds.

  Talare 2: Och vi våran hjärna kämpar varenda sekund när vi är vakna och när vi sover att förutspå framtiden och formar därför en massa modeller och teorier och grejer och nu försöker vi ju då göra något liknande med datorer. Och vad är det då för bilder eller videos eller liknande som krävs för att lära sig att köra bil?

  Talare 2: Ja ta till exempel motorvägskörning. Om jag kör från Göteborg till Borås så är det mesta av den bilkörningen oerhört ointressant. Det händer ingenting jag bara ligger i filen och kör rakt fram. Jag kan slå på farthållaren.

  Talare 2: Och helt utan självkörande bil. Nästan inte köra för att det är bara rakt fram liksom, men sen händer det ju saker. Det kanske är en lastbil som har tappat en förpackning i min film?

  Talare 2: Vad ska jag göra då? Ja, det är ju här då alla de här specialfallen och det man kallar edge cases alltså allt som inte är normalt, behöver hanteras av den ai som styr bilen och det är det som är det svåra så valet av bra data beror väldigt mycket på. Vad är det du vill?

  Talare 2: Kunna göra om en köra bil då till exempel var vill du kunna göra det motorväg i Sverige till exempel är väldigt mycket enklare än stadskörning i Indien. Ganska olika upplevelse krävs helt olika typer av data. Det är väldigt få kor på vägen i Göteborg. Väldigt mycket kor på vägen i Indien faktiskt.

  Talare 2: Så allt det här är ju liksom hänger ihop på något sätt att du måste ha någon slags signal i den data du använder som hjälper dig att förstå vad som egentligen pågår så att du kan vidta åtgärder på det.

  Talare 2: Och det finns väldigt många observationer som är rätt svåra att förklara. Om du inte har väldigt bra data.

  Talare 1: Och då försöker ni återskapa den datan? Alla extrema situationer som kan finnas. Behöver ni ha data på för att kunna bygga en förståelse för vad som händer för en dator?

  Talare 2: Av våra kunder försöker ju få så mycket täckning av allt som kan tänkas hända som möjligt, så de vill ju både då samlain och simulera och på olika sätt generera så mycket. Det bara går för att beskriva den.

  Talare 2: Miljö i vilken de försöker köra och kognics bidragsspecifik då är att det finns mänsklig kunskap som man behöver injicera i processen.

  Talare 2: På olika sätt, feedback och granskning och liknande och då har vi möjliggjort att göra det på ett väldigt snabbt och effektivt sätt med mycket automation och bra verktyg så att vi kan lära algoritmerna så mycket som möjligt så fort som möjligt.

  Talare 1: Så ni konstruerar inte datan ert bidrag är hur man tolkar datan.

  Talare 2: Ja kärnan är mänsklig feedback för kognic, alltså att möjliggöra för människor att ge feedback på vad ai n tror är rätt.

  Talare 1: Men även om ni då inte konstruerar de här avvikelserna edge casen som du säger, så det är väldigt fascinerande tanke på vad det innebär alltså, vad är det?

  Talare 1: Hur går det till när man ska simulera den här typen av data då som ni då ska sitta på andra änden och verifiera eller liksom värdesätta eller vad du annonerar kallar?

  Talare 2: Du det va? Ja precis.

  Talare 1: Men, vad finns det för kan du ge liksom exempel på det där? Nu har det varit snöstorm här i Göteborg har det varit särskilt bra då för er för att då har ni fått ny kul data som ni kan använda någonting.

  Talare 2: Ja men ovanliga händelser är ju väldigt värdefulla för våra kunder och det förekommer ju väldigt många konstiga saker om man spelar in tiotusentals timmar av trafik. Ett exempel för några år sedan var att vårat system larmade om att det hade hänt något konstigt i en data.

  Talare 2: Frekvens och då visar det sig att det kom en lastbil körandes med ett hus på flaket och det tyckte ju ai modellen var väldigt konstigt. Varför är det ett hus som rör sig i 70 km/h parallellt med mig på vägen? Liksom eller?

