Veel bedrijven vinden dat ze ‘iets’ met AI moeten. Maar wat dan? En vooral ook: hoe? Hoewel de technologie talrijke mogelijkheden biedt, is het in de praktijk niet eenvoudig om het maximale eruit te halen. Op dit moment blijven nog veel organisaties daarom steken bij wat experimenten en komen de hoge verwachtingen zelden uit. Dat komt doordat AI-modellen een enorme bak aan relevante data nodig hebben, wat lang niet overal evident is. Helemaal niet als je AI bedrijfsbreed wilt uitrollen, terwijl daar toch de echte meerwaarde zit. Een holistische aanpak is onmisbaar.
Ischa van der Molen van SAS: ‘Voordat bedrijven met de implementatie van AI aan de gang gaan, moeten ze eerst hun huidige proces goed onder de loep nemen.’ Foto: SAS
– ‘Het geld dat nu wordt geïnvesteerd in Gen AI, sijpelt door naar ontwikkelingen rondom machine en deep learning.’
– ‘De integratie van AI stuit in een echte fabriek op allerlei organisatorische en culturele obstakels.’
– Hallucinaties van het AI-model zijn in sommige processen uit den boze.
– ‘Als er variatie zit in je producten, is vision-AI uitermate geschikt.’
Artificial intelligence is een hype. Wellicht is dat wat scherp uitgedrukt maar feit is dat er absoluut een hoop ophef wordt gemaakt over de mogelijkheden die de technologie biedt. Gouden bergen worden er beloofd want AI lost alles op. Als bedrijven of researchers snel toegang willen tot een subsidiepotje, is AI het toverwoord om de geldkraan open te krijgen. Voeg ook nog ‘generative’ toe aan je businesscase of onderzoeksvoorstel, en alle deuren gaan open. Helaas valt wat er echt met AI gebeurt in de praktijk behoorlijk tegen, zeker bij producerende bedrijven.
AI: Implementatie kansloos zonder nette datahuishouding
Ischa van der Molen, AI-strategist bij data- en AI-specialist SAS in Huizen, moet een beetje glimlachen bij die kwalificatie, maar ziet wel degelijk dat de adoptie van AI achterblijft bij de hoge verwachtingen. ‘Een jaar of tien geleden hadden we de hype rond machine learning en deep learning. In de productie ging het toen echter nog vaak over traditionele statistische mechanieken; nauwelijks over echte AI. De enorme boom van de afgelopen jaren rond Gen AI lijkt daarop. Er zijn nog niet veel echte Gen AI-applicaties in gebruik genomen, zeker niet in de industrie, en onder de motorkap gaat het dan vaak vooral om steeds geavanceerdere machine en deep learning.’
Daarom tilt Van der Molen er niet zo zwaar aan dat de termen AI en Gen AI te pas en te onpas worden gebruikt. ‘Het geld dat nu wordt geïnvesteerd omdat Gen AI een hype is, sijpelt door naar ontwikkelingen rondom machine en deep learning’, legt hij uit. En die middelen zijn hard nodig om de technologie verder vooruit te duwen. ‘Wat dat betreft snijdt het mes aan twee kanten. Want die technieken zijn zeer interessant voor optimalisatievraagstukken in de supplychain, slimme vision in de healthcare, betere patiëntenzorg of precisielandbouw, om maar wat dwarsstraten te noemen.’
Aan de slag
Bram de Vrught, managing director en mede-eigenaar van QING in Doetinchem dat is gespecialiseerd in AI-gedreven automatisering in de food, weet wel waarom de implementatie van AI-technologie ingewikkeld kan zijn. ‘Voorheen programmeerde je wat er moest gebeuren met inputdata, welke regels en bewerkingen nodig waren om tot de gewenste uitkomst te komen. Met AI zeg je welke output je verwacht en laat je het systeem bedenken hoe hij daar moet komen. Dat is een compleet andere benadering. Veel mensen en bedrijven hebben moeite om die switch te maken.’
En er is nog een belangrijk verschil met meer traditionele technologieën, gaat De Vrught verder. ‘Meestal koop je een oplossing die je gelijk kunt inzetten en waar je verder niet meer naar om hoeft te kijken. Met AI is het 10 procent technologie en 90 procent adoptie; je moet ermee aan de slag. Dat betekent niet dat je alles tot in detail moet begrijpen en kunnen programmeren, maar het is wel nodig dat je snapt hoe je tot een bepaalde uitkomst komt en welke data je daarvoor nodig hebt.’
