Välkommen Rasmus!

🎉 Ny kodninja till oss – Välkommen, Rasmus! 🎉

Om du gillar spel, C++ och imponerande sidoprojekt, då kommer du gilla Rasmus. Han är vår nya seniora utvecklare och har tidigare skapat magi hos Coffee Stain, där han bland annat jobbade på Satisfactory – dataspelet som tog hem PC Game of the Year vid Golden Joystick Awards 2024. Inte nog med det, han har även startat en spelstudio och varit med och byggt Roblox-succén Welcome to Bloxburg. 💥🎮

När han inte kodar? Då hittar du honom i skidbacken, i soffan med en bra serie eller på fotbollsplanen som barntränare. Och för att riktigt cementera sin spelpassion har han på fritiden byggt en SNES-emulator – bara för att han kan. 🤯💡

Vi är glada och peppade på att ha dig hos oss på BIT ADDICT! 🚀

Välkommen Viktor & Hannes!

2025 är här – och med det nya året välkomnar vi två nya stjärnor till teamet!
Vi är glada att hälsa Viktor och Hannes välkomna till BIT ADDICT. Under våren kommer dem att jobba med sitt examensarbete inom ramen för projektet BraSatt tillsammans med oss och Södra. 

Projektet fokuserar på att revolutionera markberedning och plantering av ny skog genom automation, och deras specifika uppgift är att förbättra robotens omvärldsuppfattning med hjälp av avancerad sensor fusion för LiDAR och stereo kameradata.

Men låt oss lära känna dem lite bättre:

🎿 Hannes – Om han inte tränar eller spelar musik, hittar du honom på ett par skidor eller en mountainbike. På senare tid har han dessutom blivit biten av squash och jobbar för fullt med att förbättra sin backhand. När det finns en minut över så har han börjat öva på sina trumskills. Till grannarnas stora förtjusning. Hannes läser idag sin master inom System, Control and Mechatronics på Chalmers Tekniska Högskola.

🎸 Viktor – En sann gitarrnörd som älskar att jamma loss både på 6- och 7-strängade gitarrer. Han är en riktig musikälskare (just nu snurrar Erra och Spiritbox flitigt) och laddar samtidigt inför en kommande skidresa till Alperna. Även Viktor läser sin master på Chalmers Tekniska Högskola.

Vi ser fram emot att följa deras resa och hur de bidrar till att ta BraSatt till nya höjder! 🌲🚀

Håll utkik för exjobbsuppdateringar längst med vårkanten.

God Jul och Gott Nytt År!

Ett stort och varmt tack till alla våra fantastiska kollegor för ert engagemang, hårda arbete och den glädje ni sprider varje dag på BIT ADDICT. Er insats gör verkligen skillnad, och vi är så stolta över att ha just er hos oss! :white_heart:

Vi vill också rikta ett hjärtligt tack till våra kunder för ert förtroende och samarbetet under året som gått. Tillsammans har vi åstadkommit mycket, och vi ser fram emot ännu fler spännande möjligheter och framgångar tillsammans under 2025.Nu hoppas vi att alla våra kollegor, kunder och följare får en riktigt härlig jul och nyår fylld med värme, vila och tid för nära och kära. :star2:

God Jul och Gott Nytt År önskar vi på BIT ADDICT! :santa::sparkles:

Examensarbete – Fusion av LiDAR- och stereokameradata för förbättrad omvärldsuppfattning

Är du i slutet av din utbildning inom datateknik, IT, inbyggda system, mekatronik, teknisk fysik eller liknande och letar efter examensarbete till våren? Leta inte längre!

BIT ADDICT är ett ingenjörs- och konsultbolag med huvudkontor i Göteborg. Vi på BIT ADDICT älskar teknik och att utvecklas som problemlösare. Just nu söker vi dig som skall skriva ditt exjobb och har ett gediget intresse för mjukvaruutveckling, signalanalys, bildbehandling, och/eller matematik. 

Projekt BraSatt: Projektet BraSatt som drivs av Södra Skogsägarna siktar på att utveckla ett system för att autonomt plantera gran- och tallplantor som en del i framtidens hållbara skogsbruk. Bit Addict ansvarar för att ta fram projektets styrsystem för autonom navigation och plantering.

