Ook het MKB kan niet om AI heen!

Vaak gaat het bij de voorbeelden immers over grote bedrijven als ASML, Philips en Tesla. Wat is AI nu eigenlijk? Waarom is het belangrijk en wat kan ik er zelf mee? Het Brabant AI4everyone programma stelt zich ten doel om alle werkenden in Noord-Brabant vertrouwd te laten raken met AI door een betere begripsvorming ervan.

We spraken met Geert-Jan Peters en vroegen hem waarom het belangrijk is voor ondernemers in de maakindustrie om zich hierin te verdiepen. Geert-Jan Peters was tot voor kort director Professional Education bij de Jheronimus Academy of Data Science te Den Bosch en is nu projectleider van Brabant AI4everyone bij de provincie Noord-Brabant. Hij loopt al jaren mee in de wereld van data en AI, is een verbinder bij uitstek, wil dit onderwerp graag ‘demystificeren’ en professionals daarmee activeren om met AI aan de slag te gaan, zoals hij het zelf noemt.

Als mkb’ers nu niet digitaliseren, zullen ze op relatief korte termijn niet meer meedoen, omdat hun concullega’s sneller en beter kunnen leveren.

Waarom is AI een belangrijke ontwikkeling?

"AI is niet zomaar een technologie, maar een systeemtechnologie die onze samenleving fundamenteel zal veranderen. De ontwikkeling hiervan staat nu op een keerpunt: de overgang van het lab naar de samenleving, waarin de technologie met de tijd ingebed zal raken. Ondernemers zijn veel te afwachtend als het om digitalisering gaat. Hierdoor is de adoptie van digitale technologie nog erg laag en laten ze geld liggen. Als mkb’ers nu niet digitaliseren, zullen ze op relatief korte termijn niet meer meedoen, omdat hun concullega’s sneller en beter kunnen leveren."

Hoe komt het dat de adoptiegraad zo laag is?

"Veel bedrijven in het MKB doen weinig aan digitalisering. Uit onderzoek blijkt dat dat alles te maken heeft met een gebrek aan kennis. Als je het niet begrijpt, zie je de waarde niet en dan ga je het ook gewoon niet doen. Mensen zien AI als een containerbegrip. Het beeld dat geschetst wordt is dat het veel te zwaar en te moeilijk is en dat het alleen voor zogenoemde 'hoogtechnologische' bedrijven zou zijn. De media versterken dit beeld omdat die graag publiceren over voorbeelden van deep learning, die natuurlijk heel erg tot de verbeelding spreken zoals zelfrijdende auto’s.

Daardoor denken we dat AI enorm complex is en gelijk op het hoogste niveau moet plaatsvinden. Die indruk gecombineerd met een gebrek aan kennis over AI, maakt dat deze technologie onbereikbaar lijkt en vooralsnog geen prioriteit krijgt. In het BrabantAI4everyone programma ligt de focus dan ook op het verschuiven van dat beeld naar een duidelijk begrip van AI. Hierdoor krijgen professionals het vertrouwen om op zoek te gaan naar de mogelijkheden van AI in de dagelijkse praktijk." 

Als je je producten kunt optimaliseren door de werking ervan te analyseren, is het volgens mij een no-brainer om hier niet mee aan de slag te gaan.

Als Deep learning de hoogste graad van AI is, wat zijn dan de onderliggende niveaus?

"Je kunt het vergelijken met de Piramide van Maslov. Op basis van het vervullen van de onderliggende laag, kan de mens zich verder ontwikkelen. Binnen AI kennen we de Data Science piramide waarin we zien dat het begint met het verzamelen van data. Niet iedere organisatie hoeft in de bovenste laag te komen. Maar als je je producten kunt optimaliseren door de werking ervan te analyseren, is het volgens mij een no-brainer om hier niet mee aan de slag te gaan. Op termijn gaat deze data bijdragen aan inzichten die je zelf niet had kunnen voorspellen: computers zijn nu eenmaal beter in het analyseren van grote hoeveelheden data dan de mens."

Heb je daar een praktisch voorbeeld van?

"Een eenvoudig voorbeeld is het aanbrengen van een temperatuursensor op een elektromotor. Waarom zou je een operator aanstellen die deze temperatuurmeter de hele dag in de gaten houdt, als je een eenvoudige instructie kunt programmeren die ervoor zorgt dat de serviceafdeling een sms-alert ontvangt wanneer deze temperatuur boven een bepaalde waarde komt?