  Talare 2: Bilar som ser ut som en varmkorv och såna där grejer alltså det finns så himla mycket konstiga saker i världen som man hittar om man verkligen.

  Talare 1: Letar ja spännande. Det finns ett klassiskt exempel på att om en bil får välja. Ja, jag måste välja helt enkelt och då har den att välja mellan att köra in i en vägg.

  Talare 1: Och det passagerare som finns i bilen, eller så måste den svänga väja åt andra hållet och där står det kanske ett barn då eller barnvagn eller?

  Talare 2: Någonting trollyproblem.

  Talare 1: Det där är väl det du sitter och annonterar, då antar jag du sitter och gör den där inte, just du då, men ert företag.

  Talare 2: Alltså, för det första är ju målet att det här inte är en.

  Talare 2: Problemet överhuvudtaget?

  Talare 1: Ja.

  Talare 2: Så när man gör driving policy, alltså de system som ska planera körningen så det bästa alternativet är ju tvärbromsa långt innan förhoppningsvis så att man inte ens gör det beslutet.

  Talare 2: Jag skulle inte säga heller att det finns någon. Jag har inte sett direkt några exempel på där man explicit försöker sätta såna värderingar i systemet. Men det som däremot är en verklig grej är att i många lägen kan det ju finnas många möjliga tragiskorier för bilen, det vill säga många olika sätt att så att säga lösa ett problem. Hur ska du ta dig från a till B?

  Talare 2: Och där kan ju olika tragedier vara mer eller mindre önskvärda så att säga bara av enkla skäl som komfort eller alltså en hastig vänstersväng i vissa lägen kan vara farligare än att kanske köra ett kvarter till och svänga på ett annat sätt eller vad det nu kan vara. Och där finns det ju mycket.

  Talare 2: Kalibrering av sådana här system som behöver göras för att de ska fungera på ett sätt som både passagerare och medtrafikanter uppskattar.

  Talare 1: Men det måste väl vara ändå någonstans en moral som tryckte in i de här modellerna? Alltså. Välj hellre att köra på kossan än människan.

  Talare 2: Ja alltså.

  Talare 2: I praktiken är det här inte något vi gör så mycket, eller åtminstone inte som kognic märker av och om inte vi märker av det så tror jag nästan ingen gör det för vi jobbar med de allra flesta som bygger adiana system.

  Talare 1: Idag.

  Talare 2: För att det är inte en förekommande problematik i så stor utsträckning. Det är lätt att föreställa sig som ett moraliskt tankeexempel, men det händer ju aldrig.

  Talare 1: OK, det har aldrig. Kan ju inte stämma. Någon gång har det väl förvänt då, apropå edge cases och sådär och det är ju bara ett populärt sätt att diskutera allt det här, men.

  Talare 2: Det kommer oundvikligen bli någonting som kommer att ingå i systemen på något sätt över tid. Det tror jag också. Jag tror att vi är i någon mån kanske lägre på liksom maslows skalan av behov här. Vi är inte riktigt där uppe på moralen. Vi är fortfarande på. Är det här en filmarkering eller inte och då är det liksom inte.

  Talare 2: Man släcker de bränder som är viktigast först.

  Talare 1: Jag förstår ju det och att kanske också indirekt är någonting som skapas i modellerna genom att man tränar på så många andra scenarier och då så kanske det skapas en kunskap där.

  Talare 1: Men i debatten i Allmänhetens medvetande så är ju det här en grej.

  Talare 2: Och det är därför jag tror så mycket på betydelsen av mänsklig feedback. Alltså, det här är egentligen en extremt intressant grej att ända sen vi startade kognic så har den viktigaste osäkerheten både faktiskt för mig själv, men också för till exempel investerare och andra varit.