I dagsläget sker plantering oftast i två steg: maskinell markberedning följt av manuell plantering. Den maskinella markberedningen ökar plantornas chans till överlevnad, men är energikrävande och åsamkar skogsmarken skada. Den manuella planteringsprocessen är skonsam, men förlitar sig på planterarens kompetens och tillgång till arbetskraft.

I BraSatt vävs de två stegen samman till ett: En relativt liten skogsmaskin navigerar autonomt runt på ett kalhygge för att markbereda och plantera i ett kombinerat steg. De potentiella vinsterna för miljö och ekonomi är stora, men kräver teknisk innovation på många fronter för att realiseras.

Bakgrund: I moderna fordon och autonoma system används olika sensorer för att uppfatta omvärlden och fatta beslut i realtid. LiDAR (Light Detection and Ranging) är en populär sensor för att mäta avstånd och skapa 3D-kartor, medan stereokameror kan ge detaljerade 3D-rekonstruktioner baserat på visuell information. Båda sensortyperna har dock sina begränsningar. LiDAR har hög precision när det gäller djupinformation, men erbjuder låg upplösning i detaljerna. Stereokameror å andra sidan kan fånga visuella detaljer väl, men kan vara mindre exakta i djupberäkning på längre avstånd och under dåliga ljusförhållanden.

Fusion av data från dessa två sensorer kan potentiellt kompensera för de individuella svagheterna och skapa en mer komplett och exakt representation av omgivningen, vilket är kritiskt för applikationer som autonom körning och robotik.

Den applikation vi är intresserade av att utvärdera är inom autonoma maskiner i skogsmiljö. Detta är en utmanande miljö, där framkomligheten kan vara begränsad. En bra omvärldsuppfattning är därför avgörande för hur självgående maskinen kan bli. 

Syfte: Målet med detta exjobb är att undersöka och utveckla metoder för att kombinera LiDAR- och stereokameradata för att skapa en mer robust och korrekt representation av omgivningen. Projektet syftar till att utveckla en algoritm för sensordatafusion och analysera hur denna fusion kan förbättra noggrannheten i omvärldsmodeller jämfört med att använda sensorerna var för sig.

Metod:

  • Datainsamling: Samla in data från både LiDAR och stereokameror under olika miljöförhållanden.
  • Preprocessing: Utföra nödvändig förbehandling av sensordata, såsom kalibrering och synkronisering av tidpunkter för att säkerställa korrekt sammanslagning.
  • Fusion: Utveckla och implementera algoritmer för att kombinera djupdata från LiDAR med 3D-information från stereokamerorna.
  • Utvärdering: Jämföra resultatet från den fusionerade datan med resultat från enskilda sensorer och analysera förbättringarna i olika scenarier, såsom variationer i ljusförhållanden, avstånd och objektgeometri.
  • Visualisering: Skapa 3D-visualiseringar av den fusionerade datan för att demonstrera förbättringarna i omvärldsmodellen.

Förkunskaper: Projektet kräver kunskaper inom bildbehandling, sensorfusion och programmering (antingen inom Python, C++ eller C#).

Ansökningsprocess
Intresserad? Skicka in en ansökan redan idag. Intervjuer sker löpande. Du kan ansöka till oss antingen individuellt eller i par. Söker ni i par vill vi gärna ha endast en ansökan med all information. Ansökan sker genom att skicka CV, personligt brev och betyg till veronica.lilja@bitaddict.se 

Kontaktpersoner
Veronica Lilja 
Marknad- & rekryteringsansvarig 
veronica.lilja@bitaddict.se

Välkommen Ebba!

Varmt välkommen till oss Ebba!

September fortsätter på bästa sätt på BIT ADDICT!

Ebba började hos oss tidigare i månaden och har redan hunnit bli varm i kläderna.

Så, vem är Ebba?  
Ebba är civilingenjör inom teknisk matematik från Chalmers och har det senaste åren arbetat med algoritmutveckling inom bilindustrin. Hos oss har hon gått i vårt BraSatt-projekt tillsammans med Södra. När hon inte är på jobbet och knackar kod så hänger hon gärna i yogasalen eller innebandyhallen. Vi kan förvänta oss att Ebba kommer inglidande med klubban under armen både en och två gånger i veckan. 

