8 minute read
Eerst de vraag dan de oplossing
INSPIRE <
Enraf GAU Radar gauge op de tank Foto: Spark
Advertisement
Eerst de vraag dan de oplossing
Artifi cial Intelligence, volgens welke defi nitie dan ook, is een gangbaar goed geworden. Bol. com weet wat je wilt kopen, Netfl ix adviseert je fi lms en je telefoon vertelt je soms zaken die je niet eens hebt gevraagd. Maar hoe zit dat in de van oudsher conservatieve industrie?
“Eigenlijk is Artificial Intelligence als technologie al heel ver. Je kunt bij de grote techbedrijven een kant en klare AI oplossing kopen. Sterker nog, misschien heb je op je werk al wat bouwstenen voorhanden”. Coen van Gulijk, Senior onderzoeker bij TNO en deeltijdprofessor bij de Universiteit van Huddersfield, duidt de gangbaarheid van de techniek en geeft wat voorbeelden; “Bijvoorbeeld met Microsoft Flow kan je datastromen in beeld brengen en databases opzetten ter ondersteuning van je business processen. En daar kan je dan weer een ‘van de plank’ AI add-on voor kopen”. De capaciteit is er, de techniek maar het is prijzig. “Je hebt er een businesscase voor nodig en het is voor bedrijven niet eenvoudig om voorafgaand aan de inzet van AI de businesscase goed te krijgen”. > Bijvangst. Cor van de Linde, oprichter en algemeen directeur van iTanks vult hem aan met een voorbeeld; “Bij een project waar wij als iTanks een verbindende rol hebben gespeeld, was AI bedoeld om het faalgedrag van fenders, stootwilgen, te voorspellen. En dat is met dit Smart Fenders project goed gelukt. Het verrassende bij dit project is dat je met de data zoveel méér te weten komt. In ons geval bleek het voorspellen van falen wel goed, maar zat de meerwaarde in de bijvangst. De data is ook te gebruiken om te bepalen wanneer een schip aan- en afmeert én of er nog ruimte is aan de kade. Die kennis bleek zeer waardevol voor havenbedrijven om de liggelden én de capaciteit van de kade te optimaliseren. Zo zie je dat het al lastig is om de oorspronkelijke vraag duidelijk te krijgen én in te kunnen schatten wat er nog meer te vinden valt”.
> Inzichten. De technologie kan prijzig zijn, zeker als je niet weet wat je er mee wilt bewijzen én als je niet weet waar je moet beginnen. Van de Linde; “Dat zagen we ook bij een partner waar we pas waren. Die hebben een sterke behoefte aan een integrale, data gedreven aanpak maar weten niet waar te beginnen én hoe ze het gaan terugverdienen. Dat maakt het lastig om te beginnen met een potentieel waardevolle innovatie. Maar, als je in kleine stapjes kan beginnen, dan is het relatief beter te betalen. Zelfs met de kans dat het niet lukt om een model op te zetten. Alleen al het werk met die data zorgt al voor nieuwe, waardevolle inzichten”.
> Waarde. Bedrijven die AI aan het verkennen zijn, vragen zich ook af of ze wel genoeg data hebben om te analyseren. “De data is er zat! Dat is helemaal het probleem niet. Maar het is zoeken naar meer waarde door die data”, aldus Van Gulijk. “Die waarde moet wel bepaald worden. Dat zien we ook in het veiligheidsdomein waar wij bezig zijn. Iedereen vindt veiligheid heel belangrijk, maar het moet wel voor de laagste prijs. En dan is een businesscase soms lastiger te maken dan bijvoorbeeld bij maintenance. Daar kan je de kosten van falen nog duidelijk maken en kan je berekenen wat je wilt investeren om stilstand te voorkomen. In het veiligheidsdomein is dat lastiger. Daar wil men ook wel weten waar het ‘mis’ gaat en of het beheersbaar is maar kan dat slechter in waarde uitdrukken”. > Power by the hour. Grote bedrijven hebben wel zicht op de waarde die ze met AI en Data Analytics kunnen creëren. Een mooi voorbeeld zijn de vliegtuigmotoren van Rolls Royce. Van Gulijk;”Zij verkopen geen motoren meer, maar leasen ze aan de klant. Door de juiste parameters te bewaken en te analyseren, verkopen ze beschikbaarheid en weten ook wanneer er onderhoudsactiviteiten nodig zijn. Een van de klanten moest een aantal jaren terug voor het eerst in hun historie een noodstop maken door een probleem met de motor en kwam op hoge poten verhaal halen. Maar uit analyse van de data bleek dat de klant zélf de motor ruim buiten de specificaties had gebruikt en dus ook zelf de storing had veroorzaakt. Ook dat is waarde”.
> Overtuigen. Om de gangbare manier van werken om te gooien, moet je vaak heel wat mensen overtuigen. Van de Linde; “Ik weet uit eigen ervaring dat verandering in de procesindustrie dit soort zaken lastig ‘te verkopen’ is. Wanneer ik als maintenance manager wist wanneer het systeem ging vervuilen en een preventieve actie wilde uitvoeren, kreeg ik daar vaak de kans niet voor omdat de fabriek op zo’n moment juist zo lekker draaide. Daar heb je die onderhoudsmanager weer werd dan gezegd. Maar ik probeerde dan juist te zorgen dat we liever een dag stil lagen door gepland onderhoud dan een week door ongeplande stilstand. Voor dat soort discussies zou een ondersteuning door een goed preventief model zeker bijdragen”.
