NM i AI vs Thailand

To veldig forskjellige planer

Det finnes sikkert mer konkurransevennlige steder å delta i NM i AI enn på stranda på Koh Lanta. Et kontor, for eksempel. Et rom der utsikten ikke hele tiden foreslår at du burde gjøre noe annet.

Jeg satt i Thailand. Foran meg lå konkurranseoppgaver som fortjente full konsentrasjon. Rundt meg lå en ferie som allerede hadde sine egne planer. Strand, varme og utflukter på den ene siden. Muligheten til å måle seg mot andre som liker å bygge med AI på den andre.

De første to dagene så kombinasjonen faktisk ganske lovende ut. Jeg holdt meg blant de 20 beste. Det gjorde det selvfølgelig ikke lettere å legge konkurransen fra seg. En plassering såpass langt oppe på lista har en egen evne til å gjøre «bare litt til» til et godt argument.

69 timer, tre helt forskjellige utfordringer

NM i AI 2026 gikk fra 19. mars klokken 18 til 22. mars klokken 15, norsk tid. På 69 timer skulle deltakerne arbeide med tre selvstendige oppgaver. Totalscoren var gjennomsnittet av de normaliserte resultatene i alle tre. Det holdt altså ikke nødvendigvis å være veldig god på én ting.

Oppgavene spente fra en regnskapsagent i Tripletex, via en simulert norrøn verden, til bildegjenkjenning i norske butikkhyller. Det er en ganske fin oppsummering av hvor bredt AI-feltet er: forstå en beskjed og utføre handlinger, lære av begrensede observasjoner, og finne struktur i bilder.

Og midt mellom dette satt jeg på en faktisk øy og forholdt meg til en ganske konkret fjerde utfordring: Hvordan prioritere konkurransen når du også har lyst til å være på ferie?

Kilde: NM i AI 2026: konkurranseperiode og de tre oppgavene

Manus AI, Claude Code og regnekraft hos Google

Jeg jobbet med løsningene gjennom en kombinasjon av Manus AI og Claude Code. Det ble med andre ord AI til å bygge AI, mens jeg satt på en strand og forsøkte å holde både konkurransen og ferieplanene i hodet samtidig.

I tillegg brukte jeg regnekraft hos Google til modelltrening. Detaljene i tjenestenavnet husker jeg mindre godt enn utsikten, men det handlet om å få tilgang til kraftige grafikkprosessorer i skyen. GPU-er kan gjøre mange beregninger parallelt og er derfor nyttige når man trener slike modeller.

Konkurransens dokumentasjon viser til Google Cloud og anbefaler blant annet Compute Engine når man trenger GPU-kapasitet. Det passer med typen oppsett jeg brukte, uten at jeg skal slå fast det nøyaktige produktnavnet i ettertid.

Det er egentlig ganske fascinerende: Verktøyene og regnekraften kan være tilgjengelige selv om du befinner deg langt fra et kontor. Konsentrasjonen må du fortsatt stille med selv. Akkurat den delen hadde Koh Lanta noen innvendinger mot.

Kilde: NM i AI: Google Cloud-tjenester og GPU-kapasitet

Tripletex: regnskap som måtte bli riktig

Tripletex-oppgaven handlet om å bygge en AI-agent som kunne ta imot en regnskapsoppgave i vanlig språk og utføre den gjennom Tripletex sitt API. Oppgavene kom på sju språk og kunne blant annet handle om kunder, ansatte, fakturaer, betalinger og reiseregninger. Noen hadde også vedlegg.

Her var det ikke nok at agenten skrev et overbevisende svar. Den måtte gjøre de riktige endringene i systemet. Resultatet ble kontrollert felt for felt, og både korrekthet og effektivitet inngikk i vurderingen.

Det er en forskjell jeg synes er viktig langt utenfor en konkurranse. Når en AI får lov til å handle i et system, må forståelsen av oppgaven holde hele veien frem til det som faktisk blir registrert. Et velformulert «ferdig» hjelper lite hvis fakturaen er feil.

