Data-architectuur eerst: de sleutel tot succesvolle AI-implementatie voor de industrie

Niet meer rommelen in Excel

Bij veel industriële bedrijven ligt een schat aan gegevens die in de praktijk nauwelijks wordt benut. De meeste fabrieken verzamelen al jarenlang data via machines, sensoren, ERP-systemen en kwaliteitsmetingen, maar de vertaalslag naar nuttige inzichten blijft vaak uit.

‘Veel klanten zijn bezig met data verzamelen uit de fabriek en verschillende systemen om productefficiëntie te bereiken’, vertelt Mark van Lanen, Sales Director bij ICT Group. ‘Het is mooi om veel data te hebben, maar kunnen mensen deze goed analyseren? Is er duidelijke governance? Is er een duidelijke structuur? Die vraagstukken horen we vaak terug.’

Carmen Berends, Digital Transformation Business Consultant, noemt twee hoofdoorzaken. ‘Enerzijds kan data wel aanwezig zijn, maar als die in een silo in een machine staat, kost het veel tijd om erbij te komen. Anderzijds vraagt het werken met grote datasets andere vaardigheden dan veel productengineers gewend zijn. Je kunt niet meer rommelen in een Excel-sheet.’

Het fundament: de juiste data-architectuur

Intussen wordt menig sector overspoeld met potentiële AI-mogelijkheden — wat weer voor een volgende vraag zorgt: wat moet je er eigenlijk mee? Leendert Mijnders, Manager Business Consultancy Industry, ziet een duidelijke verschuiving in de markt. ‘De afgelopen jaren gingen veel data-vraagstukken op in pilots, vaak in de vorm van dashboards. Met de opkomst van AI zie je nu een fundamentele vraag: welke data-architectuur hebben we nodig om AI daadwerkelijk te laten landen in onze organisatie?’

Zo dient AI eigenlijk als een katalysator voor iets anders: eerst de data-architectuur op orde, waarna de volgende fase kan plaatsvinden: échte fundamenten. ‘Er is nu lang geëxperimenteerd met specifieke toepassingen, maar de fase van pilots is voorbij’, stelt Mijnders. ‘Nu moeten de successen geborgd worden, en dat vraagt om een solide architectuur.’

Unified Namespace en ISA 95

Eén van de grootste uitdagingen hierbij is het ontsluiten van gegevens uit oudere systemen. ‘We werken steeds vaker met een Unified Namespace’, zegt Berends. ‘Een soort telefoonboek waarin je bijhoudt waar data staat. Daarmee hoef je niet meer ieder systeem los te koppelen.’

De industrie worstelt namelijk met een lappendeken aan systemen: oudere meetsystemen met afwijkende datamodellen, naast modernere MES-systemen en ERP-oplossingen. ‘Om die samen te brengen, werk je het liefst met een generiek datamodel’, verklaart Mijnders. ‘Wij gebruiken onder meer de Asset Administration Shell, een smart industry initiatief uit Duitsland. Dit zorgt voor een vertaalslag naar een ISA 95 model op basis van industriestandaarden.’

Het resultaat? Een hiërarchische structuur die de bedrijfsorganisatie in kaart brengt. ‘Door die contextualisatie kun je gemakkelijk koppelingen maken met datatoepassingen, zoals dashboards of AI.’

Balans tussen edge en cloud

Voor de technische infrastructuur is er niet één ideale oplossing, zien de ICT Group-experts. ‘Voor mij is het vooral belangrijk dat je de kwaliteit van data garandeert’, benadrukt Berends. ‘Met megadatasets is het cruciaal dat wat je denkt te hebben ook werkelijk is wat je hebt. Of je het on-premise of in de cloud doet, is secundair.’

In de praktijk blijkt een hybride benadering het meest effectief. ‘Je ziet vaak een ‘first layer’ op locatie’, zegt Mijnders. ‘Een eerste dataset wordt lokaal verzameld, met tooling voor dashboards en analytics ter plekke. Daarnaast is er bijvoorbeeld één keer per uur een synchronisatie naar de cloud voor zwaardere berekeningen.’