Fender Monitoring Foto: TNO Coen van Gulijk vertelt een mooie AI case uit zijn eigen praktijk Voor de Engelse railinfra heeft hij een project gedaan waarbij 1.000.000 near-miss meldingen met AI zijn geanalyseerd en geclassifi ceerd. “Er was een heel team opgezet om rapporten te lezen, te classifi ceren en op te volgen. Maar door de enorme aanwas waren er gewoon te veel incidentrapporten om te verwerken. Toen kwam de vraag of de classifi catie het handiger kon. De aanpak die we met TNO dan kiezen is door te vragen naar ‘wat wil je nu eigenlijk precies?’ In dit geval was het een classifi catie vraagstuk. Er waren 26 basis-risicocategorieën en daarvan werd bijna 20% door de melder verkeerd geclassifi ceerd en 30% van de meldingen werd op “overig” geclassifi ceerd omdat de melder het niet wist. Daar konden we wel mee helpen. Met de oplossing die gebouwd is, konden we een proces dat in FTE’s werd uitgedrukt reduceren naar een proces dat in minuten werd uitgedrukt. En dat eerste product was 50.000 pond waard; het hoeft geen miljoenen meer te kosten.
De kennis die we opdeden met near-miss data konden we ook voor incident data gebruiken. En toen we daar een integrale database aanpak voor hadden, konden we ook BowTies gaan maken voor de risico-analyses; dat gedachtengoed resoneerde met ontwikkelingen in de spoorsector en verschillende organisaties werken nu met data-gedreven BowTies. En een mooie bijvangst was dat we mensen die meldingen doen hebben geleerd om een zin met een hoofdletter te beginnen en met een punt te eindigen. Dat scheelde enorm! Daarnaast was het handiger om maar één probleem tegelijkertijd te melden en om zo veel mogelijk jargon te gebruiken omdat dat gemakkelijker te herkennen is.
Coen van Gulijk Cor van de Linde
>
> Te spannend? Maken we al die nieuwigheid misschien ook niet te interessant en te spannend? Van Gulijk; “Een PhD student van mij werkt in Engeland bij een chemische plant. Dat bedrijf heeft data analyse software gekocht en er een data-analist op gezet die niet persé de domeinkennis heeft. De analist heeft alle data gepakt die hij tegenkwam, er verbanden in gezocht en vertaald naar trends en grafieken. Dat is of was tot tevredenheid van de plantmanager. Maar toen mijn PhD student en ik een keer aanschoven bij een meeting en vroegen hoe ze zo zeker waren dat de veiligheid echt is geborgd, werd op ‘het stijgende groene lijntje’ in een grafiek gewezen en was het toch even stil. Je moet met verstand van zaken dieper in die data duiken om te kijken of je wel op de juiste trends kijkt”. Hij kijkt naar de markt en vult aan; “Het komt ook wel een beetje door de AI mensen zelf, die beloven soms te veel. En dat terwijl je waarschijnlijk verder komt met open en goed advies over wat er kan en hoe je dat gaat bereiken. Er wordt misschien wel doordat de leveranciers aan de ene kant hun kennisvoorsprong inzetten om te verkopen en tegelijkertijd de domeinkennis niet hebben om door te vragen naar het doel en de middelen”. > Multidisciplinair. Het zou mooi zijn als een maintenance consultant tegelijkertijd data analist zou zijn, of als je in elk geval een nauwe samenwerking hebt tussen die twee. Van Gulijk; “Je zoekt naar veiligheidskundigen die effectief met data om kunnen gaan. Dat hoeft niet eens in één persoon te zijn. Je kunt een ervaren veiligheidskundige ook aan een jonge data-analist koppelen. De kracht zit in die samenwerking”.
> Passie. Van Gulijk; “Je moet eigenlijk gepassioneerd zijn voor het vraagstuk dat je met AI wilt oplossen. Hoe meer je wilt weten hoe het zit, hoe groter de kans dat het gaat lukken. Je weet wat je zoekt, staat ook meer open voor bijvangst, maar laat je niet van de wijs brengen door verkooppraatjes. Dan ben je ook een sterkere gesprekspartner voor de consultant waar je mee aan tafel zit”. Hij vat het samen; “Als je het goed doet, heb je eigenlijk het belangrijkste deel van het ontwerp van je AI proces gedaan zonder computers. Dan weet je beter wat je wilt en kan je beter zoeken naar de software die je nodig hebt. Ook die voorbereiding kost tijd en geld. En gek genoeg wordt er soms makkelijker geld uitgegeven aan de software dan aan het uitwerken van de vraag. En als je de vraag niet duidelijk hebt, is hij ook moeilijk te beantwoorden”. <
Borgen van ervaring
Met de case van Van Gulijk in gedachten, organiseerde iTanks begin dit jaar een innovatiebooster om te zien of met dezelfde techniek ook kennis en ervaring uit onderhoudsbeheersystemen is te analyseren en classifi ceren en daarmee kennis uit storings- en onderhoudswerk om te zetten naar trainingen. Het animo was hoog en de eerste vervolgstappen zijn gezet. Van de Linde; “We denken dat we de industrie, met het vraagstuk van de grote vergrijzing, hiermee kunnen helpen. Ik voer nu gesprekken met geïnteresseerde partijen om een eerste proefproject te starten. Als mensen meer willen weten, kunnen ze mij benaderen. Dan pakken Coen en ik er verder op door”.
