VCM2023_03 HR

PRODUCTIEMANAGEMENT

Om de impact van AI te maximaliseren, is er nood aan een raamwerk om kennis over AI-systemen te delen en over te dragen.

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 aanzien lijke investeringskosten voor software en sensoren om het productieproces ‘smart’ te maken. Onvermijdelijk horen daar de kleine foutenmarges bij die toegestaan zijn. De betrouw baarheid 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 beschik ken. 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 implementeer bare 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 operati onele 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 simulatiemodel len 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 afbeel dingen, bijvoorbeeld, of de bediening van niet-modelleerbare complexe systemen op buikgevoel. Vaak komen ervaren mede werkers 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

28

WWW.VALUECHAIN.BE