Et av de vanligste spørsmålene jeg får når jeg presenterer applikasjonen for dokumentanalyse jeg har utviklet i sommer er: «Hvorfor kan man ikke bare bruke Chat?» Det er i møtet med slike spørsmål man blir ekstra oppmerksom på hensikten med det man lager, og svaret er en historie om å bruke rett verktøy til en gitt jobb.
Det hele startet i fjor da jeg jobbet som sommerforsker hos SINTEF Energi med automatisk informasjonsuthenting fra lange tekstdokumenter. Målet var å kunne effektivt og pålitelig hente ut informasjon fra lange, ustrukturerte NECP-rapporter som var relevante for optimeringsparametere i energisystemmodellen GENeSYS-MOD. Med en slik språkintensiv problemstilling var det naturlig å sette seg inn i Retrieval Augmented Generation (RAG), og det ble den sentrale teknologien i den resulterende applikasjonen.
Fordi applikasjonens omfang var begrenset til bruk på NECP-rapporter som oppdateres hvert annet år, var det ikke noe fokus på et grafisk brukergrensesnitt og løsningen kjørte bare som et script fra terminal. Etter at resultatene var oppdrevet som parameterspesifikke oppsummeringer for hver rapport, og prosjektet hadde blitt presentert på sommerforskerkonferansen 2025, tenkte jeg at det var slutten på reisen min i SINTEF da jeg begynte på det siste året på masterstudiet. Denne tanken ble derimot plutselig utfordret da jeg fikk en e-post fra SINTEF-veilederen min Siri Gulaker Mathisen en gang tidlig på våren 2026.
Kommunikasjonsavdelingen på SINTEF Energi hadde nemlig fanget opp blogginnlegget jeg skrev i fjor om løsningen jeg hadde utviklet, og de konkluderte med at en slik applikasjon var noe de kunne tenke seg å bruke i sitt eget virke for å effektivisere dokumentanalyse. Slik ble det til at jeg ble invitert til å bli med på sommerforskerprosjektet i år også for å lage en brukervennlig versjon av fjorårets applikasjon.
Viktig med outreach
Som en nyutdannet sivilingeniør har jeg satt veldig pris på smakebiten jeg har fått på arbeidslivet og forskningsvirksomhet i SINTEF Energi, men denne opplevelsen med å bli «headhuntet» allerede før jeg starter karrieren min har vært en vel så viktig erfaring som har illustrert hvor virkningsfullt det kan være å gjøre seg selv synlig i jobbsammenheng. Det er ofte i møtet mellom behov og kompetanse at muligheter oppstår og ved å skrive om noe man interesserer seg for kan man plutselig oppleve å være på mottakerenden av mulighetsbringende henvendelser man ikke hadde fått ellers.
Til fremtidige sommerforskere på SINTEF vil jeg anbefale på det sterkeste å forevige prosjektet sitt med et blogginnlegg eller en artikkel. I det minste vil det være litt kult å ha SINTEF og navnet sitt i samme nettadresse.
Men nå tilbake til historien: Den nye applikasjonen skulle basere seg på skjelettet av den gamle med et RAG-rammeverk levert av Haystack og språkmodeller hostet på en SINTEF-eid Azure-ressurs, men jeg fant raskt ut at det å lage en full-stack web-applikasjon var noe litt annet enn å lage et python-script.
For det første måtte appen ha et intuitivt og enkelt brukergrensesnitt og en backend som evner å prosessere dokumenter, behandle brukerforespørsler og generere svar med akseptabel latens. Videre var deploy og hosting av applikasjonen viktige problemstillinger som gjorde at jeg fikk en smakebit av DevOps-arbeid.
Den fullstendige stacken med React, TypeScript, FastAPI, Python, Haystack, Docker, GitLab, Redis, OpenSearch og Azure er en pakke jeg hadde brukt hele sommerforskerperioden på å bare sette meg inn i, men med moderne språkmodeller som hjelpemidler er det også overkommelig å skape og iterere på omfattende produkter som bygger på et slikt sett av teknologier hurtig.
Vibe-koding som ny standard?
«Vibe-koding» og KI-assistanse ser ut til å ha kommet for å bli. Det florerer på LinkedIn av folk som berømmer hvor raskt man nå kan utvikle løsninger sammenlignet med tidligere takket være agentiske språkmodeller. Bare man har visjonen kan hvem som helst lage hva som helst! I tillegg blir ansatte oppfordret til å ta i bruk KI for ikke å falle bakpå i dette effektivitets- og produktivitetsmaskineriet, uten nødvendigvis å vite umiddelbart hvordan det skal bli tatt i bruk.
Samtidig er folk skeptiske for hvilke konsekvenser vibe-koding kommer til å få for kompetansen til nyutdannede og kvaliteten på de utviklede produktene. Det er et godt poeng at folk ikke nødvendigvis lærer koding på samme måte hvis de ikke strukturerer og debugger koden manuelt, og det er noe litt ubehagelig i tanken på å ofre den læringen man får ved å stange hodet i veggen mot hurtig fremgang, men det kan også være vanskelig å forsvare en prinsipiell nekt av KI-bruk hvis det fører til lavere produktivitet.
