Data zijn het nieuwe goud, zoemt het rond in de industrie en elders in de economie. Verzamel zo veel mogelijk data, gooi ze op een hoop en een datascientist(machine learning) haalt er pure winst uit. ‘Nee, zo werkt het niet’, legt Jasper Wognum, ceo en medeoprichter van BrainCreators in Amsterdam, dan steeds weer geduldig uit. ‘Het begint met een probleem: er is bijvoorbeeld iets aan de hand in je productielijn wat je nog niet eerder – of in ieder geval niet op een efficiënte manier – hebt kunnen oplossen. Kijk of machine learning daarin een verschil kan maken.’ Voorloper Tata Steel in IJmuiden is samen met BrainCreators op zoek naar het verder ‘verslimmen’ van het proces met behulp van artificial intelligence.
– ‘In het staaloppervlakte zitten hier en daar haast onvermijdelijk fouten.’
– ‘We herhalen het proces net zo lang tot er een goed werkend systeem is.’
– Het is de mens die het systeem iets aanleert.
– ‘We hoeven nu al niet meer te bewijzen aan klanten dat machine learning zin heeft.’
‘Cruciaal onderdeel is het creëren van de juiste dataset’
De rollen staal die Tata Steel aflevert, worden wereldwijd zeer goed ontvangen door de markt. Het bedrijf staat bekend als uitstekend producent; leverbetrouwbaarheid is alles. De controles tijdens de productie zijn aardig doeltreffend, klanten hebben dan ook niet overdreven veel klachten over de rollen. Maar toch, sommige fouten – zeker fouten die niet vaak voorkomen – kunnen nog net wat beter afgevangen worden. En het zou ook mooi zijn om de bulk van de productie zo mogelijk automatisch vrij te geven aan het eind van de productielijn, zodat ‘vinkjes’ van medewerkers niet meer nodig zijn. De logistiek wordt dan nog gestroomlijnder. Een jaar of vier geleden begon Tata Steel daarom met een zoektocht naar de mogelijkheden van machine learning en artificial intelligence (AI).
Jasper Wognum, ceo en medeoprichter van BrainCreatorsJasper Wognum, ceo en medeoprichter van BrainCreators
Zeer schadelijke fouten
Johan Bernard, programmamanager smart industry bij Tata Steel: ‘Het begon vanuit een technology push, we zijn eerst aan de slag gegaan met Scyfer, een AI-spin-off van de Universiteit van Amsterdam.’ Scyfer werd overgenomen, Tata Steel wilde verder en nam BrainCreators in de arm, een jong team van experts in AI en softwareontwikkeling. Bernard: ‘In het staaloppervlakte zitten hier en daar haast onvermijdelijk fouten. Die komen ergens uit onze installaties, zijn niet te tolereren en kunnen in het ergste geval zelfs schade toebrengen aan de productiemachines van de klant of die van onszelf. Tot nog toe maken we gebruik van relatief eenvoudige classificatiemethoden. Die eenvoudige netwerken voldoen niet altijd voor cruciale, mogelijk zeer schadelijke fouten die maar een enkele keer per rol of aantal rollen voorkomen.’
‘We willen nog betere besluiten en een nog hoger foutvindpercentage.’
Overal in het productieproces staan camera’s, het huidige systeem neemt een besluit: ‘fout gevonden’ of ‘alles oké’. ‘We willen nog betere besluiten en een nog hoger vindpercentage.’
Optimale data
BrainCreators, opgericht in 2016, helpt bedrijven om machine learning en deep learning zo goed mogelijk in te zetten in de meest uiteenlopende processen en combineert softwareproductie en consultancy. Ceo Jasper Wognum: ‘Tata Steel was al een stuk op weg. Meestal hebben we een eerste gesprek met een nieuwe klant om in te schatten hoeveel ze weten en wat voor ervaring ze al hebben met machine learning en AI. Is dat nul, dan is er onze tweedaagse cursus met concrete cases, zodat ze duidelijk voor ogen krijgen hoe ze machine learning en AI kunnen toepassen. Vervolgens scherpen we de specifieke case van de klant aan: als we dit probleem in je proces met machine learning willen oplossen, wat hebben we dan nodig? Hoe zorgen we voor optimale data om het model op te bouwen en intensief te trainen? Welke resultaten levert proefdraaien op? We herhalen het proces net zo lang tot er een goed werkend systeem is.’
Bij Tata Steel was veel voorwerk al gedaan. BrainCreators kon meteen starten met de bouw van het systeem waarmee Tata Steel voorbeelddata kon genereren om de meest uiteenlopende fouten te leren herkennen en classificeren. Wognum: ‘Belangrijkste onderdeel van elk machinelearningproject is het creëren van de juiste dataset. Als je wilt dat een systeem auto’s herkent, moet je heel veel voorbeelden van auto’s erin stoppen en geen enkele fiets die als auto gelabeld is.’
