Jeg bygger skalerbare og robuste dataplattformer, AI-løsninger og maskinlæring i produksjon.

Jeg heter Kjetil Dyrland og er dataingeniør i Tet Digital i Oslo. Før det bygget jeg datasjø for Lerøy Seafood i Databricks og bygde AI/ML-modeller for laksepriser og fraktdokumenter. Gjennom mitt eget selskap, Dyrland Data & AI, tar jeg data- og AI-oppdrag, som fakturakontroll for Entro.

Se appene Les CV-en Send en e-post

Apper

Åtte apper på App Store, sju egne og én for en kunde. Bygget fra bunnen med Swift. Trykk på en app for å se.

Data og AI

Hovedjobben min: å få data ut av gamle systemer, gjennom testede og dokumenterte pipelines, og inn i modellene og rapportene folk bruker. Les CV-en

Erfaring med

Data: Snowflake, dbt, Databricks, PySpark, Delta Lake, Delta Live Tables, Unity Catalog, PostgreSQL, Supabase
Maskinlæring: Decision theory, Bayesian methods, classifier evaluation, XGBoost, CNNs, MLflow, LLMs
Sky: AWS, Azure, Cloudflare, Vercel, Docker, GitHub Actions
Språk: Python, SQL, TypeScript, Swift, Rust, Java
Apper og web: SwiftUI, SwiftData, React, Next.js, FastAPI, Xcode Cloud

Med Entro

Entro AS hjelper norske bedrifter å bruke mindre energi. Jeg bygger en del av portalen kundene deres bruker.

Entro:Pi er stedet der Entros kunder følger byggene sine, energibruken og ESG-rapporteringen. Jeg bygger den nye fakturakontrollen, som erstatter et eldre skrivebordssystem.

Hver faktura for strøm, nettleie og fjernvarme sjekkes linje for linje mot timesverdier fra måleren, spotpris og nettariffer. Når noe ikke stemmer, blir det flagget. Neste fase gjør sjekkede fakturaer om til det hver leietaker skal betale.

Les mer om Entro på entro.no.

Leser e-faktura (EHF og PEPPOL) direkte
Sammenligner med timesverdier fra Elhub
Bygget med Next.js, TypeScript og Postgres

Forskning

To artikler jeg var med på å skrive under masteren, om hvordan man vurderer og bruker en klassifikator når ulike feil koster ulikt. Artiklene er på engelsk.

arXiv, February 2023

Does the evaluation stand up to evaluation? A first-principle approach to the evaluation of classifiers

Kjetil Dyrland, Alexander S. Lundervold and P.G.L. Porta Mana

Accuracy, F1 and MCC can recommend a classifier that loses money. We show that the only consistent way to compare classifiers is to weigh each outcome by what it's worth, and that even a rough guess at those values ranks classifiers better than the usual metrics.

arXiv:2302.12006 PDF

What the usual metrics say

Metric	A	B
Accuracy	0.62	0.75
F1	0.59	0.77
MCC	0.24	0.51
Precision	0.64	0.70

What each one earns per component

Damage when a short-life part ends up in a long-life device335

Confusion matrices and gains from the paper's prologue. Classifier A is right more often about short-life parts, and those are the mistakes that cost the most.

arXiv, February 2023

Don't guess what's true: choose what's optimal. A probability transducer for machine-learning classifiers

Kjetil Dyrland, Alexander S. Lundervold and P.G.L. Porta Mana

A classifier's score is not a probability. We turn scores into real probabilities with a Bayesian model fitted once on held-out data, then pick the action with the best expected outcome. On drug-discovery data this beat the usual 0.5 cut-off in every cost setting we tried.

arXiv:2302.10578 PDF

Standard (score above 0.5)–

With the transducer–

Value of finding an active molecule, compared with the cost of testing a dud10 : 1

Computed in your browser from the paper's published random-forest transducer and 3,589 calibration molecules. The paper's headline numbers come from a separate test set, so they differ a little.