  Talare 2: Behövs ni verkligen så småningom, alltså om ai n blir tillräckligt bra, varför behöver man mänsklig feedback då? Och det är ju en svår och intressant fråga. Lustigt nog, så har ju kognic då business på något sätt blivit väldigt tätt sammankopplad med huruvida människor har värde.

  Talare 2: I processen och om den dagen vi inte behövs så betyder ju det alltså att bilar förstår hur man ska köra på ett sånt sätt att vi aldrig mer behöver ge dem feedback. Jag tror att det är långt kvar i den processen.

  Talare 2: Sen är det ju samtidigt så att vissa typer av problem blir det ju i allt högre grad lösta och automatiserade. Men det jag märker är att då flyttas ju positionerna fram och då närmar man ju sig mer den sortens problem som du beskrev nu med trolle problem där.

  Talare 2: Om, vi har löst vad som är en filmarkering och en trafikskylt. Ja då blir ju nästa steg. OK, vad är bra bilkörning? Vi vet var alla grejer är. Vi vet att inte köra på saker kanske, men det finns ju en massa tradeofs i komfortfart, risk hastighet.

  Talare 1: Miljövänlig körning som man får lära sig i i körskolan.

  Talare 2: Men till exempel.

  Talare 2: Det skulle jag nog i och för sig tro är väsentligt lättare att lära en ai. Det är ju typiskt ett fall där självkörande bilar rimligen borde vara mycket bättre än människor.

  Talare 1: Vi är djupt nere i ai inlärning och så vidare nu. Jag tänker att vi ska ta oss lite upp till ytan igen för att många som lyssnar på det här är ju långt ifrån den här verksamheten. De bygger inte egna ai system, de är ju snarare där. Ja, att de kanske bygger en lösning ovanpå befintliga ai systemet.

  Talare 1: Och jag tror att många på något sätt tänker ja vad de ska göra härnäst och jag har också hört dig att värde på något sätt när det handlar om ai i slutändan alltid mäts i betalvilja.

  Talare 2: Ja, jag är ju tränad av Christoffer Ahlberg som grundade recorded future. Att skillnaden mellan värdefullt och intressant mäts i fakturering någonstans.

  Talare 1: Att och kan du ge ett exempel på vad det skulle kunna vara som motsatsen skulle kunna vara då alltså på något som är tekniskt briljant, men affärsmässigt irrelevant till exempel?

  Talare 2: Ja alltså, det finns ju några olika sätt att tillämpa ai. Jag ser ju det både inom det egna bolaget och i de till exempel investeringar jag gör i andra start ups att det finns ju en del som är produktivitetsförbättringar, det vill säga.

  Talare 2: Du tar ett existerande jobb som någon gör och så kan du antingen få en person att göra mycket mer eller minska mängden saker som behöver göras. Det är ju två möjliga sätt att använda ai.

  Talare 2: Programmerare till exempel är idag betydligt mer produktiva än för ett år sedan. Exakt hur mycket vet vi ju inte riktigt än. De kan generera betydligt mer kod i alla fall.

  Talare 2: Men mängden kod är tyvärr en ganska svag indikator på värde, men det finns förmodligen skäl att tro att programmerare har blivit oerhört mycket mer produktiva, även mätt i värde. Sen finns det ju områden där administrativa uppgifter som är repetitiva rimligen borde gå och lära en ai att göra.

  Talare 2: Det kommer ju tillbaka till det här med liksom ska du klassificera katter och hundar? Ja, men det är ett ganska väl definierat problem. Får du bara tillräckligt många exempel så kan du göra det automatiskt om du har en process i ditt bolag som innebär att du tar något dokument eller något formulär eller något och ska lägga det i två olika högar.

  Talare 2: Och det är rätt så tydligt hur det går till. Ja då låter du datorn titta på exempel en stund och sen gör den det av sig självt, liksom själva verket är ju väldigt många av de saker vi ägnar oss åt i företag, inte så väl definierade och det gäller ju livets största allmänhet så där.

