Kunstmatige intelligentie heeft in de afgelopen decennia zijn weg naar praktische toepassingen gevonden. Het Eindhovense Sioux Technologies vertaalt deze revoluties naar industriële toepassingen in hightech systemen voor klanten als ASML, NXP en Thermo Fisher. Zo wordt AI ingezet om beelden sneller te analyseren of om voorspellingen te doen over een complexe verkeerssituatie.
Sioux brengt AI naar de praktijk met hightech toepassingen
Met de komst van ChatGPT is een zekere hype ontstaan rondom AI. Of specifieker: rondom Generatieve AI. Maar kunstmatige intelligentie is veel meer dan dat. De technologie bootst menselijke vaardigheden zoals redeneren, anticiperen en plannen na, om mensen te ondersteunen in hun werk of in het dagelijks leven. Bijvoorbeeld door met meer zaken tegelijkertijd rekening te houden dan een mens ooit zou kunnen, data sneller te analyseren of door zeer complexe problemen op te lossen.
Sioux Technologies uit Eindhoven maakt precies dit soort toepassingen, onder meer voor chipmachinefabrikant ASML. De productie van chips is extreem nauwkeurig werk, waarbij veel natuurkundige principes komen kijken. De bestaande fysische rekenkundige modellen zijn echter vaak heel groot en complex. Daardoor vergen ze veel rekenkracht en duurt het lang voor ze een resultaat geven. Voor realtime toepassingen zijn (veel) snellere modellen nodig, zodat het productieproces bijgestuurd kan worden.
‘Met AI kun je modellen ontwikkelen die minder rekenkracht vergen en dus wel snel genoeg zijn’, zegt Robbert van Herpen, businessunitmanager Applied Mathematics & AI bij Sioux. ‘Hierbij gebruik je voorkennis over de fysica en de structuur van het proces dat je probeert te beheersen. Nauwkeurigheid blijft zo toch gewaarborgd.’
Dit soort AI-modellen is dan ook meer dan een grote rekensom en de ontwikkeling ervan vereist meer dan alleen datasciencekennis om adequaat te trainen op data. Op basis van fysisch inzicht wordt voorkennis aangeleverd rondom een slimme modelstructuur en de keuze van trainingsvoorbeelden. ‘De AI-modellen leren zo een deel van de natuurkunde en kunnen op basis van deze fysische logica ook nieuwe configuraties effectief doorrekenen’, aldus Van Herpen.
Veiligheid in de auto met AI
Een ander voorbeeld van hoe AI zijn weg vindt naar praktische toepassingen, is een project dat Sioux uitvoert met chipmaker NXP. Steeds meer machines en auto’s worden voorzien van sensoren, die allerlei data ophalen voor verschillende toepassingen. Het gaat vaak om enorme hoeveelheden. Zo heeft de gemiddelde auto zo’n zeventig sensoren, die allemaal andere data verzamelen.
Voor adaptive cruise control of het automatisch wisselen van een rijbaan zijn data over omliggend verkeer uiterst belangrijk. Onder uitdagende weersomstandigheden zoals mist of harde regen is het daarbij nodig om op andere sensoren dan visuele camera’s te kunnen leunen. Moderne auto’s zijn uitgerust met een aantal radarsystemen, die onder dergelijke weersomstandigheden toch een afstandsindicatie tot andere verkeersdeelnemers geven.
Het beeld bij AI is vaak: we hebben heel veel data, gooi het maar in een model en dan komt er goud uit. Maar dat is meestal niet het geval’
Adequate verwerking van al die data is ingewikkeld, weet Van Herpen. ‘Het is moeilijk om al die sensoren op een gewogen manier mee te nemen om tot een voorspelling te komen van wat er om het voertuig heen gebeurt. Verschillende type sensoren hebben ieder eigen ruis- en verstoringseigenschappen, waardoor ruwe metingen minder accuraat kunnen zijn. En daarbovenop zit je in een complexe verkeerssituatie, waarin allerlei verkeersdeelnemers weer voor hun eigen dynamieken zorgen, die je wilt volgen.’ Bovendien is ook hier de realtime verwerkingssnelheid van belang.
