Op AI-expeditie in het logistieke landschap

Vandaag lijkt AI alomtegenwoordig. ChatGPT, voorspellende tools, machine learning: de technologieën liggen binnen handbereik. Maar in de dagelijkse operaties blijkt de implementatie van die tools vaak minder evident. De verwachtingen van de technologie zijn hoog, maar het effectieve gebruik ervan in de praktijk is een behoorlijke uitdaging. “Wie AI wil inzetten als hefboom voor verbetering, moet starten met de juiste mindset, niet met de technologie,” meent Sebastian Piest. “In de praktijk blijkt het erg moeilijk om AI structureel in de processen te verankeren. Er zijn zeker successen, maar heel veel projecten blijven toch in de prototypefase hangen.”

Volgens Sebastian Piest beginnen ondernemingen vaak aan een project zonder goed te begrijpen wat AI wel en niet is. “Je moet goed weten wat je echt nodig hebt,” zegt hij. “AI draait om intelligente systemen die zelfstandig kunnen redeneren en handelen op basis van grote hoeveelheden data. Traditionele modellen voor machine learning leren patronen en zullen op basis daarvan voorspellingen of beslissingen nemen. Generatieve AI gaat nog een stap verder en creëert nieuwe content op basis van enorme hoeveelheden data. Bij de ChatGPT’s van deze wereld zitten daar heel grote, getrainde taalmodellen achter. Die noemen we GPT’s (generative pre-trained transformers). Die modellen zijn tot verrassende dingen in staat, maar er schuilt ook mystiek achter. Vaak begrijpen zelfs computerwetenschappers de logica erachter niet honderd procent. Zulke modellen kunnen bijvoorbeeld ook gaan hallucineren. Dat is een risico. Generatieve AI ontwikkelt zich tegenwoordig erg snel. Er komen continu nieuwe modellen bij, waardoor het moeilijk te volgen is. Modellen op basis van AI zijn dus fundamenteel anders dan een dashboard of rapportagetool. De echte uitdaging ligt in eerste instantie dan ook niet meteen bij de technologie, maar bij de toepassing.”

Om bedrijven bij hun AI-projecten te ondersteunen, richtte de Universiteit Twente samen met Breda University of Applied Sciences (BUas) en Deltago de Community of Practice voor AI (CoP-AI) op. Via workshops, tooling en vooral samenwerking biedt die community gestructureerde ondersteuning bij de AI-ontdekkingstocht van bedrijven.
Sebastian Piest: “Het initiatief is een zestal jaar geleden gestart vanuit een aantal onderzoeksprojecten. Zelf was ik toen bezig met een promotieonderzoek rond mensgerichte AI. Tijdens de coronaperiode besloten we een webinar over AI in de logistiek te organiseren. Toen we elkaar weer mochten ontmoeten, kregen we de vraag om een workshop te organiseren. Van het een kwam het ander, wat uiteindelijk leidde tot een programma dat logistieke professionals samenbrengt met professionals met een IT-achtergrond.”

Intussen is al een dertigtal bedrijven aan de slag gegaan met concrete AI-toepassingen binnen de CoP-AI. Door hun ervaringen met elkaar te delen, kunnen de bedrijven van elkaar leren en frequente fouten voorkomen.

Stappenplan voor een geslaagde AI-implementatie

Wat vaak wordt onderschat, is de brug tussen het idee en de implementatie. Daarom werd de zogenaamde AI-expeditie binnen de CoP-AI ontwikkeld als een stappenplan (zie figuur). Dat stappenplan wordt ondersteund door een zorgvuldig ontwikkelde toolbox.

Dat begint met een bewustwordingscursus van een viertal uur, die deelnemers laat kennismaken met AI in de context van logistiek en supply chain. Daarna volgt een ‘basecamp’ waarin de AI-expeditie samen met verschillende andere deelnemers wordt voorbereid. “We zijn ervan overtuigd dat die gemeenschappelijke verkenning waardevol is. Iedereen heeft immers zijn eigen ideeën en een eigen rugzak met kennis en tools”, aldus Sebastian Piest. “In het basecamp organiseren we workshops en trainingen.”

Vanuit dat basecamp kunnen verschillende expedities worden gestart. “Zo kun je kiezen voor een ‘deep dive’, een experiment, ‘prototyping’, implementatie of opschaling”, licht Sebastian Piest toe. “De meeste mensen die bij ons op expeditie komen, willen in elk geval een prototype om te ontdekken of het idee dat ze hebben daadwerkelijk implementeerbaar is.”

In een eerste fase kunnen deelnemers via een designworkshop hun abstracte projectidee concretiseren. Daarbij worden mensen uit de praktijk en IT samengebracht. Om de verschillende AI-toepassingen op een gestructureerde manier te definiëren, werd binnen de CoP-AI een AI Design Canvas ontwikkeld.

