Kunstmatige intelligentie (AI): hoop, hype en FOMO
Gepubliceerd op 22 september 2022 in AI
Toen we tien jaar geleden vragen kregen over projecten op basis van AI, kwamen die vooral voort uit een hype of FOMO. Als ik vroeg waarom men meer wilde weten over AI, was het antwoord meestal 'omdat mijn baas dat vraagt' of 'omdat we veel gegevens hebben' of 'omdat het een interessant gebied lijkt'. Geen enkele van deze redenen was bijzonder solide en rechtvaardigde zeker niet de grote investering die voor AI-toepassingen op dat moment nodig was.
Dat is nu anders. Vandaag is hoop de drijfveer, in plaats van hype of 'FOMO'. Klanten vragen zich niet meer af of we hen met AI kunnen helpen. Ze vragen ons of we kunnen helpen met voorspellend onderhoud, kwaliteitscontrole of procesoptimalisatie. Ze kloppen bij ons aan met een probleem en willen dat we hen helpen om dit op te lossen. Het gebruik van AI is niet langer een motief of een doel op zich. AI is een 'instrument' geworden.
Of het nu gaat om voedingsmiddelen en drank, de farmaceutische sector, elektronica of de automobielindustrie, het uiteindelijke doel is hetzelfde: hoogwaardige producten zonder defecten produceren aan lagere kosten, met minder energie en minder arbeid. AI is een van de mogelijke oplossingen om dit doel te bereiken.
Verleden, heden en toekomst
Net zoals houdingen zijn geëvolueerd, heeft ook de technologie zich verder ontwikkeld. AI als concept bestaat reeds sinds 1957. De eerste toepassingen waren onmogelijk duur en traag: het duurde een maand om de resultaten van een eenvoudige berekening te verkrijgen omdat het verwerkingsvermogen beperkt was. Dankzij de vooruitgang op het gebied van mobiele technologie, computeropslag en verwerkingssnelheden, kunnen tegenwoordig berekeningen in milliseconden worden uitgevoerd en zijn de kosten aanzienlijk gedaald.
Hoewel technologiereuzen als Amazon en Google al enige tijd AI gebruiken, staat AI in de industriële sector en op de fabrieksvloer nog steeds in de kinderschoenen. Ik zou het vergelijken met robotica 15 jaar geleden, toen je wiskundig geschoold moest zijn om een robot met zes assen te bedienen. Voor het implementeren van op AI gebaseerde systemen zijn nog steeds experts nodig die begrijpen hoe het werkt, en het gebruik is alleen zinvol in niche-toepassingen waar de implementatiekosten te rechtvaardigen zijn door het voordeel dat AI oplevert.
AI voor onzichtbare problemen
Het is ook belangrijk om te onthouden dat AI geen wondermiddel is. Als machinebouwers, datawetenschappers en engineers gaan we soms ten onrechte alle antwoorden automatisch zoeken in technologie, zelfs als een directere oplossing veel eenvoudiger en minder complex is.Neem bijvoorbeeld een transportband die gedeeltelijk gescheurd en gebogen is. Dat is een technisch probleem dat kan worden geïdentificeerd en waarvoor een traditionele mechanische oplossing bestaat. Bij minder zichtbare, met tussenpozen optredende problemen, die zich bijvoorbeeld voordoen bij micro-onderbrekingen, kan AI evenwel een toegevoegde waarde zijn.
AI-aangestuurde probleemoplossing in de praktijk
Hier is een voorbeeld uit de praktijk: een automotive klant vroeg onze hulp om problemen met micro-onderbrekingen op te lossen. Na het uitvoeren van een gegevensscan deden we een 'gezondheidscontrole'. We sloten sondes aan op de machine en maakten beelden van de gegenereerde signalen om vast te stellen wat er echt gebeurde, en wat er had moeten gebeuren. Vervolgens ontwikkelden we een experiment om de onderliggende oorzaken te bepalen. Zo waren we in staat om ongeveer tien problemen te identificeren en op te lossen. Ik herinner me onder meer een probleem met een sensorstoring: een van de sensoren die we bewaakten bleek niet te werken. We vroegen de klant dit te controleren en er werd een defecte stekker gevonden. We ontdekten ook een aantal programmeringsproblemen, waaronder een logische fout die zich herhaalde op meerdere machines ter plaatse en vervolgens kon worden gecorrigeerd. Uiteindelijk bespaarde de klant tienduizenden euro's aan weggegooid product en nam de uitvaltijd met 50% af, wat vier uur extra productietijd per maand betekende.
Er zijn ook andere toepassingen. Momenteel werken we bijvoorbeeld samen met een klant in de voedingsmiddelenindustrie om de integriteit van afdichtingen te verbeteren. Door AI toe te passen in het afdichtingsproces, verlengen we de houdbaarheid met enkele dagen en beperken we defecte afdichtingen tot een minimum, waardoor er geen risico bestaat dat een volledige productbatch door retailklanten wordt afgewezen.
Verzamelen, analyseren en gebruiken
Bij de meeste projecten tot nu toe werd de AI Controller van OMRON geïmplementeerd, de eerste AI-oplossing ter wereld die 'aan de rand' werkt (met hardware die gebaseerd is op de Sysmac NY5 IPC en de NX7 CPU. Deze controller herkent patronen op basis van procesgegevens die rechtstreeks op de productielijn worden verzameld. Hij wordt geïntegreerd in ons Sysmac fabrieksbesturingsplatform en kan dus direct in de machine worden gebruikt, om rendementsverliezen te voorkomen.
Met voorbeelden als deze en het feit dat AI een populair onderwerp in de media is, zou je gemakkelijk kunnen denken dat elke productiesector al gebruikmaakt van AI, maar dat is niet zo. Er zijn slechts weinig voorbeelden van AI-toepassingen in fabrieken en projecten zijn sterk afhankelijk van de expertise van de technologieprovider. Binnen tien jaar zal dit een heel ander verhaal zijn. Er zullen instrumenten worden ontwikkeld die AI veel toegankelijker en gebruiksvriendelijker maken, zodat fabrikanten zelf verantwoordelijk kunnen zijn voor AI en ermee aan de slag kunnen.
Lees meer over Data Science Services van OMRON