Dat proces is, zo benadrukt De Vrught, zeer goed beheersbaar. En hoewel sommige bedrijven die extra inspanningen wellicht als een nadeel zien, vindt hij ze juist positief. ‘Het geeft je namelijk controle over je proces, je model en over hoe je oplossing naar bepaalde producten kijkt.’ Dat lukt natuurlijk alleen goed als er voldoende kennis aanwezig is in de organisatie. Als een bedrijf maar twee of drie keer per jaar zo’n proces hoeft te doorlopen, adviseert De Vrught om een specialist in te huren. ‘Maar als je met veel diversiteit te maken hebt, bijvoorbeeld als de omgeving of het product wekelijks of maandelijks verandert, is het verstandig om een eigen specialist in dienst te nemen of iemand daarvoor op te leiden.’
‘We hebben de afgelopen jaren minder succes geboekt met onze AI-producten dan we hadden gehoopt’, geeft Tim Foreman van Omron toe. Foto: Omron
Praktijk is weerbarstig
Industriële automatiseerder Omron in Hoofddorp, met een grote productievestiging in ’s-Hertogenbosch, begon zijn AI-reis in 2016 toen in de Brabantse hoofdstad de Jheronimus Academy of Data Science (JADS) haar deuren opende. Het bedrijf ontwikkelde in die jaren onder meer een machinecontroller die zo’n krachtige CPU bevat dat er rekencapaciteit over is om slimme patroonherkenningsalgoritmes te draaien. Die zijn in staat om bijvoorbeeld de karakteristieken van een servomotor te analyseren en opvallend gedrag te registreren. Omron past zo’n AI-controller onder meer toe in zijn eigen productiesite in Italië, waar het in razend tempo relais maakt. ‘Elke drie seconden spuugt de lijn een nieuw relais uit’, vertelt r&d-manager Tim Foreman. ‘Met de controller kunnen we de meest voorkomende productieproblemen realtime herkennen. Als het fout gaat, wordt de lijn automatisch stilgezet en kan de operator de boel fiksen. We kunnen de kwaliteit van de relais nu heel mooi borgen.’
Foremans Italiaanse collega’s zijn enthousiast, maar tot een explosie van AI-implementaties heeft dat succesverhaal nog niet geleid. ‘We hebben de afgelopen jaren helaas minder succes geboekt met onze AI-producten dan we hadden gehoopt’, geeft Foreman eerlijk toe. ‘En ik denk dat we daar zeker niet uniek in zijn.’ Voor een deel komt dat door iets te optimistische salespitches. ‘Niet van mij uiteraard’, knipoogt hij, ‘maar dat heeft her en der wel tot problemen geleid. Het is ook niet zo simpel want de controller heeft data nodig en het is een hele kluif om die te bemachtigen als je te maken hebt met bestaande machines waarvan doorgaans de helft vijftien of twintig jaar oud is. Dat is ruim voordat de industrie dacht aan digitalisering en Industrie 4.0. Dus er zitten geen datapoorten op waar je de machine-informatie eenvoudig uit kunt trekken. De praktijk is veel weerbarstiger gebleken.’
Versloffen
Dit najaar was Foreman bij de rondetafelbijeenkomst ‘AI-toepassingen in de (hightech) maakindustrie’, georganiseerd door Brainport Industries, TNO en de TU Eindhoven. ‘Iedereen wil wel wat met AI, ze zien de mogelijkheden maar ook de obstakels’, aldus Foreman. ‘Een promovendus van de TU/e vertelde over een prachtige AI-oplossing die hij had ontwikkeld voor een productiebedrijf. Maar toen hij er vertrok, is het versloft omdat niemand er meer naar omkeek. De integratie van zo’n nieuwe aanpak stuit in een echte fabriek op allerlei organisatorische en culturele obstakels.’
