Q
terug

De impact van AI en data in de maakindustrie

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.

Voorspellen met algoritmes

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.

Voorbeelden van AI-toepassingen

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:

  • Computer vision. Het Yolo-algoritme (You Only Look Once) kan bij één enkele frame van een filmpje herkennen waar een object zich bevindt en wat dat object is. Het kan duizenden verschillende objecten herkennen. Het bestaat uit een diep artificieel netwerk dat getraind is op heel veel foto’s. Stel dat je in een fabriek snel en vaak moet herkennen of alle onderdelen van een productielijn snel beschikbaar zijn. Dan zou je deze techniek kunnen gebruiken.
  • Agents. Dit zijn virtuele poppetjes die iets doen, bijvoorbeeld een spelletje spelen zonder dat ze vooraf de regels kennen. Met behulp van een algoritme dat reinforcement learning heet, leren ze na het spelen van miljoenen virtuele potjes met elkaar de regels van het spel. Na verloop van tijd leren ze zelfs complexe strategieën. Met behulp van reinforcement learning of andere algoritmes kun je complexe optimalisaties doorvoeren om je productieproces efficiënter te laten verlopen of zelfs te automatiseren.
  • Natuurlijke taalverwerking in combinatie met het genereren van nieuwe afbeeldingen. Een voorbeeld hiervan is dat je in natuurlijke taal vertelt wat voor afbeelding je een programma wilt laten tekenen. Een stoel in de vorm van een avocado? Een olifant gemaakt van komkommer? Een artificieel netwerk maakt ze ter plekke op basis van de invoer van een gebruiker.

AI is geen magie

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.

Onze aanpak: Applied AI

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.

  1. De use-case ontdekken. Een use-case is een specifiek probleem dat met AI of data kan worden aangepakt. Bijvoorbeeld het verhogen van de productie-efficiëntie of het voorspellen van gepland onderhoud of het goed afstemmen van voorraad. De use cases worden door de business gegenereerd in bijvoorbeeld een workshop en in het bijzijn van een datascientists. De business kan vervolgens de use cases rangschikken in termen van de verwachte waardeopbrengst, de datascientist in termen van haalbaarheid. Het zoeken is naar de optimale use case. Welke technisch haalbare use case levert maximale waarde op als alles lukt?
  2. Probleemdefinitie. Met de eerste use case gaan we aan de slag met een quickscan. In de vorm van workshops en data-analyse antwoord proberen te geven op de vragen wat het probleem is, waarom het probleem moet worden opgelost en wat het oplevert.
  3. De randvoorwaarden identificeren voor een goede oplossing van het probleem. Vragen die de revue passeren, zijn: wat moet er precies worden voorspeld? Wat is de minimale accuraatheid die het model moet hebben om waarde op te leveren? Hoe wordt het model in productie ingezet? Deze stap levert heldere requirements op waarmee een datascientist aan de slag kan.
  4. Data assessment. Wat zijn de gewenste data versus de beschikbare data? Kan een gat daartussen worden opgelost of moeten we een stap terug zetten en onze ambities bijstellen? En is er genoeg data, is die te ontsluiten en hoe zit het met de kwaliteit van de data?
  5. Onderzoeken of het probleem leerbaar is. Kan de datascientist een supersimpel model maken dat boven kansverwachting presteert? Zo ja, dan bewijst dat dat machine learning potentieel het probleem kan oplossen. Lukt dat niet, dan moeten we kijken of we meer data nodig hebben, of onze criteria van een succesvolle oplossingen moeten worden.
  6. Proof-of-value. In deze fase proberen we met een team in zes tot acht weken een zo goed mogelijk model te maken. We kijken hoe ver we de accuraatheid kunnen pushen met verschillende algoritmen, toevoegen van extra data enzovoort. Het eindresultaat is een prototype-model dat klaarstaat om in productie te worden genomen. Van dat model stellen we de objectieve prestaties vast. Presteert het minstens zo goed als de in de quickscan vastgestelde eisen aan een goede oplossing, dan sluiten we de cyclus af en gaan we door naar productie in de integratiefase. Zo lopen we door de use cases heen totdat we een goede performance zien en besluiten het model in productie te nemen en te verwerken in nieuwe of bestaande systemen.
  7. Integratie/productie. In deze laatste fase nemen we het model in productie en verwerken we het in bestaande of nieuwe systemen.

Centraal dataplatform

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.