Om vi inte finner henne på planen eller i yogasalen så är det ut i naturen som gäller. Då tillsammans med dvärgschnauzern Irma. Även fotograferingsintresset tar upp en stor del av hennes fritid. 

Varmt välkommen till oss Ebba! 

Välkommen Adam!

Välkommen Adam!

Semestertiderna är över och vi börjar vår ”höst” på bästa sätt genom att välkomna Adam till oss.

Adam är en passionerad retrospelare som har spenderat otaliga timmar med att bemästra klassiska spel sedan barndomen. Denna kärlek till äldre spel har utvecklats till en djupgående hobby, där Adam inte bara spelar, utan även samlar konsoler till sitt retro-gamingrum.
Men det stannar inte där! Adam är också en ivrig geocachare, alltid på jakt efter nästa gömda skatt. Med en smartphone i handen och en äventyrlig inställning har Adam utforskat många okända stigar och platser, alltid redo för en ny utmaning.
Och som en äkta supporter av de mäktiga Wolverhampton Wanderers, är Adam alltid laddad inför matchdagar. Varje mål, varje seger firas med samma passion och stolthet som en sann Wolves-fan besitter.
När det inte är fotbollssäsong, eller när konsolen får vila, snörar Adam på sig vandringskängorna för att ge sig ut på nya vandringsäventyr. Med en karta i handen och bergen i sikte, är Adam alltid på väg mot nästa höjdpunkt, bokstavligt talat!

Varmt välkommen till oss Adam!

Vi har fått en ny kollega – Välkommen Daniel!

Välkomna vårt nyaste tillskott!

Häromdagen gjorde Daniel sin första dag hos oss på BIT ADDICT. Daniel är utbildad Civilingenjör från Chalmers med intresse för allt som blinkar och låter sedan barnsben. Han programmerar allt som inte sitter fast och har jobbat med allt ifrån webbläsare till elektronstrålestyrning och motion capture. Fokus
ligger helst på algoritmer, grafik och arkitektur. Det får även gärna finnas hårdvara med i bilden. På fritiden pillas det med Arduinos och Raspberry Pi:s vilket lett till bland annat Daniels automatiska höj och sänkbara skrivbord.

När han inte skruvar isär elektronik (till sin sambos förtret) ägnas mycket tid i köket för att laga mat ifrån världens alla hörn. Med speciellt stort intresse för vetenskapen bakom mat och matlagning, fine dining och samlandet på kokböcker, ju tjockare desto bättre. Om det råkar vara bra väder kan man hitta Daniel halvvägs upp eller ner för något berg, klättrandes, skidåkandes eller vandrandes.

Vi är glada att ha dig hos oss Daniel! Varmt välkommen!

Vi har fått en ny kollega – Välkommen Oskar!

Välkomna vårt nyaste tillskott!

Oskar studerade sin kandidat och sin master på Chalmers. Sedan dess har han arbetat med en rad projekt däribland självkörande bilar, integrationstjänster i molnet och även startat och drivit eget företag. När det kommer till teknik brinner han för att göra saker precis så simpla som de borde vara. Han tycker om funktionell programmering och eleganta lösningar i både design och kod, UI och systemarkitektur.

Hans företag, Taggad AB, fotograferar och säljer bilder från sportevenemang som Vasaloppet och Göteborgsvarvet. På grund av detta har han inte haft möjlighet att delta i varken Vasaloppet eller Göteborgsvarvet, men tanken har slagit honom. Oskars lilla dilemma är att han är tävlingsmänniska ända ut i fingerspetsarna, något som kan vara en utmaning. 

Men nog om Vasaloppet och Göteborgsvarvet. Oskar är en person som tycker om att göra saker, oavsett aktivitet som föreslås är han först att anmäla intresse. De senaste åren har hans största intresse varit discgolf och han brukar åka runt och tävla i olika turneringar i Västsverige. Om han inte spelar discgolf så hittar vi honom i replokalen trummande alternativt dribblandes på fotbollsplanen.

Sommaren närmar sig med stormsteg och om Oskar får bestämma ska sommaren spenderas med att spela discgolf, hänga på klipporna, grilla, bada och hänga med kompisar. Låter som en pang-sommar!

