Under mitt praksisopphold hos TechnipFMC fikk jeg anledning til å jobbe med deres hydrogenprosjekt, Deep Purple Pilot, som tar for seg offshore hydrogenlagring. Som en del av selskapets hydrogenpilar på Kongsberg ble jeg involvert i hverdagen til hydrogen-teamet, der jeg fulgte deres daglige oppgaver og fikk innblikk i hvordan de jobber med avanserte energiløsninger. Det var spennende å være en del av et prosjekt som representerer selskapets steg inn i fornybar energi, spesielt innenfor et område som hydrogen, som er både komplekst og i rask utvikling.

En av hovedoppgavene mine var å bidra til bedre organisering av data som er generert innenfor Deep Purple-prosjektet. Problemet TechnipFMC sto overfor var kjent som et «Big Data Problem,» der store mengder informasjon ikke alltid er lett tilgjengelig når man trenger det. For å løse dette, startet jeg med å lage en modell for en mappestruktur som kunne hjelpe til med å lagre og kategorisere data på en effektiv måte. Først prøvde vi en struktur basert på «system engineering» som et filter, men dette viste seg å være upraktisk på grunn av varierende markedskrav og lokale regler. Etter å ha fått tilbakemelding fra teamet, justerte vi strukturen til en layout basert på ulike markeder, slik at informasjonen lettere kunne tilpasses ulike krav og behov.

Selv om denne strukturen gjorde det enklere å navigere gjennom dataene, hadde den fortsatt noen svakheter. Det var flere typer informasjon, som kundearbeid og eksterne prosesser, som ikke passet naturlig inn i kategoriene. Dette gjorde det klart at vi trengte en enda enklere tilnærming. Vi gikk derfor over til en mer primitiv mappestruktur, der all data ble plassert i en stor mappe, og så benyttet vi tagging og kunstig intelligens for å hente ut relevant informasjon. Dette åpnet opp for å bruke verktøy som Microsoft Copilot, som ved hjelp av naturlig språk kunne hjelpe oss å finne riktig informasjon raskere og mer effektivt.

Gjennom denne prosessen møtte jeg flere utfordringer, blant annet å finne en balanse mellom detaljer og brukervennlighet i strukturen. Jeg lærte at det å organisere data effektivt ikke bare handler om å lage mapper og kategorier, men også å forstå hvordan folk vil søke og bruke informasjonen. Teknologier som NLP og maskinlæring ble avgjørende for å tilpasse systemet til brukernes behov, noe som var både lærerikt og krevende å jobbe med.

Alt i alt var praksisoppholdet en lærerik opplevelse som ga meg en dypere innsikt i både hydrogenindustrien og hvordan store selskaper som TechnipFMC jobber med dataintegrasjon og kunstig intelligens. Jeg fikk også innsikt å hvordan digital transformasjon fungerer i praksis og fikk utviklet mine ferdigheter i problemløsning, spesielt innen informasjonshåndtering i komplekse energiprosjekter.