‘Het is een complexe situatie’, vervolgt Foreman, ‘waarbij het gebrek aan kennis zeker meespeelt. Ook is zo’n oplossing van een PhD’er allesbehalve industrieel. Wij bij Omron claimen dat natuurlijk beter te doen, maar dan nog merk je dat het niet eenvoudig is. De meeste fabrieken zijn bezig met de waan van de dag. Echte visionairs kom ik maar weinig tegen. Niemand lijkt erom te vragen, totdat straks het water aan hun lippen staat.’ Komt dat niet omdat zo’n AI-implementatie blijkbaar niet zodanig disruptief is dat bedrijven direct de meerwaarde zien? ‘Ja, de businesscase is niet altijd direct evident, maar ik zie wel een kantelpunt aankomen. Is het niet omdat je betere kwaliteit kunt garanderen of de kosten naar beneden kunt brengen, dan wel omdat bedrijven uiteindelijk onvermijdelijk aanlopen tegen het tekort aan mensen die in de fabriek willen werken.’ In die zin is vergaande automatisering met AI een must, wil hij maar zeggen.
Datahonger
Hoe slim AI-algoritmes ook zijn, zonder data komen ze nergens. Wat dat betreft sluit de trend naadloos aan bij de digitale transformatie die hoort bij Industrie 4.0. Die omslag – waarmee heel wat bedrijven nog altijd worstelen – draait om slimme automatisering en goede data-uitwisseling tussen samenwerkende systemen. Met AI kan de industrie een volgende stap zetten, door de beschikbare gegevens nog grondiger te analyseren, zodat inefficiënties boven water komen die met het blote oog niet direct zichtbaar zijn.
‘Misschien naïef, maar ik dacht dat AI al bij Industrie 4.0 hoorde’, zegt Foreman. ‘De implementatie blijkt echter nog een grote uitdaging. Sommige grote bedrijven bewegen, maar die lopen tegen dezelfde problemen aan. Sterker nog, juist zij hebben vaak nog veel oudere machines staan.’ En die matchen zoals gezegd slecht met de datahongerige AI-algoritmes. ‘Langzaamaan zie je wel dat eindgebruikers andere eisen stellen en niet alleen een functionele oplossing zoeken.’
‘Het helpt’, zegt Van der Molen van SAS, ‘dat er steeds meer general purpose-modellen zijn. Normaal is het labelen van data mega-arbeidsintensief. Dat proces kun je nu enorm versnellen. Als bijvoorbeeld in een productielijn moet worden gedetecteerd of een flesje rechtop staat of niet, kun je iets van de plank trekken dat al voor 99 procent in staat is om flesjes te herkennen. Je hoeft dan alleen nog maar te differentiëren tussen staande en liggende flesjes. Dat is een stuk makkelijker.’
‘‘Niet alles staat of valt met de beschikbaarheid van data’, aldus Sam Lamp van SAS. ‘Met synthetische data kun je een boel gaten dichten.’ Foto: SAS
Lockheed Martin
SAS-collega en account executive Sam Lamp vult aan: ‘Niet alles staat of valt met de beschikbaarheid van data. De opkomst van Gen AI opent nieuwe deuren. Neem de halfgeleiderindustrie. De machines staan over de hele wereld en klanten mogen zelf beslissen welke data ze delen met hun leveranciers. Het is natuurlijk lastig om zonder volledige historische gegevens goede analyses te maken en daarmee betere instructies te geven over het onderhoud. We zijn nu bezig om die gaten te dichten met synthetische data.’ Marktonderzoeksbureau Gartner verwacht dat die kunstmatige data in 2030 meer zullen worden gebruikt om AI-modellen te trainen dan gegevens uit de praktijk.
Lamp geeft nog een voorbeeld over hoe slim datamanagement AI-toepassingen kan versnellen: ‘In het Hercules-transportvliegtuig van Lockheed Martin zitten ongeveer 600 sensoren. Per vlucht genereren die 72.000 dataregels. Voorheen werden die pas geüpload voor analyse als het toestel aan de grond kwam. Nu wordt dat automatisch gedaan, met AI-modelleringen op een edge device in het vliegtuig zelf. Nog voordat het vliegtuig landt, is al bekend welk onderhoud er eventueel moet worden gepleegd. Zo heeft het bedrijf een tijdsbesparing van 95 procent kunnen realiseren.’