Wanneer de data-architectuur op orde is, kan de aandacht verschuiven naar concrete AI-toepassingen. ‘Je ziet dat een eerste use case wel werkt’, vertelt Mijnders. ‘Maar zodra je dat wilt borgen en breder winst wilt halen, wordt het een duur, ingewikkeld project omdat het fundament niet past. Dat veroorzaakt hoofdpijn voor IT-afdelingen.’

Slimmer selecteren en zoeken met AI

Toch zijn er al verschillende succesvolle toepassingen in de industrie. ‘Met onze Applied Solutions-unit zijn we al langer bezig met AI en vision-technologie’, vertelt Mijnders. ‘Bij Averis Seeds kijken slimme camera's naar kwaliteitsaspecten van aardappelen. Die visuele inspecties zijn met een AI-model volledig geautomatiseerd.’

Het voorbeeld van Averis Seeds laat zien hoe beeldherkenning het selectieproces van nieuwe aardappelrassen heeft getransformeerd. ‘Hooguit 1 op de 10.000 zaailingen leidt tot een succesvolle marktintroductie. Door beeldherkenning in te zetten in plaats van menselijke visuele beoordeling, is de selectie objectiever en nauwkeuriger geworden.’

Een andere concrete toepassing is slimme zoektechnologie. Bij Royal IHC ontwikkelde ICT Group een AI-gebaseerde zoekoplossing die meer dan een miljoen documenten in minder dan twee seconden kan doorzoeken. ‘Technici hoefden niet meer urenlang kruiscontroles uit te voeren tussen systemen, wat de zoektijd met maar liefst 60 procent heeft teruggebracht.’

AI-assistenten voor operators

Zijn er dan enkele concrete AI-toepassingen, die binnen twee of drie jaar niet meer weg te denken zijn? ‘Een AI-assistent voor operators zal binnen een jaar of twee gemeengoed worden’, ziet Mijnders. ‘Net zoals je in Office een Copilot hebt, zal er een industriële toepassing komen. Dat staat op de roadmap van alle grote industriële leveranciers, van Schneider tot AVEVA en Siemens.’

Volledig autonome lijnbesturing blijft echter een uitdaging. ‘Het is de vraag of we daar binnen afzienbare tijd grote stappen in maken. Als je kijkt naar de afschrijvingstermijnen van bestaande fabrieken, zie je dit niet snel grootschalig toegepast worden. Bij nieuwe fabrieken kan het wel vliegen.’

‘Data maakt er één taal van’

De transitie naar datagedreven besluitvorming markeert misschien wel de belangrijkste culturele verschuiving. ‘Traditioneel baseren bedrijven beslissingen op ervaring, een gut feeling approach’, ziet Berends. ‘Maar als je globaliseert en meer fabrieken krijgt, werkt dat niet meer. De gut feeling van de Italiaanse fabriek kan anders zijn dan die in Nederland. Data maakt er een gemeenschappelijke taal van.’

Dit leidt tot een fundamentele vraag binnen bedrijven: volgen we wat de data zegt óf wat de ervaring dicteert? ‘Met datagedreven besluitvorming ben je minder afhankelijk van operators die al jaren het proces kennen’, ziet Mijnders. ‘Die worden steeds schaarser, wat organisaties kwetsbaar maakt. Data liegt niet, als je het goed hebt ingericht.’

Eerste stappen zetten

Voor bedrijven die willen beginnen met het beter benutten van hun data, is het essentieel om eerst de business case helder te krijgen. ‘Een volledig autonoom aangestuurde fabriek heeft een prijskaartje’, waarschuwt Mijnders. ‘De vraag is: welk product produceer je, en heb je een marge om die investering terug te verdienen? Een simpele handmatige machine kan op korte termijn rendabeler zijn.’

Van Lanen adviseert ten slotte een MVP-aanpak (Minimum Viable Product). ‘Begin met zo weinig mogelijk investeren om je proces zo optimaal mogelijk neer te zetten. Je hoeft niet alles in één keer te doen, maar zorg wel dat de machines die je koopt, voorbereid zijn op de toekomst. Kies bijvoorbeeld voor interfaces die je later kunt gebruiken voor automatisering.’

‘Als ik één advies mag geven: zorg voor een toekomstbestendige data-architectuur voordat je in AI-toepassingen investeert’, stelt Mijnders. ‘Alleen met het juiste fundament kun je pilots omzetten in duurzame, schaalbare oplossingen die daadwerkelijk bedrijfswaarde leveren.’