AI voorbij met production intelligence

Flanders Make, het strategische onderzoekscentrum voor de maakindustrie, doet al langer onderzoek naar de potentiële waarde van artificiële intelligentie (AI) in het productieproces. Vanuit zijn vestigingen in Vlaanderen tracht het centrum open innovatie te stimuleren via hoogkwalitatief onderzoek, onder andere door samen te werken met bedrijven rond innovatie op maat. Daarnaast biedt Flanders Make de infrastructuur waarmee fabrikanten hun producten en productieprocessen kunnen testen en valideren.
 
Bijdragen aan de technologische ontwikkeling van de voertuigen, machines en fabrieken van de toekomst, en zo toegevoegde waarde creëren voor de maakindustrie, staat bovenaan de agenda van Flanders Make. Net daarin speelt AI een cruciale rol, voornamelijk om productiesystemen te verbeteren en slimmer te maken, bijvoorbeeld met functies die beslissingen ondersteunen.

​Smart production

De grote oefening waar heel wat maakbedrijven vandaag voor staan, is de optimalisering van hun processen aan de hand van inzicht dat ze verwerven uit data. Die optimalisering moet hen in staat stellen een betere kwaliteit af te leveren, zonder in te boeten op het vlak van kwantiteit. Machines met meer, maar vooral betere sensoren, verzamelen daarom steeds meer productiedata. Aan de hand van de analyse van die data kunnen producenten hun processen vervolgens verder verbeteren. Denk aan het maximaliseren van de rijafstand van elektrische voertuigen, landbouwmachines die hun bewegingen afstemmen op de kenmerken van de gewassen, of gegevens over omschakelingstijden.
 
Een slim productiesysteem kan de eigen werking aanpassen aan veranderende factoren, zoals logistieke problemen of piekmomenten. Met behulp van AI verzamelen productiesystemen data die in latere situaties van pas komen. Denk aan productiestoringen die zich aankondigen doordat de data afwijkende waarden vertonen. Daar kan het systeem uit leren, om later eventuele nieuwe storingen vroegtijdig herkennen.

​Duurzaamheid en circulariteit

Het groeiende belang van slimme toestellen en productiesystemen is ook een belangrijke stap in de richting van een groenere economie. Doordat slimme productiesystemen geconnecteerd zijn, kunnen ze data verzamelen en uitwisselen. Daardoor kunnen de fabrikanten niet alleen de toestellen, maar ook de productieprocessen steeds verder optimaliseren, efficiënter en energiezuiniger maken. Het gevolg: dalende kosten voor de producenten en het milieu. In veel gevallen bieden de verzamelde gegevens ook inzichten in het energieverbruik van toestellen en hoe we ze energiezuiniger en duurzamer kunnen maken, bijvoorbeeld door het design te optimaliseren.

Specifieke uitdagingen

De maakindustrie kent enkele specifieke uitdagingen als het op de implementatie van AI aankomt. Het systeem moet meer doen dan enkel en alleen verbanden in de data herkennen. Om van echte toegevoegde waarde te kunnen spreken, moet het causale verbanden herkennen. Daarbij komen ook de aanzienlijke investeringskosten voor software en sensoren om het productieproces ‘smart’ te maken. Onvermijdelijk horen daar de kleine foutenmarges bij die toegestaan zijn. De betrouwbaarheid van AI-systemen is dus een cruciaal en heikel punt, aangezien één fout grote economische gevolgen kan hebben.
 
Om het gebruik van data naar een hoger niveau te tillen, moet je uiteraard over de juiste gegevens en rekenkracht beschikken. Daar knelt het schoentje nog vaak, vooral in de context van de maakindustrie. Het productieproces zorgt in elk geval voor genoeg exploiteerbare data, maar de rekenkracht van de systemen schiet vaak tekort. Niet zelden is er te weinig tijd of is de nauwkeurigheid te laag om tot een implementeerbare beslissing te komen. De uitdaging bestaat erin voldoende rekenkracht te leveren om te voldoen aan zowel de vereisten van het AI-systeem, als om tegemoet te komen aan de operationele beperkingen van het productiesysteem.

Digital twin

Domeinkennis over AI zal een erg belangrijke rol spelen in de slimme maakprocessen van de toekomst, niet in het minst met het oog op de betrouwbaarheid ervan. Domeinkennis is de kennis over de achterliggende systemen, typisch aanwezig in een productie-omgeving en de laatste jaren sterk toegenomen in gebruik en ontwikkeling. Denk aan digitale simulatiemodellen of CAD-bestanden.
 
Uiteraard kun je niet alles in een model gieten. Medewerkers, productie-experts of operatoren beschikken vaak over kennis die op een jarenlange ervaring steunt en die niet zomaar in een model of simulatie kan worden gegoten. Denk aan het labelen van goede of slechte productkwaliteit puur op basis van afbeeldingen, bijvoorbeeld, of de bediening van niet-modelleerbare complexe systemen op buikgevoel. Vaak komen ervaren medewerkers met creatieve oplossingen voor complexe problemen, waarvoor modellen of simulaties geen soelaas kunnen bieden.
 