Door AI te combineren met signaalverwerkingskennis kan de potentie van al deze data worden benut, wat automobilisten kan helpen in complexe verkeerssituaties waar ze zelf snel het overzicht kunnen verliezen. ‘We gebruiken AI om die veelheid aan sensoren en de verstoringsbronnen op een goede manier bij elkaar te brengen’, legt Van Herpen uit. De modellen die Sioux met NXP maakt, leren welke eigenschappen sensoren hebben en hoe ze met ruis omgaan. Op basis daarvan wordt besloten hoe verzamelde data moeten worden meegenomen om tot een accurate voorspelling te komen. ‘Deze samensmelting van signaalverwerking en AI staat ook wel bekend als Bayesian machine learning.’
De Makers Top 100 goed voor 102 miljard omzet en 300.000 banen.
Link naar De Makers Top 100
Complexe celbiologie met beeldanalyse
Ook in de wetenschap speelt AI een belangrijke rol. Sioux werkt met Thermo Fisher aan een AI-workflow voor complexe beeldanalyse. Deze applicatie brengt eigenschappen van verschillende soorten cellen in beeld en kijkt hoe deze reageren als je bepaalde medicijntypes of drugs toepast. ‘Het menselijk lichaam heeft een grote variëteit aan celtypes, die allemaal anders kunnen reageren’, verduidelijkt Van Herpen. Een bioloog wil weten hoe al die verschillende types reageren op diverse hoeveelheden van een specifiek medicijn. Daarom worden er tests gedaan op duizenden cellen tegelijkertijd. Vervolgens moeten al die cellen worden geanalyseerd, om te zien hoe ze reageren. Een enorm tijdrovende en complexe klus. ‘De potentie van AI is dat het die complexiteit in de hand kan houden. AI kan leren de afzonderlijke cellen te detecteren en daarna ook worden ingezet om deze grote hoeveelheid cellen te analyseren. Vervolgens kan het tegen de bioloog zeggen: dit is in essentie wat er gebeurt. Zo helpt het de bioloog om sneller en beter inzicht te verkrijgen.’
De uitdaging hierbij is dat zo’n AI-model in feite ook een bioloog moet worden. Door een combinatie van heel efficiënte interactie met de specialist en het gebruik van synthetische data kan een zogenaamd ‘foundation’ model worden doorgetraind om hoge nauwkeurigheid te bereiken in een specifieke celanalyse. Bovendien is het uitdagend om de essentiële verbanden die door het AI-model worden gevonden tussen medicijn en celresponse op een intuïtieve manier terug te koppelen aan de bioloog.
AI blijft mensenwerk
Hoewel dit soort AI-modellen zaken kan voorspellen, analyseren of beredeneren op een tempo en met een complexiteit die mensen al snel te boven gaat, is mensenwerk wel heel belangrijk bij de ontwikkeling van de modellen. ‘Het beeld bij AI is vaak: we hebben heel veel data, gooi het maar in een model en dan komt er goud uit. Maar dat is meestal niet het geval’, zegt Mark van den Broek, technology manager AI bij Sioux. ‘Je wilt die data combineren met alles wat je weet over het probleem of de taak die je wilt uitvoeren. Pas dan krijg je het fatsoenlijk aan de praat.’
Bovendien zijn er vaak minder data aanwezig dan je zou willen. ‘Maar de modellen moeten wel goed generaliseren naar allerlei nieuwe situaties. Dus hoe los je dat op?’, stelt Van den Broek de vraag. Van Herpen vult aan: ‘De uitdaging is om modellen met de juiste voorkennis en een klein beetje data zoveel context te geven dat ze tot betrouwbare voorspellingen of conclusies komen.’
Dit soort uitdagingen maakt dat de menselijke specialisten een belangrijke rol spelen. In samenwerking met datascientists zorgen fysici en engineers ervoor dat een AI-model de juiste zaken aanleert en de juiste expertise heeft. Van Herpen: ‘Zij voorkomen bijvoorbeeld dat een model uitgaat van één specifieke situatie die hij toevallig heeft geleerd, die niet breder toepasbaar is.’
