Kunstig intelligens tar over deler av jobbene våre, men vil samtidig synliggjøre de virkelig viktige oppgavene som faktisk krever et menneske. I dette foredraget går vi gjennom fire konkrete pilarer for menneskelig verdiskaping: fysikk, relasjoner, ansvar og skjønn. 

Vi ser på hvor maskinene briljerer, og hvor vi mennesker fortsatt gjør jobben best. Lyntalen gir lytterne et praktisk rammeverk for gode teknologivalg og trygghet i egen organisasjon, og passer for alle som vil møte KI-transformasjonen med bevissthet og mennesket i fokus.

Datapunkter som kan rapporteres på er enkelt å finne. Hvor mange klikket på phishing-testen? Hvor mange e-poster stoppet spamfilteret? Problemet oppstår når du skal gå fra sikkerhetsteater til data som faktisk sier noe om status. Foredraget vil trekke frem noen eksempler på dårlige metrikker, og forhåpentligvis noen mer nyttige eksempler - til ettertanke!

Mathematical scaling laws describe how systems behave differently depending on their size — rules that hold true at one scale break down at another. The same principle applies to business data and the organisational structures used to deliver insight, even in the emerging AI era. No foolproof method exists to guarantee a successful implementation at every scale.

We'll explore how a business's size, data complexity, available resources, and strategic maturity create distinct operating regimes — each with its own characteristics, pressures, and tradeoffs. If we can build a practical framework for diagnosing which regime the organisation sits in, we can work towards improving operations and evolve capabilities from raw infrastructure through to insight and decision intelligence.

Whether you're setting the data strategy or implementing it, this talk offers a perspective for bridging the gap between what the business needs from data and what's actually achievable.

Norway's best Group forvalter og driver noen av Norges mest ikoniske reisemål, og hvert år reiser millioner av mennesker til våre destinasjoner. Kjøpsreisen starter som regel hos en reiseagent eller B2B-partner i et helt annet land. Vi har bygget en dataplattform fra grunnen av, og valgte bevisst å starte der topplinjen ligger: salgsavdelingen.
I dette foredraget deler vi erfaringene fra første fase av plattformen, hvor vi har samlet og strukturert kjøpsmønstre fra agenter og B2B-partnere på tvers av kontinenter, og gitt våre key account managers et helt nytt grunnlag for oppfølging og beslutninger. Vi forteller hvordan vi prioriterte verdi før bredde, hvilke arkitektur- og organisasjonsvalg vi tok underveis, hva som faktisk skapte effekt og hva vi ville gjort annerledes om vi startet på nytt.
Et innblikk i reisen bak en plattform som skal forvalte data for en av Norges viktigste næringer i årene som kommer.

Enhanced Drilling er et verdensledende selskap innen oil & gas med hovedkontorer på Straume. Hør hvordan vi har jobbet hvordan vi har jobbet strategisk med å få verdi ut av vår dataplattform og koble sammen våre viktigste datakilder, implementere medallion arkitektur og få forretningsverdi samtidig som vi sikrer datadrevne bestlutner

To store trender, AI og exitstrategier, hvordan passer de sammen? Er de på kollisjonskurs? Må en velge? Hvilke avveiinger må til for å få jatakk begge deler.

Avhengigheten av amerikanske skyplattformer kom som et resultatet av en ønsket politikk i en annen tid. Nå er disse plattformene blitt instrumenter for geopolitikk, og serverplassering i Europa gir ingen juridisk beskyttelse så lenge de er eid av amerikanske selskaper. På dette foredraget ser vi nærmere på hva digital suverenitet faktisk betyr for deg som CIO og for den datadrevne bedriften. Vi går gjennom hva som skiller reell kontroll fra suverenitetsvasking, hvilke europeiske alternativer som er modne nok til å tas i bruk, og hvordan en hybrid arkitektur basert på åpen kildekode, europeisk SaaS og KI ser ut i praksis. Du sitter igjen med noen perspektiver om suverenitet for næringslivet, migrasjonsscenarier og hvordan man kan bruke anskaffelser som et strategisk verktøy.