Vervolgens start de ‘design sprint’, waarin de toepassing in korte tijd visueel wordt gemaakt. Daarbij wordt geanalyseerd wat er nodig is om een geschikte oplossing te ontwikkelen en of dat technisch ook haalbaar is. “Tegelijk bekijken we welke kennis en tools er al in huis zijn en wat er nog ontbreekt”, vult Sebastian Piest aan. “Zo’n design sprint laat meteen ook toe de risico’s te identificeren voordat je mensen en middelen in een project gaat investeren.”

Bij het ontwerp worden ‘user stories’ gebruikt om de vereisten, de gebruikers en de nodige functionaliteit in kaart te brengen. Er wordt ook nagegaan hoe een en ander in de praktijk zal werken. Dat gebeurt via een ‘Human AI Interaction Toolkit’. Daarbij worden verschillende werkrichtlijnen aangereikt om tot een toepassing te komen die niet alleen technisch goed werkt, maar waar ook de interactie met de gebruikers goed zit. Die richtlijnen helpen bijvoorbeeld te bepalen wanneer je welke informatie in je proces moet hebben en hoe je snel kunt ingrijpen wanneer het misloopt.

Daarna volgt een korte prototypingfase. Handige en laagdrempelige wireframe tools in die fase zijn Figma en Miro. Die laten toe samen zaken te visualiseren, zodat je een beeld krijgt van hoe de AI-oplossing er in de praktijk uit kan zien.

Bij softwareontwikkeling wordt een generieke aanpak gehanteerd, met het samenbrengen van de betrokken partijen, het opmaken van een planning en het opstellen van de architectuur. Van daaruit kan dan de implementatie worden ingezet en gedetailleerd met specifieke methodieken.

S. Piest: “Belangrijk in dit traject is om de verschillende modellen goed te evalueren. Daarom moet je snappen wat er achter de schermen gebeurt. We zoeken steeds naar de juiste ‘metrics’, zodat we bijvoorbeeld de prestatie van een algoritme kunnen meten. Verder is het belangrijk dat je al in een vroeg stadium gaat nadenken over de juridische, ethische en sociale aspecten. Zo mogen niet alle bestaande data daadwerkelijk worden gebruikt.”

Een methodiek die vaak wordt gebruikt om het AI-implementatietraject in te gaan, is het CRISP-ML(Q)-model. Dat is meteen ook de meest gebruikte projectmethodiek voor data science projecten. De methodiek vertrekt vanuit het begrip van de business, de processen en de gebruikers. Ze helpt ook zicht te krijgen op de data die in de toekomst nodig zullen zijn, zoals masterdata en locatiedata.

“Om de verschillende toepassingen te evalueren, gebruiken we een ‘KPI-menukaart’. We raden aan te focussen op één KPI, zodat je een gefocuste toepassing krijgt. Binnen transport kan dat bijvoorbeeld het aantal leeggereden kilometers zijn”, aldus Sebastian Piest.

Om het hele proces te ondersteunen, werd binnen de CoP-AI een GPT-assistent ontwikkeld. “Die legt bijvoorbeeld uit hoe het AI Design Canvas werkt, waardoor je als co-designer snel ideeën kunt toetsen”, zegt Sebastian Piest. “Als je op basis van een workshop al een Canvas hebt gemaakt, dan kan de GPT die analyseren en concrete verbetertips geven. En wanneer een idee al meer ontwikkeld is, kan de GPT ook geschikte algoritmes voorstellen. We zetten dus AI in om AI-projecten beter te maken. Mooi toch? Uiteraard betekent dat niet dat we geen experts meer nodig hebben, maar het proces kan dankzij de GPT wel worden versneld.”

Hoe verder je in het traject gaat, hoe groter de inspanningen worden. “Een design script heb je vaak al binnen een week. Ook prototypen kan snel gaan. Maar zodra je daadwerkelijk tot implementatie overgaat, spreken we al gauw over enkele maanden, soms meer dan een jaar”, weet Sebastian Piest. “We leren bedrijven ook dat AI geen eenmalige oplossing is. AI-modellen leren over tijd. Ze moeten dan ook worden onderhouden, gemonitord en aangepast aan veranderende omstandigheden. Een AI-implementatieproces is dus nooit echt af.”

AI-projecten in de praktijk

Intussen heeft deze stapsgewijze aanpak bij verschillende bedrijven zijn vruchten afgeworpen. Zo werkte het transportbedrijf Emons Group aan een AI-agent die lege kilometers helpt te verminderen door automatisch ritten op verschillende marktplaatsen in Noordwest-Europa te scannen. Die toepassing is gebaseerd op ‘reinforcement learning’, waarbij het model wordt getraind door middel van simulatie, ‘beloningen’ en ‘straffen’. Op die manier worden steeds betere combinaties van ritten gemaakt.

Transporteur Nijhof-Wassink optimaliseerde dan weer tankbeslissingen via een AI-model dat brandstofprijzen, (om)rijtijden en kortingen met elkaar combineert. De potentiële besparing van deze oplossing kan oplopen van 600.000 tot bijna een miljoen euro per jaar.