Goed blijven kijken
Behalve goede datahuishouding is er nog een heel belangrijke factor die de adoptie van artificial intelligence kan versnellen: vertrouwen in de techniek. Dat is voor alle nieuwe technologieën een uitdaging, maar bij AI speelt dat nog meer omdat vaak niet direct inzichtelijk is hoe deze tot een bepaalde uitkomst komt. ‘Wat je absoluut wilt voorkomen, is dat het model de bron op wat voor manier dan ook verkeerd interpreteert’, stelt De Vrught van QING. ‘Als mens moeten we altijd goed blijven kijken of wat AI ons voorschotelt ook klopt.’ Eventuele hallucinaties van het AI-model zijn in sommige processen uit den boze. ‘Zelf gebruiken we natuurlijk ook steeds meer AI-tools zoals ChatGPT en Copilot. Het is belangrijk om het als een hulpmiddel te zien om sneller en efficiënter te kunnen werken. Maar de menselijke controle blijft voorlopig noodzakelijk.’
Je kunt ook met AI experimenteren als je geen volleerd datascientist bent’
Als AI een compleet bedrijfsproces doorlicht – de rekenkracht daarvoor is zeker beschikbaar – spit hij bakken met data door. ‘Een mens heeft bijvoorbeeld grafieken nodig om grote hoeveelheden data te kunnen interpreteren. We moeten het kunnen controleren, het liefst visueel en eenvoudig, om het te kunnen vertrouwen. Daarom wordt vision AI op dit moment steeds meer toegepast. Wij als mens kunnen dan namelijk controleren of het model zijn werk goed doet’, aldus De Vrught. Hij verwacht dat het nog wel even zal duren voordat AI autonoom een fabriek kan aansturen. ‘Het is heel waardevol om eerst kleine stapjes te zetten, veel te experimenteren en nog meer te valideren.’
‘Het is heel waardevol om kleine stapjes te zetten, veel te experimenteren en nog meer te valideren’, vindt Bram de Vrught van QING. Foto: Sandra Peerenboom
Griekse perziken selecteren
Wat betreft De Vrught is het, zeker in productieomgevingen, verstandig om AI eerst eens te combineren met vision, een vertrouwde techniek die toch vaak al aanwezig is maar ook zijn beperkingen kent. ‘Je kunt heel eenvoudig een camera ophangen om met AI naar het proces te kijken. Dat vormt op geen enkele manier een bedreiging voor de dagelijkse operatie en geeft je toch waardevolle informatie. Het mooie van de technologie is dat je ook kunt experimenteren als je geen rastechneut of volleerd datascientist bent. Op het moment dat je ziet waar de meeste waarde voor je bedrijf zit – denk aan grading of kwaliteitscontrole – kun je stappen zetten om AI verder uit te rollen.’
Het voorbeeld dat De Vrught graag aanhaalt, is de perziksorteerlijn die QING voor het Griekse Agrophoenix ontwikkelde. ‘Bij gehalveerde perziken moet worden gecontroleerd of er nog pitdelen aanwezig zijn. Mensen zijn behoorlijk inconsequent en subjectief in die beoordeling; iedereen selecteert net even anders. Deze toepassing is niet bedoeld om mensenhanden te vervangen maar om maximale waarde uit de oogst te halen. Als bedrijf wil je immers grip houden op het proces en continuïteit creëren.’ Samen met Agrophoenix trainde QING het eerste AI-selectiemodel. ‘Al snel kregen we de opmerking terug dat het systeem te streng selecteerde. Dat is geweldig want dan ga je bijtrainen en krijgt zo’n klant onmiddellijk het gevoel dat hij daadwerkelijk controle heeft over hoe het systeem functioneert. Als dat kwartje eenmaal is gevallen, gaat er een wereld aan mogelijkheden voor hem open. Want hij kan het proces verder optimaliseren en meer waarde creëren door bijvoorbeeld de selectie voor een veeleisende klant anders in te richten dan voor een klant die vooral op de prijs let.’
Foute beschuit
Wanneer moeten productiebedrijven met AI aan de slag en wanneer niet? Volgens De Vrught is dat niet de juiste vraag: ‘Het begint immers altijd bij het probleem: wat wil je opgelost hebben? Producerende bedrijven hebben vaak vergelijkbare uitdagingen zoals de beschikbaarheid van kennis of arbeidskrachten. Daar zit een kern van automatiseren in, en afhankelijk van de diversiteit in de productie kan AI daar een rol in spelen.’ Diversiteit is daarbij het sleutelwoord, benadrukt De Vrught. ‘Als je 100.000 dezelfde broden per dag produceert, zou ik geen AI adviseren omdat je dan de echte kracht niet benut. Maar als de vorm, kleur of mogelijke afwijkingen van je producten variëren, als je veel korte runs achter elkaar draait of de omgeving continu verandert – licht, donker, nat, droog – dan is AI uitermate geschikt.’