Johan Bernard, programmamanager smart industry bij Tata Steel
Deep learning is een wiskundig algoritme. Het systeem wordt steeds gevoed met nieuwe input, herkent een patroon en geeft bijvoorbeeld aan welke foutvariant het ziet. Een kwestie van continu trainen en bijstellen. En het is de mens die het systeem iets aanleert, benadrukt Jasper Wognum. ‘De machine kan het niet zelf. Het is niet van ‘hier heb je de data en succes ermee’.’
Kennis geborgd
Er is veel expertkennis nodig, zegt Johan Bernard. Bij het Tata Steel-project zijn allerlei mensen betrokken, specialisten met verstand van neurale netwerken, dataspecialisten, maar ook medewerkers uit de research en de productie met veel kennis van oppervlakte-inspectie. Hun grote kennis van fouten is vastgelegd en geborgd. ‘We produceren 24/7 met vijf ploegen. Die nemen niet allemaal exact dezelfde beslissingen. Dankzij machine learning kunnen we het consistent maken: hetzelfde besluit bij dezelfde fout. Het kost tijd om de it-infrastructuur goed op orde te krijgen. En als je echt realtime beslissingen wilt nemen, kan dat een uitdaging zijn. Maar we hebben inmiddels een redelijk stabiel systeem.’ Op één installatie draait het nieuwe systeem nu naast de bestaande classificatie en het wordt verder uitgerold. ‘Het is steeds moeilijker om mensen te vinden voor inspectiewerk, dus aan dat probleem komen we nu ook tegemoet.’
Belang medewerkers
Bijzonder aan deze case bij Tata Steel is dat er veel specifieke kennis is, er is enorm veel data, het annoteren en classificeren is specialistisch werk, aldus Jasper Wognum. ‘Tata Steel loopt voorop in Nederland, over een jaar of tien weet iedereen wat machine learning is. We hoeven nu al niet meer te bewijzen aan klanten dat machine learning zin heeft, de voorbeelden zijn er in overvloed. De enige succesfactor is of een bedrijf in staat is om binnen een reële tijd een goede dataset met goede trainingsvoorbeelden te genereren om een model mee te trainen. BrainCreators levert de hulp en tools, bedrijven kunnen vervolgens zelf aan de slag om hun model steeds beter te maken.’ Hij raadt bedrijven aan om volop te experimenteren met machine learning en tegelijkertijd een doordachte strategie te ontwikkelen voor gerichte, nuttige toepassingen op de werkvloer. Denk aan taken die uiterst arbeidsintensief zijn of die zeer intelligent kunnen worden aangestuurd. Complexe, moeizame, langzame processen kunnen allemaal gebaat zijn met machine learning. Verlies tegelijkertijd de mens op de werkvloer niet uit het oog, zegt Wognum. Creëer een bedrijfscultuur met heldere richtlijnen over de samenwerking tussen mens en machine. ‘Dan is machine learning in het voordeel van de medewerkers.’
AI in Practice
BrainCreators wil dat het bedrijfsleven machine learning en AI omarmt en sneller in de praktijk toepast. Daarom heeft het bedrijf deze zomer de AI in Practice Academy opgericht. Executives en professionals leren kansen op het gebied van kunstmatige intelligentie herkennen. ‘In Nederland zit veel kennis op het gebied van AI, maar vergeleken met andere landen weten we ideeën niet altijd even goed in praktijk te brengen’, aldus Jasper Wognum. De trainingen bieden bruikbare handvatten om in de eigen organisatie aan de slag te gaan.
BrainCreators biedt ook het product BrainMatter, een enterprise ai-applicatieplatform. Dit combineert technologieën als active learning en machine-aided labeling om zo snel en flexibel mogelijk AI-projecten uit te rollen binnen grote organisaties. Bedrijven als Tata Steel, maar ook Rijkswaterstaat en VodafoneZiggo gebruiken het.
Machine learning groeit langzaam naar volwassenheid
Uit een peiling van BrainCreators op LinkedIn onder 140 deelnemers uit uiteenlopende sectoren en landen blijkt dat machine learning langzaam naar volwassenheid groeit. Maar liefst 54 procent heeft machinelearningstrategieën geïmplementeerd binnen de organisatie. 28 procent is bezig om hun machinelearninginitiatieven op te schalen. 35 procent geeft aan een aantoonbare return-on- investment (ROI) te hebben.
De helft van de respondenten is vooral begonnen met machine learning om sneller acties en beslissingen te kunnen nemen. Een kwart zet de technologie in om concurrerend te blijven. Anderen noemen als reden het verbeteren van de klantervaring en het verminderen van fouten in bedrijfsprocessen.
De meest gangbare machinelearningprojecten bestaan uit het verwerken van informatie (26 procent), Natural Language Modelling (19 procent), planning (17 procent), machine vision (16 procent) en handling & controlprocessen (11 procent). Customer support- en business intelligence-afdelingen (beide 32 procent) profiteren volgens de peiling het meest van machine learning, gevolgd door marketing & sales (13 procent). Bedrijven zien het integreren van bestaande systemen (34 procent), budget (20 procent) en het toegankelijk maken van data (13 procent) als de grootste uitdagingen voor implementatie van machine learning.
