Geschreven door Greywise Consultancy in samenwerking met Enjins
Om in het productieproces AI te kunnen implementeren moeten er een aantal zaken op orde zijn. Het goede nieuws: dit komt voor een groot deel overeen met wat nodig is voor effectieve Business Intelligence. In praktijk zien we dan ook dat een sterke business intelligence omgeving de belangrijkste opstap is om te beginnen met AI.
AI-modellen zijn zo goed als de data waarop ze getraind worden. Voordat een model geschikt is voor gebruik in productie moet deze eerst ontwikkeld, getest en gevalideerd worden op een historische dataset. Hoe rijker en completer deze historische dataset, hoe meer informatie het model kan leren over het deel van het productieproces waarop gefocust wordt. Het plaatsen van de data in de juiste context – in dit geval het stuk productieproces waarop gefocust wordt – is vaak een uitdaging in de praktijk. Het is van essentieel belang dat de historische gegevens van goede kwaliteit zijn, een goede weergave zijn van de realiteit en bij voorkeur eenvoudig aan de juiste context te koppelen zijn.
De onderstaande afbeelding laat zien wat de onderdelen zijn van een ontwikkelomgeving voor AI. Deze onderdelen worden onder de afbeelding toegelicht.
Data analytisch platform
In de operationele praktijk van de meeste productiebedrijven speelt data al een belangrijke rol, maar deze data zitten vaak in geïsoleerde systemen. Denk hierbij aan ERP-systemen, het MES en de Historian. Om de maximale waarde uit AI te halen, zijn juist de relaties tussen al deze databronnen belangrijk. Het goed gestructureerd samenbrengen van deze verschillende databronnen in een Data Analytisch Platform is van essentieel belang.
Alle data bij elkaar: Ingestion
De eerste prioriteit bij het opzetten van het Data platform is het bepalen van de relevante databronnen en het verzamelen van de data uit de verschillende databronnen. In deze stap worden alle relevante systemen aangesloten en hun data in ruwe vorm ontsloten aan het Data platform. Ter illustratie; time series data komt uit de Historian. Order-, Equipment-, en batchdata komt uit MES en informatie over de kwaliteit van de gebruikte grondstoffen komt uit MES, LIMS of ERP.
Aggregeren en combineren tot inzicht
Als alle data in ruwe vorm ontsloten is aan het data platform, is de volgende taak om grip te krijgen op de betekenis van de data. Hiervoor moet door domeinexperts worden samengewerkt met Data engineers, om van een ruwe databron, in verschillende stappen toe te werken naar opgeschoonde en geaggregeerde data, die geschikt is voor analyse. Traditioneel gebeurt dit vaak op ad-hoc basis in verschillende BI-applicaties en dashboards. Dit leidt vaak tot uiteenlopende definities en inconsistente inzichten. Het dataplatform is de aangewezen plek om deze definities te centraliseren en te beheren.
De stap naar AI: het trainen van een model
Hoewel de stappen die tot zo ver benoemd zijn nog niet specifiek met AI te maken hebben, scheppen ze de randvoorwaarden van een betrouwbare en analyseerbare dataset. Hiermee is beginnen met AI nog maar een kleine stap. Een simpele statistische correlatie tussen meetwaarden kan vaak al de eerste stap zijn om voorspellingen te gaan doen. Met behulp van het data platform kunnen deze correlaties gevalideerd worden op de historische data, en geverifieerd met domeinexperts.
”AI klinkt altijd erg complex, maar wanneer de data goed op orde is, en de business context goed in kaart gebracht is, is de meeste complexiteit eigenlijk al achter de rug. Een heel groot deel van de uitdaging zit hem vaak aan de voorkant”
Luuk Schagen – AI Engineer bij Enjins
Bovengenoemde stappen scheppen de randvoorwaarden voor het implementeren van AI in de fabriek. Een goed getraind en gevalideerd model in een ontwikkelomgeving kan verpakt en overgezet worden naar productie. De versie van het AI-model die naar productie overgezet is, leert niet zelfstandig. Het doel van de eerste versie van het AI-model is dat het bewezen (beheersbaar en) stabiel gedrag vertoont. In de situatie van expert-in-the-loop (zie Expert in the loop versus expert on the loop), zal onder andere de uiteindelijke keuze van de expert gebruikt worden om de volgende versie van het AI-model beter te maken.
Afhankelijk van het product dat er geproduceerd wordt, moet er een ander AI-model gebruikt worden of wordt het AI-model gevoed met andere setpoints. Ook moet het AI-model gevoed worden met waardes van actuele variabelen, denk hierbij aan; Analyseresultaten, procescondities, omgevingscondities en weersvoorspellingen. De software kan snel en betrouwbaar gegevens uitwisselen met de besturingssystemen in level 2 (PLC, DCS, SCADA). Zie onderstaande ter verduidelijking.