Deltakerstyrte diskusjoner hvor du kan løfte egne temaer og delta i åpne, ærlige samtaler om aktuelle utfordringer.

Bulder sine erfaringer med å ha en Agentisk AI (Bulda) som kollega og hvordan det har åpnet opp muligheter til nye ting vi ikke kunne gjøre tidligere og frigjort kapasitet, slik at mennesker kan gjøre mer spennende ting

Jeg er andreårsstudent ved NHH på linjen Business, Economics and Data Science. I fjerde semester hadde jeg praksis i Sparebanken Norge, hvor jeg gjennomførte tre prosjekter: jeg automatiserte dokumentasjonsprosessen for databaseobjekter, utviklet en app for datavalideringskontroll og en app for å undersøke prediksjonsverdien til ulike variabler opp mot en utslagsvariabel. Felles for alle tre prosjekter var at AI spilte en sentral rolle i arbeidet. I dette foredraget forteller jeg hvordan AI gjorde det mulig for meg, med relativt begrenset kompetanse, å fullføre nyttige og forholdsvis avanserte prosjekter på kort tid. Jeg håper erfaringene mine kan være et konkret eksempel på hvordan AI utvider hva vi faktisk kan få til.

Hvordan konkurrerer en liten markedsavdeling mot aktører med betydelig større budsjett og flere ressurser?

I Bad.no må vi daglig prioritere mellom SEO, innholdsproduksjon, kampanjer, e-postmarkedsføring, sosiale medier og nye initiativer. Vi har verken tid eller kapasitet til å gjøre alt. Derfor er vi avhengige av data for å ta riktige valg.

I dette foredraget deler vi hvordan vi bruker SEO-data, kampanjedata, e-postdata, kundeinnsikt og AI i praksis for å prioritere arbeidet vårt. Vi viser konkrete eksempler på hva som har fungert, hvilke feil vi har gjort underveis, og hvordan vi har brukt innsikt til å flytte fokus fra aktivitet til verdi.

Dette er ikke et foredrag om avansert teknologi eller store dataplattformer. Det er en praktisk historie om hvordan et lite team bruker data til å jobbe smartere, ta bedre beslutninger og konkurrere med større aktører i en stadig mer digital hverdag.

Kva kan tjue år med transportplanlegging på ein norsk jazzfestival lære oss om dataforvaltning?

Frå ufullstendige reiseplanar til sanntids shuttlekoordinering - dette er dataforvaltning i praksis. Med meir enn to tiår som frivillig på Vossa Jazz viser føredragshaldaren korleis heile dataverdikjeda vert praktisert i eit dynamisk og til tider høgintensivt miljø. Ei forteljing om improvisasjon, iterasjon og innsikt med instrument som t.d. Excel, lavkode, API'ar og AI-agentar.

Foredraget dekker datafangst og kvalitetsstyring, integrasjon av strukturerte og ustrukturerte kjelder, operativ avgjerdsstøtte under press, og korleis styring og rollefordeling sikrar påliteleg drift når det gjeld som mest. Ved å forankre kjende dataforvaltningskonsept i ein verkeleg og attkjenneleg kontekst, gjev presentasjonen praktisk innsikt for datafagfolk på tvers av bransjar.

Offshore Norge har etablert Virtual Inventory – en digital løsning der de største operatørselskapene på norsk sokkel deler lagerbeholdning seg imellom. Men en delingsløsning er ikke bedre enn dataene den bygger på. Vi deler erfaringene fra arbeidet med å måle, forvalte og kontinuerlig forbedre datakvaliteten som ligger til grunn.