  Talare 2: Så jag tror att det vi kommer att se nu närmsta åren är att det som är repetitivt och välformulerat och genererar tydlig data och där kommer man ju automatisera snabbt och mycket och aggressivt liksom.

  Talare 2: Medans vi kommer att förmodligen upptäcka att det finns en hel del saker som händer i både företag och samhället som inte riktigt beter sig så.

  Talare 1: Vad innebär det då för en vanlig företagare som sitter och lyssnar på? Det här innebär att man ska is i magen att man inte ska känna den stress som kanske många känner kring ai.

  Talare 2: Nej, det är inte alls min slutsats egentligen i det att företagande handlar ju om att du har ett värdeerbjudande som antingen är unikt i någon mån eller billigare eller liksom du måste ha någon egenskap som gör att det är attraktivt och du kan ju använda ai då för att till exempel minska dina direkta kostnader.

  Talare 2: Så alla olika servicebranscher som finns idag som är väldigt beroende av stora mängder mänskligt arbete. Där ser ju jag massvis med exempel på hur väldigt innovativa ai bolag.

  Talare 2: Lyckas kraftigt minska kostnaden att leverera samma tjänst så vill man vara konkurrenskraftig där så måste man ju tycker jag eller tror jag hitta sätt att matcha den utvecklingen eller driva den utvecklingen.

  Talare 2: Sen finns det ju helt nya tillämpningar som uppstår också, som inte är en fråga om att bara minska kostnader utan helt nya arbetssätt eller helt nya tillämpningar uppstår och det är ju en annan form. Men det är ju oftai nya bolag, kanske snarare än att man stöper om gamla.

  Talare 1: Jag ska återkomma mot slutet här om kanske ännu mer konkreta råd men men jag vill bara första avhandla någonting som ju är väldigt speciellt ändå med dig och er. Och det är ju att ni bygger det här globala ai bolaget kogniq från Göteborg på samma sätt som recorded future till exempel också.

  Talare 1: Varför fungerar det eller varför gör du det?

  Talare 2: Ja, men för det första så är jag väldigt tacksam för erfarenheten från rekord of future i det avseendet att det blev tydligt för mig att globalt från dag ett är kritiskt.

  Talare 2: Alltså för att bygga ett världsledande bolag så måste man våga och vilja konkurrera överallt. Så för mig var det en självklarhet att bygga ett globalt bolag med kunder i hela världen. Det andra är då att Göteborg har bra tillgång på teknisk talang. Det finns.

  Talare 2: Jättemånga duktiga ingenjörer. Vi har en lång tradition av att utbilda och utveckla duktiga ingenjörer. Vi har också ett gäng globala bolag som kan inspirera och breda väg och stå för talent.

  Talare 2: Och jag bedömer också att de som jobbar på bolag i Göteborg är ju också ofta, kanske på ett sätt mer lojala och stannar längre och det är liksom en mindre miljö så att det blir mer långsiktigt på sitt sätt. Medan i Silicon Valley så stannar folk ett två år som längst.

  Talare 2: Och sen är det ändå väldigt prisvärt, alltså talang och kompetens i Göteborg och de levnadsomkostnader som är jämfört med metropolerna som London och Boston och San Francisco eller Shanghai. Det är konkurrenskraftigt, det vill säga, kan du bygga en global plattform, rekrytera duktiga talanger?

  Talare 2: Så har du väldigt goda förutsättningar att bygga något bra från Göteborg, tycker jag.

  Talare 1: Det är ju speciellt just nu med recorded future som är så många därifrån som har. Har vi gjort den här exiten också och som också då har pengar investerar i andra. Du berättar här innan att du investerade tidigt i lovable då till exempel som gör det här stora superhajpade svenska.

  Talare 1: Olika bolaget som det går så otroligt bra för och nu berättar det också eller indikerar i alla fall att det finns någon slags kluster här i Göteborg där liksom man driver talang och utveckling på något sätt tillsammans. Vad är det för?

