Slimme productietechnieken door inzet AI

Robocop is geen voorbeeld van AI

Om te schetsen waar AI voor staat, liet Linssen eerst zien wat AI niet is, namelijk zelfdenkende politierobots zoals Robocop. Ook de vergelijking met een systeem dat in staat is om op basis van foto’s honden te onderscheiden van zwabbers of koekjes, gaat wat Linssen betreft mank. Wat is het dan wel?

“The science and engineering of making intelligent machines,” dat is de definitie die de Amerikaanse informaticus én grondlegger van AI, John McCarthy er in 1955 aan gaf.
Linssen omschrijft AI als een discipline, een abstract concept, maar bovenal een parapluterm voor technologieën. Het is intelligente technologie waarvoor we nog geen andere naam hebben. Denk hierbij aan zaken als beeldherkenning, robotica, deep learning, zoekmachines, chatbots, routeplanning, expertsystemen, zelfrijdende auto’s, schaakprogramma’s, Siri, Alexa en Google.

Als bekende toepassingen van AI geeft Linssen routeplanners als voorbeeld, maar ook virtuele karakters in computerspelen of robots die interacteren met mensen, bijvoorbeeld als receptionist of gastheer. Het werkveld is dus erg breed, aldus Linssen.

AI gaat verder dan machine learning

AI is meer dan machine learning, het is een combinatie van machine learning, deep learning en data science. Artificial Intelligence is geautomatiseerde patroonherkenning en een planning voor actie. Het is een tool die processen mogelijk maakt en de gebruikers inzicht verschaft in situaties aan de hand van modellen, voorspellingen of classificaties. AI is data- of modelgedreven. Om AI goed toe te passen, is het nodig om inzicht te hebben in de mogelijkheden ervan. Maar ook te weten wat de vereisten zijn om het zinvol te gebruiken. En zonder menselijke denkkracht komt AI niet tot stand. Net zomin als zonder data of zonder ondersteunende softwareplatformen.

CRISP-DM

Bij de onderzoeken die het lectoraat doet, maakt ze gebruik van het CRISP-DM model. Dit staat voor CRoss-Industry Standard Process for Data Mining. Een standaard proces dat beschrijft hoe data efficiënt kan worden omgezet in informatie en toegepast kan worden om een specifieke vraag op te lossen. Het is een generiek stappenplan dat bestaat uit 80 verschillende stappen. Meer informatie over het model is via deze link te vinden.

Praktijkvoorbeelden

Aan de hand van een aantal praktijkvoorbeelden schetste Linssen de werking van AI met behulp van CRISP-DM. Zo wordt er bij Scania Production Zwolle onderzoek gedaan naar het voorkomen van downtime als gevolg van het ongepland uitvallen van carriers. Dit zijn de dragers waarop de trucks door de fabriek worden voortbewogen tijdens de assemblage. Scania wil graag meer mogelijkheden hebben voor predictive maintenance. Doel van het verzamelen van data is om correlaties te vinden in de verschillende meldingen en mogelijke oorzaken voor een specifiek probleem in de carriers vast te stellen. De resultaten van het eerste onderzoek wezen erop dat er bepaalde correlaties zijn, maar dat er vooral behoefte was aan gedetailleerde data uit de carriers zelf. Daarvoor wordt een nieuw ontwikkelde sensoroplossing geïnstalleerd in de carriers die data hun gedrag gaat verzamelen. Hierna kan deze data worden meegenomen in CRISP-DM, om predictieve modellen te maken voor het functioneren van de carriers.

Werk aan het spoor

Een tweede praktijkvoorbeeld betrof de digitalisatie van bovenleidingen en draagconstructies langs het spoor. Nederland telt 3.000 km spoor, met langs het spoor portalen waaraan de bovenleidingen hangen. Ieder portaal is digitaal omgezet naar zogenaamde point clouds. De point cloud is een verzameling van meetpunten die door een 3D-laserscanner zijn gevonden. Een portaal is goed voor 3 miljoen punten, 1 kilometer spoor voor 2,5 miljard punten. Met behulp van AI (deep learning) zijn deze 3D-punten geanalyseerd om automatisch objecten te herkennen zoals draagarmen, palen en insulatoren. Door dit met behulp van deze technieken te doen worden spoorinspecties veiliger en efficiënter. Op termijn wordt gekeken hoe hiermee het spoor herontworpen kan worden en hoe preventief onderhoud ingepland kan worden.

Tips voor AI

Linssen besloot zijn verhaal met een vijftal tips voor bedrijven om praktisch aan de slag te gaan:

1. Werk aan een visie op innovatie: wat kan nu, wat over 5 jaar?

2. Informeer jezelf over tools, maar maak de middelen geen doel.

3. Experimenteer erop los met ideeën...

4. ...maar werk parallel aan een goede basis:
   verzamel data, sla deze op, doe simpele analyses en kijk van daar uit naar complexere AI.

5. Doe het niet alleen:
   werk samen met innovators, kennisinstellingen, onderzoekers, studenten!

Voor meer informatie over AI, machine learning en deep learning, heeft Saxion een AI-cursus ontwikkeld die gratis beschikbaar is via deze link.