Välkommen till oss Oskar!

Välkommen Sven!

Säg hej till Sven!

Varmt välkommen säger vi till Sven som i förra veckan gjorde sin första dag hos oss på BIT ADDICT!

Så vem är vår nya kollega?

Sven är en utvecklare med en masterexamen i Computer Science från LiTH. Sven gillar att lära sig om nya språk och verktyg och anser sig vara en early adopter. Trots sina många år i branschen funderar han ofta och länge på vad som är det bästa sättet att organisera programkoden, även om han egentligen vet att det mest effektiva är att helt enkelt sova på saken. När han sovit på saken så börjar han alltid morgonen med träning och då är det gymnastik som är en favorit. När dagen passerat och kvällen gör entré så hittar vi Sven hemma där han just nu kaklar våtutrymmena i sitt hus i noggrant uttänkta och perfekt linjerade sättmönster.

Sven har många projekt i gång och just nu så är det mest fokus på att fixa och dona i huset som gäller. Han kommer dock lägga dessa projekt lite på hyllan när sommaren gör entré för då vankas det trädgårdsresa med frun till Cornwall i Sydvästra England.

Vi ser fram emot att se lite bilder från Cornwall efter sommaren!

Välkommen till oss Sven!

How to Quickly Benefit from AI Forecasting — And Why You Should

The move towards AI in labour forecasting within the retail sector underscores a strategic pivot from reliance on traditional, rule-based models to embracing the adaptability and precision offered by machine learning and AI technologies. This approach promises not only to refine labour forecasting but also to catalyse a broader organisational transformation in how data-driven decisions are made and trusted. But is it really better, and what does an implementation mean?

by Fredrik KangevallFredrik Moeschlin & Karl Svensson

 

The retailers’ challenge and how we used to “solve” it

In the heart of every retail warehouse lies a critical challenge: accurately predicting workload and labour needs. This demand is intricately tied to sales, yet sales patterns are far from static, often following seemingly irregular trends. Traditionally, we’ve leaned on manual observations or, at best, statistical models to forecast these requirements;, screening historical sales data and attempting to account for outliers by imposing predefined rules.

Recalling our experience of implementing a forecasting engine for a leading grocery retailer in the Nordics a decade ago, this traditional approach was our starting point. For instance, we observed that one of the primary drivers of sales was the timing of salary payments, particularly around the 25th of each month. However, we quickly realised that our forecasts needed to consider a myriad of other factors too, such as seasonal events like Easter (which varies in date each year), ongoing campaigns, and even geographical variations. The challenge arose when unforeseen events occurred outside of our set assumptions, resulting in either overstaffing or understaffing — with higher stress, increased costs, lower quality and grumpy customers as consequences.

Herein lies the fundamental difference in utilising AI for labour forecasting:

  • AI does not rely on a fixed set of assumptions to explain behaviours.
  • AI continuously adapts its rules and parameters over time based on new data and insights.

But the burning question remains: does AI forecasting yield superior results, and what are the challenges that need to be handled during the implementation? To answer this, let us review two real-world cases.

 

An alternative approach

In 2019, a leading Swedish company in the online food retail market faced a pressing challenge: “How do we accurately predict sales patterns for our goods?”. The proficiency of the existing manual approach was sub-par, resulting not only in over and under staffing the warehouse, but also in wasting goods and transport allocations. Perishable goods, like fruits, vegetables etc., had to be discarded, redundant storage space had to be allocated to buffer non-perishable goods, and the lorries were either overflowing or almost empty. The root cause was unexpected variations from normal customer behaviour.

At the close of 2023, the situation was similar at a leading Swiss company providing solutions and products for professional craftsmen and DIYers. They embarked on a transformative journey to overhaul their warehouse labour forecasting system. With a diverse sales portfolio spanning both a physical store network and an online platform, the company faced significant hurdles in determining the optimal staffing levels required at various junctures. The challenge was not merely the fluctuations in activities such as receiving, picking, packing, and shipping. On certain days, despite having the seemingly appropriate number of staff on duty, who were all performing efficiently, the workload appeared overwhelming. In pursuit of enhancing forecasting precision and operational efficiency, the retailer turned its sights towards the capabilities of AI technology.

