Jeg er seniorforsker ved NORCE Research AS i Bergen, med spesialisering i maskinlæring og dens anvendelser innen infrastrukturovervåking, helseteknologi og akvakultur. Mesteparten av forskningen min handler om KI-systemer som må fungere pålitelig med sensordata fra virkeligheten, fra fiberoptisk sensing i vannledninger til computer vision for undersjøisk inspeksjon. Å få slike systemer opp på et høyt presisjonsnivå er imidlertid sjelden trivielt, og mye av arbeidet mitt ligger nettopp i gapet mellom en lovende modell og en pålitelig løsning. Nylige retninger inkluderer fysikkinformerte metoder for energisystemer, LLM-verktøy og internasjonale forskningssamarbeid med institusjoner i Europa og Sørøst-Asia.
Forskningsinteresser
Maskinlæring · Deep Learning · Computer Vision · Distribuert Fiberoptisk og Seismisk Sensing · Fysikkinformerte Nevrale Nettverk · Knowledge Distillation · Large Language Models og Tool-Calling Agents · 3D Point Cloud Processing · Helseteknologi
Pågående Arbeid
- AQUAROM: Sykdomshåndtering i Akvakultur. Et internasjonalt samarbeid mellom partnere i Norge, Filippinene og Indonesia, som undersøker om smarte algoritmer med få sensorer kan måle seg med dyrere overvåkingssystemer for tidlig sykdomsdeteksjon i fiskeoppdrett. Konsortiet omfatter syv institusjoner og inkluderer tre doktorgradsstillinger i Norge og Sørøst-Asia, og bygger med det langsiktig forskningskapasitet i regioner som er avhengige av akvakultur.
- NOR-DMT: Digital Musikkterapi. En KI-støttet plattform for virtuell musikkterapi, fullstendig testet og klar for utrulling på en sikker, GDPR-tilpasset infrastruktur. Plattformen kombinerer videokonferanse i sanntid med maskinlæring som analyserer pasientengasjement under øktene, og gir terapeuter strukturerte kliniske rapporteringsverktøy. Stack: Jitsi Meet (Prosody, Jicofo, JVB) for video, NestJS og PostgreSQL i backend, React-frontend over Socket.IO, og Docker Compose for utrulling.
- Distribuert Sensing for Infrastruktur og Undergrunn. Maskinlæring bygget på distribuert akustisk og temperatursensing (DAS/DTS) for lekkasjedeteksjon i vannledninger og for estimering av flerfasestrøm i industrielle anvendelser. Nyere arbeid utvider dette til passiv seismisk sensing for estimering av grunnvannsspeil ved hjelp av fiberoptisk instrumentering (S-TRANET), og flytter dermed samme senseprinsipp fra rørledninger til undergrunnen. Stack: PyTorch og scikit-learn for modellering, ObsPy og SciPy for seismisk og akustisk signalbehandling, dispersjonskurve-analyse med disba, og tungregning (HPC) for trening og ensembler.
- Computer Vision for Offshore Inspeksjon. Sanntids deep learning som oppdager og klassifiserer objekter i undersjøiske bilder, fra rørledninger og utstyr til marint liv, inkludert en pipeline for direktestrømmet inspeksjon utviklet sammen med industripartnere. Stack: RT-DETR for deteksjon, SAM-3 for svaksupervisert annotering, PyTorch for trening, og FastAPI med Server-Sent Events for direktestrømming.
- Fysikkinformert ML og Tungregning (NAIC). Bidrag til Norsk Kunstig Intelligens-Sky, inkludert analyse av klimateleconnections, fysikkinformerte nevrale nettverk for energisystemer som grønne hydrogen-elektrolysører, og hybride optimaliseringsalgoritmer. Datasett og demonstratorer fra dette arbeidet er publisert åpent, og gir dermed grunnlag for gjenbruk utover de opprinnelige prosjektene. Stack: PyTorch og scikit-learn for ML, knowledge distillation (teacher-student) for de fysikkinformerte nettverkene, Butler-Volmer- og Nernst-elektrokjemi for fysiske begrensninger, hybrid optimalisering som kombinerer Deterministic Crowding GA med CMA-ES, og NetCDF med HPC for klimaensembler.