Op basis van deze relatief eenvoudige stap kun je als bedrijf al een betere service bieden. Stel je nu voor dat na een jaar blijkt, dat er in de zomer vaak 'valse meldingen' zijn en het vermoeden ontstaat dat dit het gevolg is van de warme zomer. Je besluit een tweede temperatuursensor te monteren die de omgevingstemperatuur meet. Hiermee ontstaat een nieuw inzicht. Er is een logisch verband tussen de eerste en tweede temperatuur en je stelt de configuratie bij. De sms-alert wordt nu verstuurd als er een onlogische afwijking plaatsvindt in het vastgestelde verband tussen de twee sensoren.

Het wordt natuurlijk nog interessanter als ook andere werkingscondities van het object gemonitord worden, zoals bijvoorbeeld de instelling van een frequentieregelaar of andere specifieke gebruikersinstellingen. Het spreekt voor zich dat hoe meer data je ontsluit, je steeds beter kunt voorspellen welke storing zich voordoet. Weer winst, want de storingsmonteur kan het te vervangen onderdeel alvast meenemen." (Lees hier meer over in het blog over predictive maintenance).

"Als je bedenkt wat je allemaal kunt monitoren met sensoren en hoe de combinatie van deze data tot nieuwe (voorspellende) inzichten leidt, ga je inzien dat wanneer je dit niet doet, je klant op een zeker moment zal kiezen voor meer continuïteit. Je verkoopprijs is dan niet langer doorslaggevend, maar de borging van de werking van je product." (Lees hier meer over in het blog over servitization) "Je komt als vanzelf in de volgende laag van de piramide terecht, je hebt meer inzicht in de werking van je product waarmee je een optimalisatieslag kunt realiseren."

Na de eerste experimenten heb je inzicht in wat je wilt en kunt bereiken met AI en kun je starten met een dashboard. 

Welke eerste stappen zou een ondernemer kunnen zetten?

"Ik zie vaak dat men de neiging heeft zich volledig op de technologie te storten. Het is misschien nog wel belangrijker om stil te staan wat dit gaat betekenen voor de organisatie en de mensen die daarin werken. Betrek alle medewerkers door het huidige beeld van AI te ontwikkelen naar een betere begripsvorming van AI, dat noemen we demystificatie. Op basis van die begripsvorming is de kans groot dat een grotere groep medewerkers de kansen gaan inzien van het gebruik van AI in de dagelijkse praktijk en in bestaande werkprocessen. Daarmee maak je ze ook mede-eigenaar van deze ontwikkeling. Wat voor je organisatie goed lijkt te zijn, kan op hen overkomen als een bedreiging!" (zie ook interview met Henk Volberda).

"En ga experimenteren. Er zijn vast mensen in je organisatie die het leuk vinden om met data aan de slag te gaan en te experimenteren. Bedenk hierbij vooraf drie dingen:

1. Welk probleem wil je oplossen?
2. Welke gerelateerde data is (al) beschikbaar?
3. Wat is de kwaliteit van deze data?

Door vooraf vast te stellen waar het experiment over gaat, zorg je voor de juiste focus. Na de eerste experimenten heb je inzicht in wat je wilt en kunt bereiken met AI en kun je starten met een dashboard. Ondertussen heb je al zo veel kennis en inzicht opgedaan dat je gebouwde systeem modulair is uit te breiden.’

Waar kunnen ondernemers terecht voor meer informatie?

‘We werken samen met de Smart Makers Academy om dit inzicht te verspreiden. Er zijn twee metrolijnen in voorbereiding: een oriënterende ‘demystificerende’ metrolijn en een tiny machine learning metrolijn AI, dus hou die site in de gaten. Ook de 12% Challenge die hier volgend jaar start helpt je om stappen naar meer digitaliseren te nemen.

Ik ben zelf regelmatig onder de indruk van wat mbo-studenten al kunnen betekenen. Dit zijn vaak heel pragmatische jongeren die voor hun opleiding dergelijke opdrachten moeten realiseren. In de praktijk zien we dat er een proces plaatsvindt, waarbij bedrijven leren van studenten.

Als je googelt vind je de Nederlandse AI Coalitie die ook de AI-Parade organiseren. Daarnaast zijn er diverse initiatieven waar je terecht kunt voor informatie en Google weet deze goed te vinden. Specifiek in Brabant kennen we bijvoorbeeld de data coaches.’