Utvikling av treningsverktøy for kvalitetskontroll
Hvordan redusere subjektivitet ved manuell klassifisering/rangering av produkter (f.eks. fiskehelse)?
Bygg et digitalt treningsverktøy med 3D-modeller laget via fotogrammetri, der brukerne øver på å klassifisere mot en ekspertdefinert fasit til de treffer konsekvent. Start smått med en MVP, og sørg for at flere eksperter er enige om fasiten.
Slik løser du det
Utvikle et digitalt treningsverktøy basert på 3D-modeller (f.eks. via fotogrammetri) hvor brukere kan øve på klassifisering mot en fasit fra eksperter. Dette sikrer at alle rangerer konsekvent likt. Problemet dere beskriver kalles gjerne «inter-rater-variabilitet» – at to personer ser på det samme produktet og gir ulik vurdering fordi skjønn spiller inn. Ved for eksempel å bedømme fiskehelse manuelt vil erfaring, dagsform og tolkning av skalaen variere fra person til person, og det svekker datakvaliteten. Løsningen er å lære alle opp mot en felles, ekspertdefinert «fasit» (en såkalt «gullstandard» – den vurderingen man regner som korrekt). Fotogrammetri er en teknikk der du tar mange overlappende bilder av et fysisk objekt fra ulike vinkler, og programvare setter bildene sammen til en nøyaktig digital 3D-modell. Fordelen er at den samme modellen kan vises til ubegrenset mange brukere, om og om igjen, helt likt hver gang – i motsetning til en ekte fisk som råtner og bare finnes ett sted. Konkret fremgangsmåte: (1) la eksperter klassifisere et utvalg reelle produkter og notere fasiten, (2) lag 3D-modeller av de samme objektene med fotogrammetri, (3) bygg et enkelt digitalt verktøy der brukeren rangerer modellen og umiddelbart får se om svaret stemmer med ekspertens fasit, og (4) la brukerne øve til de treffer konsekvent. Praktisk tips: start smått med en håndfull modeller for å teste at konseptet funker (en MVP – «Minimum Viable Product», altså den enkleste versjonen som gir verdi) før dere bygger et stort bibliotek. Vanlig fallgruve er at fasiten selv er usikker; sørg derfor for at flere eksperter er enige om referansevurderingene, ellers trener dere folk mot en upålitelig sannhet. Riktig gjort gir dette mer enhetlig, etterprøvbar og tillitsvekkende kvalitetskontroll.
Begreper forklart
- Inter-rater-variabilitet
- At to personer vurderer det samme produktet ulikt fordi skjønn spiller inn, noe som svekker datakvaliteten.
- Gullstandard
- Den ekspertdefinerte vurderingen man regner som korrekt og trener alle opp mot.
- Fotogrammetri
- En teknikk der mange overlappende bilder av et objekt settes sammen til en nøyaktig digital 3D-modell.
- MVP (Minimum Viable Product)
- Den enkleste versjonen av produktet som gir verdi, brukt for å teste at konseptet funker før dere bygger større.
Trenger du hjelp med akkurat dette?
Er du student ved NTNU i Trondheim eller Ålesund? Da kan du få en gratis, personlig veileder fra Spark* som hjelper deg videre med nettopp din idé.
Ofte stilte spørsmål
Hva gjør man når prototypen har feil materiale (f.eks. løser seg opp ved fukt eller er for hardt mot huden)?
Ikke løs materialproblemer alene; lag en tydelig kravliste og kontakt et fagmiljø som PFI for å finne nedbrytbare materialer som tåler bruken. Unngå å velge materiale på pris alene.
Les hele svaret →Hvordan få et digitalt verktøy godkjent og pilotert ved et universitet (f.eks. NTNU/Canvas)?
Sørg for at verktøyet støtter Canvas LTI-integrasjon, og bygg nettverk mot læringsstøtte-seksjoner eller en engasjert emneansvarlig. Start med én liten, tidsavgrenset pilot i ett emne fremfor å selge til hele universitetet.
Les hele svaret →Hvordan redusere den høye returandelen (ca. 50%) ved netthandel av klær?
Et digitalt prøverom angriper roten til høy returandel: usikkerhet om størrelse. Start enkelt med en presis størrelsesanbefaling (MVP) heller enn full AR, og mål effekten ved å sammenligne returprosent før og etter.
Les hele svaret →Hvordan vite om et fysisk produkt (f.eks. jaktutstyr) fungerer og hva prisen bør være?
Valider markedet før du investerer tungt: bruk en testgruppe, bygg en prototype for funksjonstest, undersøk konkurrenters priser og kanaler, og definer et tydelig verdiforslag. Test betalingsvilje med forhåndssalg, som er den sterkeste valideringen.
Les hele svaret →Hva gjør man når kostnadene til datakraft og AI-modeller (f.eks. Google) blir for høye i testfasen?
Søk ekstern finansiering øremerket AI-kostnadene fra NTNU Discovery og Innovasjon Norge, og utnytt skyleverandørenes oppstartsprogrammer for gratis cloud credits. Vurder å etablere et AS for å samarbeide profesjonelt med store aktører.
Les hele svaret →Har du et annet spørsmål? Ta kontakt med oss.