- LLM-verktøy for Datautforskning og Digitale Tvillinger. Chat-baserte grensesnitt som kobler naturlig språk til datautforskning, visualisering og digitale tvillingsystemer. Modellene kaller verktøy fra en avgrenset katalog og returnerer typede, etterprøvbare utdata heller enn ustrukturert tekst; det er nettopp avgrensningen som gjør utdataene etterprøvbare. Relatert arbeid undersøker hvordan hallusinasjoner i utdata fra LLM-er kan oppdages og reduseres. Stack: Modeller: lokalt hostede Mistral for tekst og Qwen Vision for multimodal input; Verktøyintegrasjon: Model Context Protocol (MCP) for verktøykataloger og strukturerte render-spesifikasjoner; Data og transport: NetCDF for vitenskapelige datasett og Protocol Buffers for tjeneste-til-tjeneste-kommunikasjon; Frontend: typede React-komponenter rendret fra verktøyutdata.
Offentlig Notatbok
Utenom NORCE fører jeg en offentlig forskningsnotatbok om agentiske KI-systemer og kodeagenter, der jeg noterer hva jeg tester, hva som feiler, og hva jeg ville gjort annerledes. Notatboken dekker ikke bare daglige arbeidsnotater, men også lengre referanseoppslag, blant annet OpenAI Codex coding agent documentation, Claude Code agentic coding documentation og AGENTS.md best practices for coding agents.
Utdanning
Ph.D. i Anvendt Informatikk, Norges Miljø- og Biovitenskapelige Universitet (2020) M.Sc. i Informatikk, Bandung Institute of Technology (2016) B.Sc. i Datavitenskap, Sepuluh Nopember Institute of Technology (2011)
Publikasjoner
- HA Arief, PJ Thomas, W Li, C Brekken, M Hjelstuen, IE Smith, S Kragset, AK Katsaggelos. Nonlinear interpolated Variational Autoencoder for generalized fluid content estimation. Geoenergy Science and Engineering, 2025
- F Hasan, H Ali, HA Arief. From Mesh to Neural Nets: A Multi-method Evaluation of Physics Informed Neural Network and Galerkin Finite Element Method for Solving Nonlinear Convection–Reaction–Diffusion Equations. International Journal of Applied and Computational Mathematics, 2025
- HA Arief, PJ Thomas, T Wiktorski. Better modeling out-of-distribution regression on distributed acoustic sensor data using anchored hidden state mixup. IEEE Transactions on Industrial Informatics, 2022
- HA Arief, PJ Thomas, K Constable, AK Katsaggelos. Towards Building a Distributed Virtual Flow Meter via Compressed Continual Learning. Sensors, 2022
- HA Arief, T Wiktorski, PJ Thomas. A survey on distributed fibre optic sensor data modelling techniques and machine learning algorithms for multiphase fluid flow estimation. Sensors, 2021
- HA Arief, M Arief, G Zhang, Z Liu, M Bhat, UG Indahl, H Tveite, D Zhao. SAnE: Smart annotation and evaluation tools for point cloud data. IEEE Access, 2020
- HA Arief, UG Indahl, GH Strand, H Tveite. Addressing Overfitting on Point Cloud Classification using Atrous XCRF. ISPRS Journal of Photogrammetry and Remote Sensing, 2019
- HA Arief, GH Strand, H Tveite, UG Indahl. Land cover segmentation of airborne LiDAR data using stochastic atrous network. Remote Sensing, 2018
Lenker
Personlig nettside til Hasan A. Arief · Google Scholar · ResearchGate · Cristin · GitHub
Sist oppdatert: juli 2026