  Talare 1: Bolag som du ser här i Göteborg som är spännande just nu. Inom det här området finns det liksom några som man håller ögonen på eller där man håller ögonen på varandra och har lite draghjälp av varandra.

  Talare 2: Ja alltså min omedelbara miljö är ju väldigt präglad av de som utvecklar självkörande bilar och där är ju.

  Talare 2: Volvo cars och sänds i akt en viktig del, alltså. Vi har ett väldigt nära samarbete och utbyte mycket kunskap och inspiration och det är människor som byter jobb mellan bolagen, vilket jag tror är jättebra för ekosystemet. Likadant så har vi ju nära relation till som du nämner record of future.

  Talare 2: Sen finns det ju allt fler startups som börjar komma fram. Jag skulle önska att det var mycket fler som försökte göra. Ja, men ai lösningar i framkant. Jag försöker själv hitta såna att investera i för jag tror att det är bra för Göteborg och jag tror att det går att bygga bra sådana bolag här.

  Talare 2: De är väl inte ännu så många som jag skulle önska, men jag tror att det blir fler och det är ju just det här ekosystemeffekten som blir av att någon bygger någonting som lyckas. Det sprider talang lokalt, det blir pengar. Det möjliggör nya bolag de i sin tur lär sig en massa saker. Det är ju den.

  Talare 2: Cykeln man vill få igång. Det är någon slags flywale som snurrar snabbare och snabbare och det är ju det Stockholm just nu visar funkar väldigt bra i det att ja, men Anton polable till exempel kom ju ifrån sana som i sin tur nyligen såldes och det är ju en väldigt liten ändå grupp trots allt fortfarande som.

  Talare 2: Lärt sig på lite olika ställen och därmed stötta varandra och finansiera varandra och sådär.

  Talare 1: Det låter som att du gärna har folk som hör av sig? Nej, deras idéer här är från Göteborg, inte minst.

  Talare 1: Jag tänkte att vi ska avsluta, men några snabba frågor så här i slutet då som har bara vore spännande att höra, har du en ai åsikt som gör folk arga på middagar till exempel?

  Talare 2: Jag har hamnat i ett konstigt läge där jag vigt hela mitt liv åt ai och ändå oftast upplever att jag tyvärr blir lite tar. Den pessimistiska positionen i diskussioner, men jag tror att det beror på att hajpen är så extrem just nu och jag har så mycket erfarenhet av att sätta saker i produktion.

  Talare 2: Att mitt liv är väldigt mycket präglad av på alla sätt det inte funkar, för det är där jag har verkat i 20 år nu. Så när folk pratar om allt som är möjligt så är jag så här, jag kommer ihåg alla grejer som har gått sönder liksom de sista 15 åren. När jag har drivit mjukvarubolag i produktion och det är konstigt för jag är ju en extrem.

  Talare 2: Ai entusiastiast så jag. Det är väldigt förvirrande för mig att ta den här praktiska pessimistiska positionen på ett sätt.

  Talare 1: Vad är det mest underskattade just nu i den här processen då? Om du gärna är den som ser det överskattade så att säga.

  Talare 2: Oj mest underskattade alltså, det är ju går ju inte att ta i från språkmodeller, att det är en otroligt kraftfull grej alltså.

  Talare 2: Och de blir ju bättre och bättre. Det tycker jag är tydligt och märkbart och sen tror jag att många har nog inte riktigt insett hur snabb transformationen av mjukvaruutveckling är just nu. Jag tror att det är tydligt sista bara veckorna för många av oss i framkant. Att nu jävlar har det hänt något rejält.

  Talare 1: Och vad innebär det då att vi kan bygga nya mjukvaror att utmanas de traditionella strukturerna av hur mjukvaror programvaror byggs?

  Talare 2: Ja, absolut, det kan jag inte tänka mig något annat sedan om det är tillräckligt för att skapa disruption i software as and service som industri.