 

Setting up an AI project

In collaboration with us, both companies decided to explore the potential benefits of AI. Central to our strategy was the rapid deployment of a Minimum Viable Product (MVP) to either validate or refute our approach. Our setup aimed for simplicity and autonomy from extensive IT infrastructures to bypass the pitfalls of time-intensive tasks that offer little immediate value. Our objectives were clear:

  1. Could AI surpass the existing forecasting and planning and
  2. would the staff trust the AI tools?

It’s crucial to recognise that achieving superiority with the AI model in the initial phase didn’t necessitate its perfection across all conceivable scenarios. Instead, our goal was to identify a solution that could address 80% of the forecasting challenges effectively. By doing so, we could liberate significant resources to tackle the remaining 20% of the issues. The project was leanly staffed, featuring a dedicated key stakeholder from the retail side and a compact team maintaining direct communication with the client, ensuring a focused and efficient project progression.

Utilising a blend of historical staffing data, sales records and other pertinent variables, we crafted systems powered by advanced AI models. The models use machine learning techniques to analyse and predict staffing needs.

The most time-consuming aspect, as is often the case, was obtaining and cleaning data. While we strongly believe this will change along the road, the reality remains that many companies today do not have their data organised and ready for immediate use. This necessitates continuous strategic decisions to avoid getting stuck.

The forecasting process itself, however, was markedly quicker. Unlike traditional methods that require the laborious task of building a basic model and then incrementally refining it through the application of new rules, our AI-driven approach saves significant time. Yet, it’s important to note that this efficiency comes at a cost. The AI methodology by many considered a “black box”, making it essential to invest in people management to foster trust in the AI-generated forecasts. While this challenge is not entirely dissimilar to that faced with traditional statistical methods, it represents a notable shift for companies accustomed to manual forecasting processes. The question of accountability when forecasts are inaccurate underscores the need for a cultural adjustment within organisations to build confidence in the AI’s predictions. If suddenly there are 15 unwanted pallets of smelly herring in the warehouse, who is to blame?

 

Harvesting the benefits

For the Swiss retailer the outcome of the project was very positive. The MVP developed within a couple of weeks showed strong predictive power. During an evaluation period the retailer could clearly see that the forecasts were mostly in range and often spot on. The period had large variations which were handled well by the model, but which were hard to foresee manually. The AI forecast will now allow the retailer to reduce stress level within the work force, allow for optimized resource planning, and facilitate the daily operations.

The Swedish online food retailer saw big improvements compared to the manual approach. Initially, the AI powered predictor worked alongside the manual forecasting personnel, who compared their forecasts with the ones produced by the AI. Consistently observing the AI mimic their predictions during periods of normal customer behaviour and outperforming them during hectic periods gradually increased their level of trust until finally, the AI was allowed to autonomously recommend staffing, purchasing and transports. To increase trust even further, safeguards were installed to highlight extreme recommendations for manual inspection. By installing an AI powered predictor, the company saw savings across the board: optimal staffing levels, less waste, reduced storage space and more efficient transports.

 

Key take aways

Benefits

  • Flexibility and adaptability: AI does not rely on a fixed set of assumptions but continuously adapts to new data, making it more flexible and accurate in forecasting labour needs compared to traditional statistical models.
  • Quick implementation of MVP: A focused approach on deploying a Minimum Viable Product (MVP) allows for a quick test of AI’s efficacy over traditional methods without significant IT overhead. This reduces the entrance barrier with lower cost and reduced risk.
  • Effective resource allocation: By aiming to solve a significant portion of forecasting challenges effectively, AI frees up resources to focus on refining and tackling the remaining issues, optimising operational efficiency.
  • Time efficiency in development: The use of machine learning techniques in AI models reduces the time required to develop and refine forecasting models, bypassing the step-by-step refinement needed in traditional methods.

To consider

  • Data availability and readiness: This remains a key enabler for effective AI solutions. Good data availability and quality is a requirement for good AI results.
  • Building trust and fostering organisational transformation: Transitioning to AI for forecasting requires significant investment in people management to build trust in AI generated forecasts. This process encourages a cultural shift towards acceptance of automated decision-making and paves the way for a broader organisational transformation towards data-driven practices and advanced analytics.