Kilde: Oppgaven fra Tripletex: AI Accounting Agent

Astar Island: en øy på skjermen, en øy under føttene

Astar Island hadde en ganske passende ramme for min del. Mens jeg satt på Koh Lanta, handlet oppgaven om å observere en simulert norrøn verden og forutsi hvordan den ville utvikle seg. Bosetninger, handel, konflikter og natur påvirket verden gjennom 50 simulerte år.

Du fikk bare se begrensede utsnitt. Observasjonsbudsjettet var 50 spørringer per runde, fordelt på fem kartfrø, og hver observasjon viste maksimalt 15 ganger 15 ruter av et kart på 40 ganger 40. Målet var å levere sannsynligheter for terrengtypene over hele kartet.

Det fine med en slik oppgave er at du må tenke over hva du trenger å vite. Du kan ikke undersøke alt. Hvilke observasjoner gir mest informasjon, og hvor sikker bør du egentlig være på konklusjonen? Det er et godt spørsmål også når verden utenfor skjermen er mindre norrøn og betydelig varmere.

Kilde: Astar Island: observasjon og prediksjon av en norrøn verden

NorgesGruppen: finn varen, og finn riktig vare

NorgesGruppen Data tok oss til en helt annen type hverdag: butikkhylla. Her skulle en modell finne dagligvarer i bilder og identifisere hvilke produkter den hadde funnet. Det var altså både en lokaliseringsoppgave og en gjenkjenningsoppgave.

Arrangøren oppga at poengberegningen vektet deteksjon med 70 prosent og klassifisering med 30 prosent. Det var ikke tilstrekkelig å se at noe sto i hylla; produktidentiteten hadde også betydning.

For oss mennesker kan en butikkhylle se ganske ordinær ut. For en modell er den full av detaljer som må skilles fra hverandre. Oppgaven illustrerer hvorfor «AI som forstår bilder» fort blir noe langt mer konkret når resultatet skal måles. Det må gå an å peke på hva modellen fant, hva den overså og hva den forvekslet.

Kilde: NorgesGruppen Data: objektdeteksjon i butikkhyller

Så vant ferieplanene noen av rundene

Etter den sterke starten fikk konkurransen gradvis mindre av tiden min. Varmen kalte, og utflukter sto allerede på planen. Koh Lanta ble ikke mindre fristende fordi det fortsatt fantes ting å forbedre.

Til slutt endte jeg på 170. plass.

Det er et godt stykke fra topp 20. Samtidig er det det ærlige resultatet av helgen: Jeg deltok, fikk en veldig morsom start og valgte etter hvert å gi mer plass til ferien. De andre deltakerne fortsatte selvfølgelig å konkurrere. Resultatlista tar ikke hensyn til at du befinner deg et sted det er vanskelig å si nei til.

Jeg kommer ikke til å påstå at en annen plassering var garantert hvis jeg bare hadde sittet inne. Slik fungerer ikke konkurranser. Det jeg vet, er at starten ga lyst til å prøve igjen med bedre tid til å følge opp.

Neste gang: litt mindre Thailand

Det jeg liker med denne typen konkurranse, er at ideene må møte en målestokk. Du får en oppgave, noen rammer og et resultat som viser om løsningen faktisk fungerer. Du kan mene mye om AI, men her må du også bygge noe.

Tre så forskjellige oppgaver gjør det ekstra interessant. En god regnskapsagent, en god prediksjonsmodell og en god bildemodell krever ulike vurderinger. Det gir mye å bli nysgjerrig på, og mer enn nok å ta med seg videre.

Neste gang vil jeg stille enda sterkere. Første forbedring blir å sette av tiden ordentlig. Den andre blir forhåpentligvis å ikke sitte på en strand i Thailand mens konkurransen pågår.

Koh Lanta vil jeg gjerne tilbake til. Jeg trenger bare ikke å kombinere det med NM i AI hver gang.