Specifieke uitdagingen voor AI in productie
AI gebruiken is een uitdaging voor de meeste industrieën. Productie heeft een paar extra specifieke uitdagingen.
Aggregeren en combineren tot inzicht
Het gaat hier om het combineren van de data uit de verschillende systemen tot een geheel. Een geplande starttijd in een productieorder uit ERP zegt nog niks over de daadwerkelijke starttijd van een productieorder. Een productieorder kan namelijk bestaan uit verschillende bewerkingen; eerst moet A aangemaakt worden, A is een grondstof van B en B wordt op de droogtoren gedroogd. Wanneer de context van een bewerking mist, wordt het combineren en aggregeren van de data een uitdaging.
Veel productiebedrijven plannen hun productieproces op basis van 1 of 2 productieorders, dit terwijl het productieproces vaak uit veel meer bewerkingstappen bestaat. Van deze stappen is er vaak geen ordercontext bekend in IT-systemen, maar alleen op productieformulieren.
Jens Hensen – Consultant bij Greywise Consultancy
Expert on the loop
De AI autonoom een deel van het productieproces laten uitvoeren ligt gevoelig. Dit zou de veiligheid in het geding kunnen brengen. Daarnaast gaat er kennis verloren omdat operators de beslissingen van het AI-model op termijn toch niet meer kunnen volgen. Voor start van een project moet daarom nagegaan worden of een expert-on-the-loop situatie ooit geaccepteerd wordt, want de expert-in-the-loop zorgt altijd voor een vertraging in de gewenste bijsturing en zorgt daarom waarschijnlijk niet voor het meest optimale resultaat
Betrouwbaarheid en latency
Korte onderbrekingen van het productieproces kunnen hoge kosten met zich meebrengen. Het is daarom van belang om fallbacks in te bouwen, zodat de productie kan doorgaan wanneer het AI-model problemen ondervindt. Er moet dus altijd een mogelijkheid zijn om de AI uit te schakelen en er moet inzicht zijn in de IT-technische performance van het AI-model, zo wordt bijvoorbeeld snel duidelijk dat en waarom het AI-model vertraagt reageert (latency).
Het is ook van belang om sanity checks en business rules te implementeren. Deze zorgen ervoor dat het systeem kan omgaan met uitschieters in de data of defecte sensoren. Door deze maatregelen te nemen, kan gegarandeerd worden dat het systeem betrouwbaar functioneert.
Goed functionerende IT, checks en business rules, in combinatie met een hoge betrouwbaarheid van het AI-model zijn voorwaarden voor de overstap naar de Expert-on-the-loop situatie.
Cybersecurity
Cybersecurity speelt een belangrijke rol in productiebedrijven. Door de jaren heen zijn productiebedrijven steeds afhankelijker geworden van IT-systemen en daardoor neemt het belang van cyber security toe. Productiebedrijven willen het aantal lijntjes naar buiten het liefst minimaliseren.
Tegelijkertijd zien we een grote toename van de cloud. De cloud is ook relevant voor AI. Zoals al benoemd werd kan het AI-model ontwikkeld worden in de cloud. Het gebruik van software in de cloud is flexibel, kosteneffectief en betrouwbaar. Een risico op lange termijn kan zijn dat er te veel bedrijf kritische informatie in de cloud terecht komt, maar door klein te beginnen kan dit argument ontkracht worden.
De AI-software waarop het AI-model draait zal echter lokaal moeten draaien, het moet immers snel en betrouwbaar kunnen reageren. Nieuwe versies van het AI-model worden met een lage frequentie vanuit de cloud naar de AI-software in de fabriek overgezet.
Echter, de software waarop het AI-model draait is nog niet gestandaardiseerd. Er is geen duidelijke best-practice bekend in de industrie. De eisen die bedrijven stellen op het gebied van cybersecurity maken standaardoplossingen lastig en zorgen voor maatwerk dat verschilt per productiebedrijf. Toch kan er nog een groot gat opgevuld worden door eenduidige, goed uitgedachte software voor het lokaal draaien van het AI-model.
Greywise helpt productiebedrijven met het versnellen van de transitie naar de fabriek van de toekomst.
Dit begint op strategisch niveau en eindigt met een succesvolle implementatie van manufacturing-IT oplossingen. Denk hierbij aan MES, WMS, MOMS, Scheduling en QC-applicaties.
De technische concepten vertalen naar impact op de operatie in heldere niet-technische taal en het creëren van overzicht waardoor de klant wordt meegenomen in de verandering, daar ligt de kracht van Greywise.
Een onafhankelijk partij tussen de leverancier en de klant is een bewezen strategie voor succes.
Enjins ontwikkelt strategieën en implementeert machine learning oplossingen bij innovatieve bedrijven.
Ze helpen bedrijven om hun data en AI in te zetten voor slimmere besluitvorming en automatisering. Naast productiebedrijven helpen ze bedrijven in verschillende sectoren en op verschillende niveaus van data- en AI-maturiteit.