Alle programvareutviklere bruker nå KI til koding, og flere har tilnærmet automatiserte prosesser hvor utviklerne spesifiserer løsninger og KI-agentene utvikler. Kan vi få til det samme ved utvikling av dataplattformer og datavarehus? Så klart!
Dataplattformprosjekter har likevel noen særtrekk som kan heve terskelen for å lykkes med å innføre agentdrevet utvikling. For eksempel komplekse datamodeller, flerfoldige avhengigheter og spesialiserte arbeidsprosesser. Dette gjør det vanskeligere, men lagt fra umulig, å ta i bruk KI. Hvilke fallgruver bør vi være oppmerksomme på? Og hva er den faktiske gevinsten - er det verdt investeringen i tid og tokens? Basert på 12 måneders praktisk erfaring med GitHub Copilot i datavarehusprosjekter deler jeg konkrete erfaringer, læringspunkter og anbefalinger. Målet er å gi deg et realistisk bilde av hva som fungerer (og ikke). Hvordan du kan bruke KI til å levere bedre kvalitet på mindre tid - uten at det koster mer enn det smaker?

Hvilken lusebehandling er mest skånsom for fisken? Og hvordan påvirker oksygennivået i merden fiskens vekst? Spørsmålene høres enkle ut, men på en oppdrettslokalitet med hundretusener av fisk kan vi ikke chippe hver enkelt fisk og følge den individuelt. I stedet må vi følge grupper av fisk gjennom hele livsløpet – gjennom flyttinger, splittinger og sammenslåinger, fra rogn til slakt. Dette kaller vi sporing.

Hos oss var sporing lenge låst inne i én stor og kompleks Power BI-modell. Den fungerte teknisk, men terskelen for å bruke den var så høy at de fleste analytikerne lot være. Sporing ble dermed et verktøy for noen få spesialister. Nå bygger vi sporing på nytt i Databricks. Vi oversetter den komplekse virkeligheten til enkle datamodeller. Vi demokratiserer sporing.

I dette foredraget viser jeg hvordan de nye datamodellene tar form, og hvordan vi sammen med analytikerne gjør sporing til noe som faktisk blir brukt i hverdagen. Først når vi kan følge fisken gjennom hele livsløpet, kan vi ta de datadrevne valgene som god fiskevelferd krever.

Kystverket holder oversikt over all skipstrafikk i norske farvann, samt bølgevarsler, klimaberedskap og mange andre kritiske løsninger for sjøfartsnasjonen norge. I løpet av de siste årene har vi bygget opp en dataplattform i azure og databricks for å øke innsikt og bruke KI. 
Hør hvordan det har gått, med mange utfordringer og store muligheter.

Deltakerstyrte diskusjoner hvor du kan løfte egne temaer og delta i åpne, ærlige samtaler om aktuelle utfordringer.

Hvordan er det egentlig å jobbe med data som hele tiden er i bevegelse?

I dette foredraget deler jeg erfaringer fra å bygge og drifte en anti-svindelløsning basert på strømmende data, med mål om å kunne respondere på svindelforsøk i løpet av sekunder.

Gjennom konkrete eksempler viser jeg hvordan man må tenke annerledes når data behandles som en kontinuerlig strøm av hendelser, og hvordan dette påvirker datamodellering, feilhåndtering og utvikling av datapipelines.

Hva skjer når både brukerbehovene, dataene og teknologien er fulle av usikkerhet?
I utviklingen av en algoritme for ruteplanlegging og flåteallokering opplevde vi at tradisjonelle skiller mellom UX og data science begynte å bryte sammen. Designerne måtte forstå dataene. Data scientists måtte forstå brukerne.
Resultatet ble en mer utforskende og eksperimentell arbeidsform som gjorde at vi kunne feile tidligere, teste smartere og redusere risiko før vi bygget for mye.
Dette foredraget handler om hvordan tett samarbeid mellom design og data kan hjelpe team å navigere kompleksitet. Når ingen ennå kan definere hvordan den korrekte løsning skal se ut.

Autoregressive decoding-modeller og minnehåndteringen til attention-mekanismen er de primære flaskehalsen når man kjører store språkmodeller i produksjon. Denne lyntalen går gjennom de viktigste optimaliseringsmekanismene — KV-caching, FlashAttention, PagedAttention og kontinuerlig batching — og forklarer hva som faktisk styrer tokens per sekund. Presentasjonen deler praktiske erfaringer fra produksjonssetting av open-weight modeller på NVIDIA DGX Spark med vLLM, inkludert effekten av kvantisering og batchingstrategi på en multimodal OCR-modell.