Uansett hva man mener om KI-hjelpemidler er det unektelig at de kan være ekstremt nyttige, og gjennom en lærerik og forsiktig KI-akselerert utviklingsprosess, landet jeg på det produktet som kommunikasjonsavdelingen hadde bestilt.
AIQVEST: Dokumentforankret KI-assistent
Webapplikasjonen AIQVEST er et intuitivt verktøy for dokumentanalyse med en naturlig, tredelt arbeidsflyt:
- I kildepanelet til venstre laster man opp de dokumentene man ønsker å undersøke. Her støttes de fleste vanlige filtyper og det er ingen hardkodet begrensning på hvor mange, eller hvor store dokumenter som kan lastes opp samtidig.
- I samtalepanelet formulerer man en forespørsel relatert til de opplastede dokumentene i naturlig språk. Man kan stille generelle spørsmål, be om oppsummeringer eller sammenligninger og undersøke om spesifikke påstander blir støttet eller avvist av, eller er urelaterte til innholdet i dokumentene. En språkmodell vil deretter generere et svar på forespørselen, der den kun baserer seg på de opplastede dokumentene.
- I evidenspanelet til høyre kan man studere referansene som det genererte svaret henviser til. På denne måten kan man enkelt finne tilbake til kildematerialet for å sjekke om innholdet i dokumentene faktisk stemmer overens med språkmodellens svar.
Med AIQVEST kan man raskt, enkelt og sikkert undersøke dokumenter og få etterprøvbare kildehenvisninger, noe som løser opp tid man kanskje ellers ville brukt til å nilese dokumenter selv. Men da dukker spørsmålet opp som ble stilt helt innledningsvis: Hvorfor kan man ikke bare bruke Chat som en slik KI-assistent? Det virker jo som at denne applikasjonen bare er en språkmodell pakket inn på en spesiell måte.
Vel, moderne språkmodeller vil generelt kunne fungere bra som hjelpere som raskt kan gi innsikter til innholdet i dokumenter, men det er noen betraktninger som gjør AIQVEST til et bedre verktøy for akkurat dette formålet.
Forfatter Simon Wego var sommerforsker hos SINTEF Energi, sommeren 2026. Vil du også bli sommerforsker? Følg med på Energisommerjobb 2027. Stillingene lyses ut i oktober.
Riktig verktøy for jobben
Selv om maskineriet bak AIQVEST også er en språkmodell, har applikasjonen et skreddersydd rammeverk rundt denne generative komponenten som forbedrer prestasjonen og brukeropplevelsen. Applikasjonen er designet for å være intuitiv og brukervennlig, og det innebærer å avlaste brukeren for hvor mange detaljer det er nødvendig å oppgi i enhver forespørsel: Man trenger ikke å tenke på «prompt engineering», strukturering av kontekst eller formateringsregler; alt dette skjer i backenden av applikasjonen for å standardisere en effektiv arbeidsflyt for dokumentanalyse. Tanken er altså å minimere tiden man trenger å krangle med språkmodellen før man får et pålitelig og dokumentforankret svar.
Videre gjør evidenspanelet livet enklere for en bruker som ønsker å faktasjekke påstandene til språkmodellen. Hver påstand som genereres i AIQVESTs samtalepanel skal være knyttet til en referanse til en bestemt side i et opplastet dokument. Når brukeren klikker på referansen åpnes det tilhørende kortet i evidenspanelet som viser det eksakte tekstutdraget språkmodellen brukte som grunnlag for påstanden. Dermed kan man direkte sammenligne dokumentenes faktiske ordlyd med språkmodellens dokumentforankrede påstander.
I tillegg er selve applikasjonen og språkmodellen hostet på en SINTEF-eid Azure-ressurs, i motsetning til løsninger som benytter tredjeparts LLM-tjenester (f.eks. OpenAI, Anthropic eller lignende åpne API-er). Dette betyr at verken dokumentinnhold, brukerforespørsler eller genererte svar på noe tidspunkt forlater den avgrensede Azure-infrastrukturen som SINTEF kontrollerer. Data blir dermed ikke sendt til, prosessert av, eller lagret hos eksterne tjenesteleverandører, noe som eliminerer risikoen knyttet til tredjeparts databehandling, uklare databehandleravtaler, eller at sensitivt innhold brukes til trening av eksterne modeller.
Disse egenskapene gjør AIQVEST til et spesialisert KI-verktøy som muliggjør enkel, sikker og effektiv dokumentanalyse for SINTEF-ansatte.
Det har vært utrolig lærerikt og givende å utvikle denne applikasjonen i sommer hos SINTEF Energi, og jeg er veldig takknemlig for å ha fått muligheten til å være sommerforsker i år også. Denne erfaringen har i tillegg tydeliggjort for meg det enorme mulighetsrommet som har åpnet seg i kjølvannet av agentisk KI: KI-verktøykassa ligger der tilgjengelig for alle, og hvis man ser et tydelig behov som kan fylles av et manglende verktøy, kan man muligens skape en mulighet for seg selv.
Kommentarer
Ingen kommentarer enda. Vær den første til å kommentere!