  Talare 2: Det är ju trots allt så att mjukvarubolag är ett mycket mer än sin mjukvara. Det är ju ofta integrationer och service och domänanpassning och alltså massa som man lätt glömmer av att spinna upp en grej för att lösa ett problem är väldigt annorlunda än att på ett pålitligt sätt leverera en tjänst till ett stort företag.

  Talare 1: Och det du pratar om nu är det som har kallats vibe codeande och också som loveble också gör som demokratiserandet av adven som helst kan bygga programvaror och mjukvaror till nästan vad som helst.

  Talare 2: Ja precis, men nu tänker jag också kanske specifikt på när redan duktiga programmerare använder ai verktyg för att ytterligare accelerera sitt arbete. Var hamnar man då?

  Talare 2: Och det har kommit en del väldigt visionära och spännande tankar ur den miljön sista en två månaderna som jag. Jag kunde inte släppa det under hela julen, nästan att försöka testa och prova att utforska det och.

  Talare 2: Om någonting är underskattat just nu, alltså i min lilla bubbla så är det ju inte underskattat utan där är ju alla helt i spinn. Men jag tror att det stora breda massan fortfarande inte har förstått hur oerhört transformativt det här kommer vara för mjukvaruutveckling.

  Talare 1: Vad använder du själv för språkmodeller?

  Talare 2: Alla.

  Talare 1: Har du någon favorit?

  Talare 2: Antropic, Claude.

  Talare 2: Jag är en Antropic fan boy rakt igenom både av darius som är VD som jag har förmånen att träffa några gånger och deras team och deras tänkande alltså. De är så value a linded med mig så att det är de jag föredrar.

  Talare 1: Avslutningsvis då så ska jag knyta tillbaka till det här med företag och företagsledare som lyssnar på den här podden.

  Talare 1: Som då känner att de fattar att det här är viktigt. Vad ska de göra de här kommande tolv månaderna nu som kommer om man fortfarande inte kommit igång? Man sitter mest och lyssnar på den här typen av poddar. Vad är det de ska göra?

  Talare 2: Alltså, jag är ju av skolan att.

  Talare 2: Allt företagande handlar om att börja med att bygga rätt team och att prata med sitt team på rätt sätt. Så det handlar ju om att bygga ett narrativ och en känsla av mening och riktning där ai är en möjliggörare för att utveckla och komma längre som bolag.

  Talare 2: Och sen behöver man ju naturligtvis då skapa grundförutsättningarna, alltså digitalisering är ju fortfarande inte på långa vägar färdigt i allmänhet, det vill säga. Det finns ju många branscher och företag som fortfarande har väldigt mycket papper och kunskap i huvudet och utspritt och så där så för att kunna använda ai måste ju.

  Talare 2: Viktiga processer sker digitalt så att det skapas och går att spara data, så det är ju steg ett att företaget måste börja generera data man kan spara och sen efter det så kan man ju börja försöka göra saker med den.

  Talare 2: Och det som är bra nu då med den senaste iterationen av ai är ju att nu är det ju faktiskt lättare att digitalisera grejer också. Du kan lättare transkribera ljud eller tolka bilder eller skanna in dokument och få texten rätt så väl organiserad och så vidare.

  Talare 2: Så tröskeln för att digitalisera sig har ju också sänkts av de här verktygen, men det är ju där man måste börja. Det är ju någon slags måste finnas någon slags substrat, liksom något att bygga på.

  Talare 1: Börja med att digitalisera och sedan när vi gjort det kan vi ta nästa steg helt enkelt.

  Talare 1: Daniel langkilde 1000 tack för att du var med i business Göteborg.

  Talare 2: Tack för att jag fick vara med.

  Talare 1: Och för dig som lyssnar så vill vi ju påminna om att business region Göteborg hjälper dig som vill starta, utveckla eller etablera företag i göteborgsregionen. Kostnadsfri rådgivning, workshops, nätverk och kunskap. Läs mer, på businessregiongoteborg.se.

  Talare 1: Det finns en länk i avsnittsbeskrivningen. Tack för att du lyssnar. Vi hörs snart igen.