‘AI is 10 procent technologie en 90 procent adoptie’
En zoals blijkt uit de toepassing bij Agrophoenix, kan AI meer dan alleen het onderscheid maken tussen goed of fout. ‘Als je niet verder denkt, profiteer je niet van de mogelijkheden van AI’, vindt De Vrught. ‘Op basis van de beelden kan AI namelijk ook iets zeggen over waarom een product niet voldoet.’ QING doet dat onder meer bij beschuitbakker Bolletje. Bij afkeur geeft dat algoritme bijvoorbeeld aan of het ligt aan de instellingen van de oven, het deeg niet goed is bereid of dat een grondstof een probleem geeft. ‘Er zit zo veel meer informatie in die beelden. Daar kun je je proces mee optimaliseren; daarin zit de echte meerwaarde van vision-AI.’
De Makers Top 100 goed voor 102 miljard omzet en 300.000 banen.
Link naar De Makers Top 100
Waardevol en/of complex
Al die bedrijven die de meerwaarde zien en ‘iets’ met AI willen doen, hoe moeten ze beginnen? ‘Als eerste moeten ze hun huidige proces goed onder de loep nemen’, antwoordt Van der Molen, die veel bedrijven bij die transitie bijstaat. ‘Waar kunnen ze de grootste optimalisatie doorvoeren? Welke businesswaarde kunnen ze toevoegen? Daarna is de vraag wat de complexiteit van de case is. En dat gaat over meerdere dimensies: hoe ingewikkeld is het om de goede data te bemachtigen? Hoe complex zijn de technieken die we moeten gebruiken om deze businesscase op te kunnen lossen? Op basis daarvan maak ik samen met de klant een matrix van meest waardevol en meest complex. Met alle stakeholders aan tafel maken we dan de afweging waarmee we gaan beginnen.’
Een andere manier is om alleen te kijken naar de complexiteit en te beginnen met het laaghangende fruit. ‘Op die manier doet zo’n bedrijf steeds meer expertise op zodat het ook steeds beter weet waar de valkuilen zitten. Dat kan het bedrijf meenemen in zijn volgende iteratie, als het steeds complexere vraagstukken oppakt’, legt Van der Molen uit. ‘Zo zet het bedrijf elke keer een stapje vooruit.’
Vooruitdenken en volhouden
En daarin zit de crux van een succesvolle AI-implementatie: doorzetten. Foreman van Omron vertelt hoe hij het soms ziet misgaan: ‘Ik sprak pas een directeur van een bedrijf dat onderdelen maakt voor ASML. Hij had op de JADS een training gevolgd over datascience en was helemaal enthousiast om dit in zijn eigen bedrijf te gaan toepassen. Na twee weken zwoegen heeft hij het opgegeven. De benodigde data konden simpelweg niet goed genoeg naar boven worden gehaald. Dat is echt heel typerend. Dus eerst moet je datahuishouding op orde zijn; dat is echt een bottleneck voor AI.’ Omron werkt aan een goede oplossing voor dat probleem. ‘Zodat het weer leuk wordt’, aldus Foreman. ‘Maar het vereist twee, drie stappen vooruitdenken en volhouden.’
Waar zit het grootste risico bij de adoptie van AI-technologie in productieomgevingen? Van der Molen wijst op een te grote afhankelijkheid: ‘Zodra mensen een nieuwe technologie volledig omarmen, zetten ze hun eigen cognitieve capaciteit op een lager pitje. Want wees eerlijk: hoe scherp ben jij nog als het al tienduizend keer is goed gegaan? Dat wordt helemaal een aandachtspunt als AI straks een steeds breder gedeelte van je processen beheert. Als je dan wat in je productieketen verandert – en dat hoeven echt geen grote wijzigingen te zijn – moet je het algoritme ook de tijd geven om zich aan te passen. Dat wordt nog te weinig gedaan, met een flink afbreukrisico als gevolg. Met AI moet je veel beter en in meer dimensies nadenken over de impact van veranderingen.’
