Waarom standaardisatie cruciaal is voor Artificial Intelligence (AI)
25 januari 2021
Waardecreatie met Artificial Intelligence (AI) binnen de industrie wordt steeds belangrijker. Maar wat is AI eigenlijk en wat kun je ermee? Waarom zou je er mee aan de slag moeten gaan, en waarom is standaardisatie zo belangrijk in dit proces? Laten we er eens wat dieper op inzoomen.
“Het voelt misschien groot en ver weg. Toch beginnen grote dingen klein.”
Laten we beginnen met de definitie van AI: letterlijk vertaald “kunstmatige intelligentie”. Maar wat betekent dat nou precies? Als we kijken naar de industrie kunnen we het duiden als Algoritmes die op basis van historische data voorspellingen kunnen doen voor de toekomst. Stukje bij beetje worden die algoritmes steeds slimmer. Ze kunnen sneller besluiten nemen dan mensen en grote datasets verwerken, met veel mogelijkheden, en hier snel en efficiënt conclusies uit trekken. De mens kan daarentegen betere beslissingen maken, op basis van bepaalde uitdrukkingen of emotie. Maar heb je het over industriële beslissingen, dan is AI vaak toch beter.
“AI kan sneller, efficiënter en op grotere schaal beslissingen maken. Als iets nog nooit gebeurd is weet het algoritme alleen niet wat het moet doen. Er zijn dus veel trainingsdata en observaties nodig om AI goed in te richten. Ook is het met AI belangrijk om af te wegen wat het kost- en oplevert.”
.
Machine Learning
Een speciale AI methode is “Machine Learning”, een verzamelterm voor wiskundige modellen. We slaan hem nog even plat met een voorbeeld: een schip is voorzien van een grote motor met een bepaald patroon en brandstofverbruik. Als het verbruik te hoog is, wil je snel weten wat er mis is. Door gebruik van data kun je afwijkingen zien. Algoritmes kunnen deze snel herkennen en die kennis kun je direct uitrollen over andere motoren. Een prachtige vorm van schaalbare technology!
.
Waarom aan de slag met AI?
Er zijn verschillende redenen om met AI aan de slag te gaan. Met AI kun je:
- Kennis opslaan, terwijl kennisdragers met pensioen gaan;
- Concurrerend kunnen blijven in een markt waarin klanten steeds meer verwachten van hun leveranciers en waarin data gedreven inzichten een manier zijn om je klanten te binden;
- Zo duurzaam mogelijk produceren;
- Klaarstaan voor de nieuwe generatie mensen die niet meer achter een loopband staat of wil staan. Een generatie die wil werken met- en op basis van data en data-analyses.
.
AI zonder standaardisatie is onmogelijk
Standaardisatie is belangrijk om toekomstbestendig te zijn, maar waarom is een goede standaard zo belangrijk voor AI? Welke ontwerpdata heb je nodig, welke maintenancedata en welke data wil je als organisatie ontsluiten voor AI? Om data uit installaties te halen moet een goede en toekomstbestendige software architectuur aanwezig zijn. Je moet weten hoe en welke data je uit de installatie “omhoog” wilt halen. Naamgevingen van attributen moeten daarbij tussen de disciplines afgestemd zijn. Het is ook belangrijk om data op een eenduidige manier op te slaan en te verwerken, dat maakt vastleggen in modules van essentieel belang. Kortom, net zoals voor generatief ontwerpen en het genereren van projectdocumentatie geldt ook voor AI: slechte input is slechte output.
.
De opkomst van AI
Door Covid komen ontwikkelingen als AI in een stroomversnelling. Bedrijven investeren steeds meer in digitalisering en we dragen er allemaal een steentje aan bij. Hoe? Denk eens aan de vraag die Google je soms stelt om een bevestiging te geven, waarbij je de afbeeldingen moet selecteren met bijvoorbeeld een stoplicht. Je helpt Google op deze manier met imaging. Dit soort processen zijn ook opkomend in de industrie, ook daar moeten we onze kennis gebruiken om de algoritmes te leren wat ‘goed’ en ‘fout’ is.
.
AI en de industrie
Bij retail wordt er al veel gedaan met AI, maar voor veel bedrijven uit de industrie klinkt AI misschien nog ver weg. Je wilt als organisatie aan de slag met data. Patronen vinden, terugkoppelen, maar vooral de vraag stellen: waar kunnen we waarde creëren? Ontbreekt het hier aan urgentie, aan data? Of misschien vragen we ons nog steeds af waar we moeten beginnen. De grootste behoefte voor AI zien wij op dit moment bij OEM’ers en Asset Owners. Zij willen een asset goed monitoren, zodat ze er bovenop kunnen blijven zitten. Door hierbij goede service te verlenen kunnen de OEM’ers zich steeds beter onderscheiden. Bij Asset Owners zien we vaak doelen terugkomen, zoals kostenvermindering en het verhogen van veiligheid. Bij uitstek geschikt om AI toe te passen!
Maar wat levert AI nou op? Dat ligt voor ieder bedrijf anders. Zowel kwantitatief als kwalitatief zijn er factoren die meewegen, zoals de hoeveelheid data die beschikbaar is, de kwaliteit van deze data en de mensen binnen de organisatie. Misschien is het daarom goed om onszelf de vraag te stellen: wat als we het niet doen…?
.
Predictive Maintenance of Condition Based maintenance staat bij 90% van de industriepartijen op de agenda. Maar hoe kun je voorspellend onderhoud doen als je ontwerpdata niet eens op orde is? Een mooi onderwerp voor een nieuwe blog. Hou onze website in de gaten!