Odfjell har driftet et on-prem SQL Server datavarehus i 10 år. I 2025 bestemte vi oss for å bygge nytt på Microsoft Fabric fra scratch, ikke migrere det gamle. Prosjektet ble levert på tid, innenfor budsjett, og 6 måneder før opprinnelig frist. I november er plattformen i produksjon.

To perspektiver, en fortelling. Arkitekten forklarer hvorfor vi bygget nytt, hvordan medaljonarkitekturen ble designet, og hvordan AI-first utvikling gjorde det mulig for et lite team å levere i dette tempoet. BI-lederen forklarer hva det betydde i praksis: brukerundersøkelse, rapportredesign basert på reelle behov, validering mot kjent datakilde, og relink til Fabric etter hvert som lagene ble klare.

Dere får høre hva som fungerte og hva som var vanskelig.

Hvordan vi gjør fødererte dataprinsipper operative i praksis gjennom UDA og Metadata Registry – med metadata som fundament for automatisering, governance og AI‑drevet utvikling.

Vi drifter kredittrisikomodeller som scorer hele bankens utlånsportefølje -
modeller som direkte påvirker kapitalbehovet i milliardklassen.
Frem til nå har systemet vært egenutviklet: MSSQL, sklearn-modeller
og en custom Python-orchestrator.
Månedlig scoring er en manuell prosess med mange håndholdte steg -
fra datakvalitetskontroller til godkjenning og eksport.
Nå bygger vi systemet på nytt i Databricks - med AI som akselerator. Vi utnytter Spark Declarative Pipelines for datamart,
MLflow for modell-livssyklus, Asset Bundles for deployment,
og Workflows for orkestrering med triggere, varsling og automatiske kvalitetssjekker.
Målet er å gå fra en person-avhengig laptop-prosess til en robust,
sporbar og automatisert plattform - uten å gi slipp på kontrollen
en regulator krever.
Vi deler hva som fungerte, hva som var vanskeligere enn forventet,
og hva vi ville gjort annerledes.

A coding agent can help an engineer build a data platform quickly. The harder part starts after the first handoff: when the platform moves from one laptop to a shared workspace, new engineers join, documentation goes stale, and the in-workspace AI assistant lacks the context that shaped the original design.
By context, I mean the practical knowledge needed to use, extend, and maintain the platform correctly: why key decisions were made, which constraints matter, what good looks like in day-to-day work, and where the sharp edges are.
This talk is a field report on how we used Agent Skills to carry that missing context across the handoff. Instead of relying on a single, ever-growing instructions file that grows until nobody trusts it, we used focused, opinionated skills to give the right agent the right constraints at the right moment.
I will show which patterns actually held up in practice: how to scope skills so they load when needed, how to split them by audience and workflow, and how to keep them trustworthy by testing them like code and enforcing code-doc-skill consistency with hooks and CI. Expect real examples, honest failures, and the practical lessons that helped turn a fragile AI-built platform into something a new engineer could work with on day one.

KI-valg blir ofte framstilt som et kompromiss mellom tre ting: kapabilitet, kostnad og sikkerhet, hvor du får lov til å velge to. Den enkleste veien er å skru på den kraftigste modellen for absolutt alt, og så sitte igjen med en skyhøy regning og GDPR-sensitive data på vei ut av Europa.
Vi mener trekanten ikke er en naturlov. Legger du til en fjerde akse, kompetanse, kan du flytte hele avveiingen. Du kan beholde høy kapabilitet samtidig som du øker sikkerheten og kutter kostnadene. En åpen modell kjørt i Europa, med et godt håndbygd harness rundt seg, slår ofte naiv bruk av en frontier-modell på alle tre dimensjonene på én gang.
I dette foredraget viser vi hvordan vi i Fraktal jobber med dette ute hos kundene. Vi tar med arkitektur, kodeglimt og konkrete løsninger, og vi forteller ærlig om både det som fungerte og det vi gikk på trynet med.

Deltakerstyrte diskusjoner hvor du kan løfte egne temaer og delta i åpne, ærlige samtaler om aktuelle utfordringer.