De start-up Chainfill, die zich heeft gespecialiseerd in AI-toepassingen voor transport- en logistieke bedrijven, ontwikkelde binnen CoP-AI een toepassing die automatisch transportopdrachten en offertes herkent in ongestructureerde e-mails en bijlagen. Het resultaat is een snellere en minder foutgevoelige orderverwerking.

En XTe-Motion, gespecialiseerd in de optimalisering van wikkelprocessen, ontwikkelde samen met een IT-partner een prototype dat via beeldherkenning en AI de stabiliteit van pallets beoordeelt. Het idee is dat op basis daarvan een app wordt ontwikkeld die het stapelpatroon van pallets herkent, stapelpatronen classificeert en advies geeft over hoe je de pallets veilig kunt ‘sealen’. Omdat de daadwerkelijke automatisering en integratie van die app een forse investering vraagt – om en bij de 350.000 euro – wordt momenteel bekeken hoe hier een businesscase van kan worden gemaakt.

Obstakels tijdens AI-expedities

Afsluiten doet Sebastian Piest met enkele getrokken lessen binnen de community. “Computerwetenschappers zijn heel goed in het ontwikkelen van oplossingen, maar AI omvat ook een belangrijk sociaal aspect”, zegt hij. “De interactie tussen mensen en AI wordt vaak onderschat. Sommige medewerkers ervaren AI ook als een bedreiging voor hun job, wat natuurlijk niet helpt. De impact van AI op onze dagelijkse activiteiten en hoe we de technologie in dat opzicht het best kunnen implementeren, weegt bij dit soort toepassingen eigenlijk net zo zwaar als de technologie zelf.”

Daarnaast zoomt Sebastian Piest in op nog enkele andere punten waar het wel eens spaak loopt bij AI-projecten. “Binnen de community merken we dat de prototyping doorgaans wel goed lukt, maar als we dan tot de ontwikkeling van de oplossing overgaan, blijkt dat vaak een veel grotere uitdaging. Om te beginnen struikelen bedrijven dikwijls over de data. Veel organisaties hebben óf te weinig data óf de data zijn onbetrouwbaar of moeilijk ontsluitbaar. Ook is de IT-architectuur vaak niet voorbereid op AI-integratie, met legacysystemen die slecht te koppelen zijn. Nog een punt is dat er onvoldoende kennis in huis is. Medewerkers weten niet wat ze van AI kunnen verwachten en het management heeft niet altijd heldere doelen gesteld. Tot slot ontbreekt het heel vaak aan ondersteuning van het leiderschap bij AI-projecten. Zonder visie op AI blijft het vaak bij een IT-experiment dat voortijdig strandt. Zeker bij kleine en middelgrote bedrijven is dat een veelvoorkomend probleem. ‘Spelen’ met AI is leuk, maar om een oplossing daadwerkelijk geïmplementeerd te krijgen, zijn veel inspanningen en natuurlijk ook het nodige budget nodig.”

De oplossing voor veel van die obstakels ligt volgens Sebastian Piest deels in goede samenwerking en visualisering. “Wanneer mensen samen hun idee uittekenen, bespreken en doorrekenen, ontstaat een breder draagvlak binnen de organisatie”, verduidelijkt hij. “We merken binnen onze community ook dat je veel kunt halen uit kruisbestuiving. Laat medewerkers voldoende kennis opdoen om de switch te kunnen maken; online zijn er veel (gratis) cursussen te vinden. Wees binnen de organisatie ook duidelijk over je ambities op het vlak van AI. Het is eveneens belangrijk dat AI geen pure IT-aangelegenheid is. Plan ook ruimte voor iteraties als je eenmaal gestart bent, want vaak gaan zulke projecten niet in één keer goed.”

Verder zijn er veel referentie-implementaties te vinden die kunnen inspireren. “Heel wat getrainde datamodellen kun je zo van het internet downloaden en uitproberen. Zet AI ook in om te coderen, zo kun je het proces versnellen”, raadt Sebastian Piest aan. “Voor ook een controle op je data uit voor je begint, gebruik een goede methodiek en teken uit hoe de oplossing in je IT-landschap kan worden geïntegreerd.”

Tot slot wil Sebastian Piest nog benadrukken dat AI slechts een onderdeel is van het grotere plaatje: “Gebruik AI niet als doel op zich, maar als middel binnen een bredere processtrategie. Om bepaalde problemen op te lossen, volstaat een eenvoudig algoritme of een BI-dashboard. Business intelligence kan ook dienen als springplank voor AI. Zoals eerder aangehaald: bekijk eerst goed wat je echt nodig hebt. Het antwoord zal zeker niet altijd AI zijn. En verder: begin eenvoudig, leer snel en werk multidisciplinair. Maar vooral: koppel AI zo snel mogelijk aan de praktijk. Pas op dat moment wordt de technologie waardevol.”
TC