Technologische ontwikkelingen zorgen ervoor dat de maakindustrie in de volgende fase van haar ontwikkeling is gekomen: Industry 4.0. Innovatieve AI-, machine learning- en IoT-oplossingen kunnen daarbij machineonderhoud voorspellen, de efficiëntie van de organisatie verbeteren en operationele risico’s en kosten minimaliseren. Mede door de grote hoeveelheid beschikbare data wordt dit steeds gemakkelijker. Toch blijkt uit onderzoek dat bedrijven niet goed weten hoe ze de mogelijkheden van AI moeten verkennen.
In deze reeks bekijken we de impact van deze trends op de ICT-organisatie. We laten zien hoe organisaties in de maakindustrie hun processen sneller, beter en slimmer kunnen maken, door hun data tot leven te brengen. Wat kunnen AI en machine learning betekenen voor bedrijven? Wat zijn de voorwaarden om te slagen met AI binnen een bedrijf? In deel 1 van deze reeks beantwoorden we deze vragen en stellen we onze oplossingen Applied AI en de Data Hub voor: .
Computerprogramma’s worden steeds slimmer en kunnen mensen en bedrijven steeds beter ondersteunen in hun werk. Dat doen die programma’s met behulp van grote hoeveelheden data. Waar we tot voor kort die data vooral in rapportages en dashboards verwerkten om terug te kijken en daar zelf als mens inzichten bij te bedenken, kunnen computers diezelfde data nu gebruiken om óns de inzichten voor te schotelen of zelfs op basis van die inzichten beslissingen te nemen.
Deze computerprogramma’s kijken niet alleen terug in de data, maar helpen ons om vooruit te kijken. Met slimme algoritmes kunnen we nu complexe trends in de toekomst voorspellen. Bijvoorbeeld in het financiële domein. Of op het gebied van vraag en aanbod of voorraad. We kunnen ongepland onderhoud voorspellen door in de machines ingebouwde sensoren automatisch te laten analyseren, ruim voordat het onderhoud nodig is. We kunnen verschillende bedrijfsprocessen analyseren, zoals supply chain, procurement en de productielijn. En we kunnen verschillende voorheen voornamelijk menselijke activiteiten automatiseren met behulp van algoritmes.
Doordat we nu voor het eerst voldoende opslagcapaciteit hebben voor alle data die we genereren en er voldoende computerkracht is om de nodige berekeningen uit te voeren, hebben we nu alles wat nodig is om een krachtige AI-toepassing neer te zetten. Een paar voorbeelden van toepassingen:
Bij al die mooie voorbeelden kun je al heel snel gaan denken dat AI bijna magisch is. Gelukkig… AI zoals we het nu kennen, is niet meer dan een leeralgoritme dat van extreem veel data leert hoe je van een bepaalde input tot een bepaalde output komt.
Hoe meer data, hoe preciezer, beter en wonderlijker de AI. AI is ook niet altijd de beste oplossing voor je probleem. Het kan kostbaar zijn en lang duren voordat je AI-oplossing uiteindelijk in productie draait. Soms kan een probleem ook gewoon ouderwets door die die slimme programmeur worden opgelost.
Met dat in gedachten is het goed om te weten dat iedereen ermee aan de slag kan nu de juiste tools en middelen beschikbaar zijn. De grote vraag is: waar begin je en hoe zorg je ervoor dat je eerste AI-project niet jammerlijk faalt? Vaak gaat het mis omdat een probleem wordt opgepakt dat geen waarde toevoegt. Welk probleem als eerste wordt aangepakt, zou onderwerp van gesprek moeten zijn van zowel business- als ervaren dataprofessionals, zodat zowel toegevoegde waarde als haalbaarheid tegelijkertijd in overweging worden genomen.
Het gaat ook vaak mis met de data zelf. De juiste data zijn er niet, er zijn onvoldoende data, de data zijn van onvoldoende kwaliteit of de data zijn niet benaderbaar. Een specifiek probleem dat we vaak terugzien in de industriesector is dat de data gevangen zitten in de machines en alleen te bevrijden zijn door de leveranciers.
Tot slot zien we vaak dat er een mooi machine learning-model wordt geproduceerd door datascientists, maar dat bij het opzetten van het model en de pipelines onvoldoende rekening is gehouden met hoe het model in productie te nemen is. Bijvoorbeeld: het model doet er te lang over om een voorspelling te doen of het draait alleen op een laptop van de datascientist met allerlei exotische afhankelijkheden. En een model dat vandaag wordt getraind, is over een half jaar misschien niet meer courant. Als zo’n model niet meer goed werkt, heeft de business er ook geen behoefte meer aan.
Uit onze ervaring met datascience- en AI-projecten hebben we een aanpak gedestilleerd die voor ons de kans op succes aanzienlijk vergroot. We noemen dit Applied AI. De achterliggende gedachte is heel simpel: begin klein en faal snel.
Ons startpunt is de interesse van een bedrijf of van een operationele tak in AI. Het idee leeft of het gevoel heerst dat AI wel iets kan betekenen maar wat en hoe, dat is nog onduidelijk. Via een aantal fases komen we van dat punt naar het eindpunt, een AI-oplossing in productie die waarde oplevert. Dit zijn de stappen.
Belangrijk om op te merken is dat je in elke fase andere rollen nodig hebt. Denk aan die van consultant, data scientist en data engineer. Ook moeten we het bij elkaar brengen van alle nodige data en de transitie van de ene naar de andere fase niet onderschatten. Het centraliseren en makkelijk toegankelijk maken van alle data binnen de onderneming is van onschatbare waarde als het gaat om het versnellen van deze aanpak. en niet alleen daarvoor trouwens. We weten uit ervaring met opdrachtgevers dat het bouwen van zo’n centraal platform kostbaar is en veel tijd kost. Er moet worden nagedacht over de architectuur, veiligheid, schaalbaarheid, welke standaarden worden gebruikt enzovoort. Dat is ingewikkeld, zeker als je nog niet weet hoe het platform uiteindelijk in de context van datascience en AI wordt ingezet.
Op basis van onze ervaringen hebben we zo’n centraal dataplatform, een data hub, opgebouwd. Deze kan in enkele weken worden uitgerold in de cloud. Het maakt gebruik van de referentie-architectuur van de cloudprovider en is veilig by design. Gebruikmaken van de cloud heeft veel voordelen. Zo is het gemakkelijk op te schalen, belangrijk in de industriesector, de transitie van innovatie naar innovatie naar productie en integratie is makkelijker te maken. Omdat gebruik wordt gemaakt van standaardelementen uit de toolkit van de cloudprovider, weten we dat de componenten geoptimaliseerd en vrij van bugs zijn. Daarnaast is het vaak kosteneffectief doordat je alleen betaalt voor wat je gebruikt.
In de volgende delen van deze serie gaan we verder in op een aantal praktische voorbeelden van data-activatie in de maakindustrie.
Meer weten? Bel +31 20 305 3700 of email naar marketing.nl@eraneos.com