Al die kennis en informatie zien we steeds vaker terugkomen in de vorm van een ‘digital twin’ of digitale tweeling, die zowel data uit gesimuleerde modellen als uit fysieke systemen bevat. Op die manier heeft elk productiesysteem of product dat van de band rolt een eigen unieke, digitale weergave. De digitale tweeling bootst de eigenschappen van het product in de fysieke wereld na in digitale vorm. De informatie die de digital twin omvat, is uiteraard afhankelijk van het beoogde gebruik. Zo zijn er dus verschillende twins mogelijk: voor simulatie, monitoring, kwaliteitsmanagement, montage, enzovoort.

Leren van AI

De technische stappen en uitdagingen in de transitie richting smart production zijn één zaak. Om de impact ervan op de hele organisatie te maximaliseren, benadrukt Flanders Make het belang van een raamwerk voor bedrijven om kennis over te dragen bij de medewerkers. “Kennis creëren en overdragen tussen verschillende departementen van de organisatie, zorgt ervoor dat die kennis gewaarborgd blijft en dat bedrijven zich steeds verder kunnen specialiseren”, klinkt het.
 
Bij de introductie van AI in het productieproces is dat niet anders. Om je te verzekeren van impact en schaalbaarheid in de organisatie, volstaat het niet louter te focussen op data, infrastructuur en talent. Het is ook belangrijk, en misschien zelfs nog belangrijker, om het leren van en met AI te faciliteren, en dus niet enkel te focussen op het ‘trainen’ van de AI-systemen zelf.
 
Maar hoe gaat dat concreet in zijn werk? Hoe breng je leren van en met AI in de praktijk? Het gaat hier om het werken met artificiële intelligentie op zich, maar evengoed draait het om de manier waarop mensen en systemen elkaar beïnvloeden om zich aan te passen aan veranderingen in het productieproces.
 
Die interactie tussen mens en computer kan op verschillende manieren vorm krijgen. Zo kun je het AI-systeem aanbevelingen laten maken en een medewerker laten beslissen om die al dan niet toe te passen. Evengoed kun je ervoor kiezen het systeem menselijke oplossingen te laten beoordelen. Hoe meer interacties er zijn, hoe hoger het rendement is dat je uit het gebruik van AI kunt halen.

​Productie-intelligentie

De integratie van AI in productieprocessen kan meteen voor impact zorgen en helpen om specifieke processen te stroomlijnen. De introductie van data en AI is daarbij nog maar het begin. De opkomst van AI valt namelijk samen met de introductie van kennis op basis van modellen, waarbij simulaties tonen hoe systemen in bepaalde situaties werken.
 
“Door de verzamelde gegevens van elk proces te combineren met de kennis die voortkomt uit het simuleren van processen in computermodellen, kunnen we slimmere en betrouwbaardere AI-toepassingen ontwikkelen voor de industrie”, klinkt het bij Flanders Make. In dat geval spreken we van ‘production intelligence’ of productie-intelligentie. Het onderzoekscentrum schat dat het gebruik van productie-intelligentie de kansen van bedrijven om tot marktleider uit te groeien, verhoogt van twee procent naar 73 procent.
 
De integratie van productie-intelligentie in het productieproces verloopt bij bedrijven volgens drie cruciale fases:

• Fase 1: een strategie definiëren, de benodigde infrastructuur opzetten, zorgen voor kwalitatieve toegang tot data, talent opleiden en aantrekken, en de eerste tests opzetten en uitvoeren.
• Fase 2: de uitrol van pilootprojecten, gebaseerd op productie-intelligentie, om ze later uit te breiden naar de volledige productie, andere producten of functionaliteit.
• Fase 3: de interactie tussen systeem, mens en domeinkennis, als onderdelen van een zelfversterkend leerproces.

De weg voorwaarts

Productie-intelligentie geeft bedrijven een belangrijke sleutel in handen om met de eerder besproken uitdagingen om te gaan. Enkel gebruik maken van data heeft zijn tekortkomingen, zo zagen we. Dankzij simulaties op basis van modellen, aangevuld met specifieke domeinkennis, kunnen we AI-systemen opzetten die betrouwbaarder, voorspelbaarder en accurater zijn.
 
Volgens Flanders Make is productie-intelligentie de weg voorwaarts voor de toepassing van artificiële intelligentie in de maakindustrie. Het onderzoekscentrum kent verschillende cases waarbij het AI-toepassingen op verschillende manieren ontwikkelde, gebruikt en integreert. Voorbeelden zijn onder meer orderpicking en navigatie met behulp van computervisie, de inzet van robots die zich bewust zijn van de omgeving en de vaardigheden van de operatoren, smart scheduling, het ontwerpen van slimme controllers, verbeterd gebruik van materialen, enzovoort. Feit is dat we ons met het gebruik van AI nog maar aan het begin van een tijdperk bevinden. Maar dat de mogelijkheden zo goed als onbegrensd zijn, is nu al duidelijk.